本发明的目的在于克服上述已有技术的不足,提出了一种基于
半监督学习的多
尺度图像分割方法,以保证图像分割结果的
稳定性、提高分割精度以及缩短分割时间。
实现本发明目的技术方案包括如下过程:
1)对待分割图像分别采用三层小波变换和三层Contourlet变换完成图像分解,并通过合并操作,得到粗分解子带,次粗分解子带和细分解子带;
2)针对粗分解子带,采取基于半监督学习的方法完成初始分割,得到初始分割结果;
3)将初始分割结果与步骤1)中得到的次粗分解子带以及细分解子带一起进行基于无监督学习的多尺度二次分割,得到最终分割结果。
上述
基于半监督学习的多尺度SAR图像分割方法,其中步骤1)的具体过程如下:
1a)对待分割图像img采取三层小波变换的所有分解子带为{cA3,cH3,cV3,cD3,cA2,cH2,cV2,cD2,cA1,cH1,cV1,cD1};
1b)对待分割图像img采取三层Contourlet变换的所有分解子带为{c31,c32,c33,c34,c21,c22,c23,c24,c11,c12,c13,c14};
1c)将1a)和1b)中所述的所有子带在空间并列,即{cA3,cH3,cV3,cD3,cA2,cH2,cV2,cD2,cA1,cH1,cV1,cD1,c31,c32,c33,c34,c21,c22,c23,c24,c11,c12,c13,c14},并根据分解子带的小、中、大将其分为粗分解子带{cA3,cH3,cV3,cD3,c31,c32,c33,c34}、次粗分解子带{cA2,cH2,cV2,cD2,c21,c22,c23,c24}和细分解子带{cA1,cH1,cV1,cD1,c11,c12,c13,c14}三种分解子带。
上述基于半监督学习的多尺度SAR图像分割方法,其中步骤2)中所述的半监督学习的初始分割,具体过程如下:
2a)对所述的粗分解子带,采取加滑动窗特征提取,得到待分类特征;
2b)利用基于有监督学习的支撑矢量机算法依次对待分类特征进行分类,得到有监督学习的分割结果seg_SVM;
2c)利用基于无监督学习的k均值
聚类算法依次对待分类特征进行聚类,得到无监督学习的分割结果seg1;
2d)将有监督学习的分割结果seg_SVM和无监督学习的分割结果seg1相结合,对两个结果图像中每个点对应的值进行选择操作,得到基于半监督学习的初始分割结果seg_rough。
上述基于半监督学习的多尺度SAR图像分割方法,其中步骤3)中所述的基于无监督学习的多尺度二次分割,具体过程如下:
3a)对初始分割结果seg_rough进行插值操作,使初始分割结果seg_rough扩大为与次粗分解子带同样大小;
3b)对次粗分解子带采取加滑动窗特征提取,得到次粗分解子带的待分类特征,并将扩大后的初始分割结果与次粗分解子带的待分类特征进行合并操作,共同构成次粗分解子带相对应的待分类特征矢量;
3c)利用k均值聚类算法依次对次粗分解子带相对应的待分类特征矢量进行聚类,聚类的结果为次粗分解子带的分割结果seg2;
3d)对次粗分解子带的分割结果seg2进行插值操作,使得次粗分解子带的分割结果seg2扩大为与细分解子带同样大小;
3e)将细分解子带采取加滑动窗特征提取,得到细分解子带的待分类特征,并将扩大后的次粗分解子带分割结果与细分解子带的待分类特征进行合并操作,共同构成细分解子带相对应的待分类特征矢量;
3f)利用k均值聚类算法依次对细分解子带相对应的待分类特征矢量进行聚类,聚类的结果就是细分解子带的分割结果seg3;
3g)将细分解子带的分割结果seg3进行插值操作,使得细分解子带的分割结果seg3扩大为与待分割图像img同样大小,扩大后的细分解子带的分割结果即为多尺度二次分割后的最终分割结果seg。
本发明与
现有技术相比具有如下优点:
