圖19(g) 是迭代10次演化（KCV)，圖19(h)是迭代15次最終演化（KCV)，圖19 (i)是初始零水平集 (ANBCV)，圖19 (j)是迭代3次演化（ANBCV)，圖19 (k)是迭代10次演化（ANBCV)，圖19 (1) 是迭代25次最終演化（ANBCV)。
[0149]圖19中Chan-Vese模型兩相水平集方法的初始零水平集函數(shù)的離散坐標值（i，j) 以及半徑R，如表1所示。
[0150] 表1初始零水平集函數(shù)的參數(shù)
[0151]
[0152] 為了客觀定量評價，圖20給出本發(fā)明提出的基于Chan-Vese模型的客觀定量分析 Chan-Vese模型兩相水平集經典算法的結果圖。
[0153] 從圖20中可以看出，本發(fā)明提出的自適應階梯初始化的窄帶Chan-Vese模型兩相 分割方法的能量值最小，初始化零水平集效果最好。對比其他三種算法，本發(fā)明提出的算法 迭代3次后迅速收斂，而CV算法通過圖20的能量值和迭代次數(shù)，以及圖19 (b)可以看出在 迭代6次之后曾一度陷入局部最優(yōu)值，KCV以及ANBCV兩種算法都由于初始化零水平集效 果較差，分別在第15和25次迭代后才接近收斂到最好的分割結果。通過對實驗結果的主 觀和客觀評價，雖然算法最終都達到幾乎相同的分割效果，但由于本發(fā)明提出的算法初始 化零水平集效果較好，其收斂速度相對最快。
[0154] 為了與本發(fā)明提出的自適應階梯初始化的窄帶Chan-Vese模型四相水平集方法 比較，在圖9的基礎上給出二值初始化零水平集函數(shù)的三類分割實驗結果如圖21所示。其 中圖21 (a)是二值初始化當d=1時，迭代5次的演化分割結果，圖21 (b)是二值初始化當 d=1時，迭代100次的最終演化分割結果。圖21 (c)是二值初始化當d=10時，迭代5次 的演化分割結果，圖21 (d)是二值初始化當d=10時，迭代100次的最終演化分割結果。
[0155] 為了客觀定量評價本發(fā)明提出的自適應階梯初始化的窄帶Chan-Vese模型水下 多目標分割方法，圖22給出提出的基于Chan-Vese模型的客觀定量分析三類分割結果圖。
[0156] 從圖22中可以看出，本發(fā)明提出的自適應階梯初始化的窄帶Chan-Vese模型水下 多目標分割方法（ALI)，在第60次迭代后迅速收斂，而且能量值相對較低，能正確而快速達 到最終的演化分割結果。
[0157] 同時，為了與經典算法比較，實驗結果如圖23所示。其中圖23(a)是初始零水平 集（CV)，圖23 (b)是迭代5次演化（CV)，圖23 (c)是迭代626次演化（CV)，圖23 (d)是迭代 1500次最終演化（CV)，圖23 (e)是初始零水平集（KCV)，圖23 (f)是迭代5次演化（KCV)， 圖23 (g)是迭代35次演化（KCV)，圖23 (h)是迭代80次最終演化（KCV)，圖23⑴是初始 零水平集（ANBCV)，圖23 (j)是迭代5次演化（ANBCV)，圖23 (k)是迭代35次演化（ANBCV)， 圖23 (1)是迭代80次最終演化（ANBCV)。
[0158]圖23中Chan-Vese模型四相水平集方法的初始零水平集函數(shù)的離散坐標值（i，j) 以及半徑R，如表2所示。
[0159] 表2初始零水平集函數(shù)的參數(shù)
[0160]
[0161] 為了客觀定量評價，圖24給出本發(fā)明提出的基于Chan-Vese模型的客觀定量分析 Chan-Vese模型四相水平集經典算法的結果圖。
[0162] 從圖24中可以看出，本發(fā)明提出的自適應階梯初始化的窄帶Chan-Vese模型四相 水下多目標分割方法的能量值最小，初始化零水平集效果最好。