①本发明中采用合并小波分解和Contourlet分解后的子带,增加了后续提取出的待分类特征的数量,使得待分类特征更加有效,从而提高了分割准确率;
②本发明由于采用半监督学习的方法,与无监督的方法相比较,提高了分割结果的稳定性;与有监督的方法比较,提高了本发明方法的性能,减少了大量的运行时间。
③本发明采用多尺度二次分割方法,使得本发明方法运行快速,减少了复杂度。
测试实验表明,本发明针对SAR图像的分割结果的错分率为10.46%,分别小于小波变换的错分率10.98%、Contourlet变换的错分率16.23%以及多尺度小波和Contourlet无监督学习分割方法的错分率12.33%。
附图说明
图1是本发明的实现
流程图;
图2是采用不同方法对纹理图像分割的比较结果示意图;
其中:图2a是待分割的纹理图像示意图;
图2b是理想的分割结果示意图;
图2c是基于三层小波分解和k均值方法得到的结果示意图;
图2d是基于三层Contourlet分解和k均值方法得到的结果示意图;
图2e是基于多层小波和Contourlet及k均值法得到的结果示意图;
图2f是基于多层小波和Contourlet及k近邻分类法得到的结果示意图;
图2g是本发明图像分割方法得到的分割结果示意图;
图3是采用不同方法对SAR图像分割结果比较图。
其中:图3a是待分割的SAR图像示意图;
图3b是基于三层小波分解和k均值方法得到的结果示意图;
图3c是基于三层Contourlet分解和k均值方法得到的结果示意图;
图3d是基于多层小波和Contourlet以及k均值方法得到的结果示意图;
图3e是本发明图像分割方法得到的分割结果示意图。
参照图1,本发明包含如下步骤:
步骤1,对待分割图像分别采用三层小波变换和三层Contourlet变换完成图像分解,并通过合并操作,得到粗分解子带,次粗分解子带和细分解子带。
1a.对待分割图像img采取三层小波变换,选择“Haar”小波来完成,得到分解子带为{cA3,cH3,cV3,cD3,cA2,cH2,cV2,cD2,cA1,cH1,cV1,cD1};
1b.对待分割图像img采取三层Contourlet变换,采用“9-7”塔式
滤波器,以及“pkva”方向滤波器完成,为了得到和小波分解后各个尺度大小相同的子带,特别在第一层分解和第二层分解中取4个方向,得到分解子带为{c31,c32,c33,c34,c21,c22,c23,c24,c11,c12,c13,c14};
1c.将1a和1b中所述的所有子带在空间并列,即{cA3,cH3,cV3,cD3,cA2,cH2,cV2,cD2,cA1,cH1,cV1,cD1,c31,c32,c33,c34,c21,c22,c23,c24,c11,c12,c13,c14},并根据分解子带的小、中、大将其分为粗分解子带{cA3,cH3,cV3,cD3,c31,c32,c33,c34}、次粗分解子带{cA2,cH2,cV2,cD2,c21,c22,c23,c24}和细分解子带{cA1,cH1,cV1,cD1,c11,c12,c13,c14}三种分解子带。
步骤2,针对粗分解子带,采取基于半监督学习的方法完成初始分割,得到初始分割结果。
2a.针对步骤1中所述的对待分割图像img分解得到的粗分解子带{cA3,cH3,cV3,cD3,c31,c32,c33,c34}分别采取加滑动窗特征提取的方法,得到待分类特征。加滑动窗特征提取具体方法为,假设子带大小为M×N,以及一个(2n1+1)×(2n1+1)大小的窗,且n1的值远远小于M和N的值。从子带中选择出符合窗口大小的矩阵,计算该矩阵的特征,得到的特征便是在子带中对应(2n1+1)×(2n1+1)大小的窗口内的特征。可提取的特征包括
能量特征、方差、均值、Hu矩等,在本发明中提取的是Laws纹理特征:
其中g(k,l)是原本待特征提取的子带,m(i,j)是g(k,l)在窗内的平均值;接着对提取出的Laws纹理特征s(i,j)进行平滑,特征平滑时选择大小为(2n2+1)×(2n2+1)的窗,平滑公式为:
平滑后的特征F(i,j)即为与分解子带相对应的待分类特征。
2b.利用基于有监督学习方法的支撑矢量机算法(SVM)依次对待分类特征进行分类,分类公式为:OutputSVM=sgn(α×InputSVM+b),其中InputSVM表示待分类特征,α表示SVM的权值,b表示SVM的偏值,sgn(·)是符号函数,公式中OutputSVM得到的值即有监督学习的分割结果seg_SVM;
2c.利用基于无监督学习方法的k均值聚类方法依次对待分类特征进行聚类,按照k均值聚类算法的步骤,本发明使用k均值聚类完成分割的具体过程如下:
(2c.1)假设需要分割出的区域数为k;
(2c.2)随机的初始化k类区域的中心点;
(2c.3)计算其他待分类特征与中心点的距离,如果该分类特征与中心点a的距离比距其他中心点的距离近,就判定该分类特征属于中心点a所在的区域;
(2c.4)计算得到已确定在同一区域内的待分类特征的质心,作为新的聚类中心点;
(2c.5)重复步骤(2c.3)和(2c.4),直到所有的待分类特征都已经确定其所属区域,聚类的结果就是无监督学习方法得到的分割结果seg1;
2d.将有监督学习的分割结果seg_SVM和无监督学习的分割结果seg1相结合,对两个结果图像中每个点对应的值进行选择操作,具体选择步骤如下:
(2d.1)将有监督学习的分割结果seg_SVM中的值与无监督分割的结果seg1中的值一一对应;
(2d.2)如果有监督学习的分割结果seg_SVM在
位置q和无监督学习的分割结果seg1在位置q上的值相同,把这个相同的值作为半监督学习的初始分割结果seg_rough在位置q上的值;
(2d.3)如果有监督学习的分割结果seg_SVM在位置q和无监督学习的分割结果seg1在位置q上的值不一致,将该位置的左位置p和右位置r上出现的次数较多的值,作为半监督学习的初始分割结果seg_rough在位置q上的值;
(2d.4)如果有监督学习的分割结果seg_SVM在位置q和无监督学习的分割结果seg1在位置q上的值不一致,且无法判定该位置的左位置p和右位置r上哪个值出现次数较多时,则把有监督学习的分割结果seg_SVM在位置q上的值作为半监督学习的初始分割结果seg_rough在位置q上的值;
(2d.5)将(2d.2)~(2d.4)所确定的半监督学习的初始分割结果seg_rough在位置q上的值,作为基于半监督学习的初始分割结果seg_rough。
步骤3,将初始分割结果与步骤1中得到的次粗分解子带以及细分解子带一起进行基于无监督学习的多尺度二次分割,得到最终分割结果。
3a.将初始分割结果seg_rough进行插值操作,使初始分割结果seg_rough扩大为与次粗分解子带同样大小,该插值操作是将初始分割结果seg_rough在位置(m,n)上的值,作为插值后的结果在四个位置(2m-1,2n-1)、(2m-1,2n)、(2m,2n-1)和(2m,2n)上的值;
3b.将次粗分解子带采取加滑动窗特征提取,特征提取方法与步骤2的2a中所述一致,得到次粗分解子带的待分类特征,并将扩大后的初始分割结果与次粗分解子带的待分类特征进行合并操作,共同构成次粗分解子带的待分类特征矢量;
3c.利用k均值聚类方法依次对次粗分解子带的待分类特征矢量进行聚类,聚类方法与2c中所述一致,聚类的结果为次粗分解子带的分割结果seg2;
3d.对次粗分解子带的分割结果seg2进行同3a中所述的插值操作,使得次粗分解子带的分割结果seg2扩大为与细分解子带同样大小;
3e.将细分解子带采取2a中所述的加滑动窗特征提取,得到细分解子带的待分类特征,并将扩大后的次粗分解子带分割结果与细分解子带的待分类特征进行合并操作,共同构成细分解子带的待分类特征矢量;
3f.利用2c中所述的k均值聚类方法依次对细分解子带相对应的待分类特征矢量进行聚类,聚类的结果为细分解子带的分割结果seg3;
3g.将细分解子带的分割结果seg3进行同3a中所述的插值操作,使得细分解子带的分割结果seg3扩大为与待分割图像img同样大小,扩大后的细分解子带的分割结果即为多尺度二次分割后的最终分割结果seg。
本发明的效果可以通过以下仿真实验说明:
仿真环境:本发明所有的实验结果都是在Windows XP运行条件下,CPU为奔IV2.4GHz,MATLAB 7.0环境中得到。
实验一,基于半监督学习的纹理图像分割仿真实验
本实验用来检测本发明的方法对纹理分割的性能。实验中用到的纹理图像均为拼接纹理图像,源图像来源于Brodatz纹理库。在本实验中将公式(1)和公式(2)的窗口均设为5,即n1=n2=5,小波分解为“Haar”三层小波变换,Contourlet分解采用[44]的分解尺度,尺度滤波器和方向滤波器分别为“9-7”和“pkva”滤波器。
图2为不同方法对纹理图像分割结果示意图,图2a是待分割的纹理图像;图2b为理想的分割结果示意图;图2c是基于三层小波分解和k均值方法得到的结果示意图,分割结果在区域中存在错分现象;图2d是三层Contourlet分解和k均值方法得到的结果示意图,结果的边缘错分现象较为严重;图2e为多层小波和Contourlet以及k均值方法得到的结果示意图,是无监督学习的方法结果,简写为HWC,分割结果较前两种方法有提高,仍然存在区域中的错分现象;图2f是多层小波和Contourlet以及k近邻分类方法得到的结果示意图,是监督学习的方法结果,简写为HWC-KNN,其中K=1,分割结果在边缘上仍存在毛刺现象;图2g是本发明中提到的方法结果示意图,与前几种方法的结果相比,本发明的分割结果减少了边缘和区域上的错分现象,提高了分割的精确率。表1给出了采用不同方法运行时间的对比示意,从表1中可以看出,本发明的方法与有监督的方法相比较来说,大大地节省了运行时间,提高的算法性能,且运行时间只是略高于无监督的方法,却提高了分割准确率。
表1运行时间对比示意
小波 Contourlet HWC HWC-KNN 本发明 运行时间(单位:秒) 21.49 27.93 35.85 652.85 99.84
实验二,基于半监督学习的SAR图像分割结果比较实验
该实验是将本发明提到的基于半监督学习的图像分割方法应用到SAR图像分割中。
实验中针对两幅SAR图像得到结果,并选择了几个区域,计算区域中错分率。实验中采取参数设置与实验一相同,只是公式(1)和公式(2)的窗口设为3,即n1=n2=3。
图3为采用不同方法对SAR图像分割结果示意图,图3a是待分割的SAR图像;图3b是基于三层小波分解和k均值方法得到的结果示意图,分割结果在区域中存在错分现象;图3c是三层Contourlet分解和k均值方法得到的结果示意图,结果的边缘存在错分现象;图3d为多层小波和Contourlet以及k均值方法得到的结果示意图,是无监督学习的方法结果,简写为HWC,分割结果较前两种方法有提高,仍然存在区域中的错分现象;图3e是本发明中提到的方法结果示意图,与前几种方法的结果相比,本发明的分割结果减少了边缘和区域上的错分现象,提高了分割的精确率。
图3a中所示的方框选中的部分即为计算错分率的区域,错分率的计算公式为:
其中,该区域中标记属于t(t=1,2,...,c,c是区域中含有的类别数)类的
像素数目为nt,在结果中正确标记为t的像素数目为mt,rt是对于标记为t的错分率。表2是图3a中所示方框区域的错分率。表2给出了不同方法在所选区域上的错分率对比示意,从表2中可以看出,本发明的方法与其他方法相比较来说,减少了错分率,提高的算法性能,说明本发明方法的用于SAR图像分割中是有效的。
表2SAR图像错分率(%)