[0163] 為了驗證本發(fā)明提出算法的有效性和適應性，圖25給出另一幅真實的原始水 下聲納圖像分割結果（尺寸為173X167)，其中圖25(a)是真實的原始水下聲納圖像，圖 25(b)是平滑去噪后的圖像，圖25(c)是聲納圖像的兩類初始分割，圖25(d)是初始零水平 集（兩相），圖25 (e)是當階梯為5時，迭代3次的演化分割結果（兩相），圖25 (f)是當階 梯為5時，迭代5次的最終演化分割結果（兩相），圖25(g)是聲納圖像的三類初始分割，圖 25(h)是初始零水平集（四相），圖25 (i)是當階梯為5時，迭代5次的演化分割結果（四 相），圖25 (j)是當階梯為5時，迭代8次的演化分割結果（四相），圖25 (k)是當階梯為5 時，迭代10次的最終演化分割結果（四相）。
[0164] 通過對聲納圖像的分割實驗比較分析，驗證了本發(fā)明提出的自適應初始化的窄帶 Chan-Vese模型水下多目標分割方法對噪聲不敏感，具有較快的速度、分割精度以及自適應 性。為后續(xù)水下目標的特征提取和識別提供更好的前提條件。
[0165] 本發(fā)明提供的是一種自適應階梯初始化的窄帶Chan-Vese模型水下多目標分 割方法。包括如下步驟：（1)初步判斷水下目標位置；(2)確定階梯區(qū)域，完成自適應階 梯初始化零水平集函數(shù)；（3)建立Chan-Vese模型窄帶水平集；(4)對分割結果進行基于 Chan-Vese模型的客觀定量分析。本發(fā)明為了取得精確的水下多目標分割效果，提出一種 自適應階梯初始化的窄帶Chan-Vese模型水下多目標分割方法。即聲納圖像平滑去噪處 理后，根據塊方式的k-均值聚類算法完成初始分割，初步判斷水下目標的位置；由于不同 目標區(qū)域相鄰的邊緣處為初始零水平集位置，通過對不同目標區(qū)域的膨脹腐蝕操作，確定 階梯數(shù)，完成自適應階梯初始化零水平集函數(shù)；在此基礎上，建立Chan-Vese模型窄帶水 平集進行聲納圖像分割，完成水下多目標區(qū)域的兩類和三類分割；最后，通過提出的基于 Chan-Vese模型的客觀定量分析，對人造和真實聲納圖像的水下多目標分割實驗進行結果 分析，驗證提出的水下多目標分割方法具有較快的速度和分割精度，有一定的自適應性。
【主權項】
1. 一種自適應階梯初始化的窄帶化an-Vese模型水下多目標分割方法，其特征在于： 包括W下步驟， 步驟一：聲納圖像平滑去噪處理后，根據塊方式的k-均值聚類算法完成初始分割，初 步判斷水下目標的位置； 步驟二：確定階梯區(qū)域，確定自適應階梯初始化零水平集函數(shù)； 步驟Ξ:利用化an-Vese模型窄帶水平集進行聲納圖像分割，完成水下多目標區(qū)域的 兩類和Ξ類分割； 步驟四：對分割結果進行基于化an-Vese模型的客觀定量分析。2. 根據權利要求1所述的一種自適應階梯初始化的窄帶化an-Vese模型水下多目標分 割方法，其特征在于：步驟二中所述的確定自適應階梯初始化零水平集函數(shù)的過程為： 對不同目標區(qū)域進行膨脹腐蝕操作，膨脹腐蝕算子為每次膨脹特定區(qū)域就 會向外擴大一圈，區(qū)域擴大的部分，就是一個階梯；同理，每次腐蝕特定區(qū)域就會向內縮小 一圈，區(qū)域縮小的部分，也是一個階梯， 根據初始零水平集曲線C，膨脹一次確定新的邊界曲線Ci，C和。之間的區(qū)域就為第一 級上升階梯，運個區(qū)域初始化為1，W此類推，當階梯數(shù)為X時，X-1個階梯上升到第X個階 梯區(qū)域值為X，曲線。外部區(qū)域初始化為d;同理，確定初始零水平集曲線內部初始化值，最 終確定自適應階梯初始化零水平集函數(shù)。3. 根據權利要求1所述的一種自適應階梯初始化的窄帶化an-Vese模型水下多目標分 割方法，其特征在于：所述的利用化an-Vese模型窄帶水平集進行聲納圖像分割的具體過 程為： 根據自適應階梯零水平集建立窄帶區(qū)域，根據迭代方程求水平集函數(shù)值，判斷是否收 斂，如果收斂結束迭代，此時得到水下多目標分割結果；否則重新建立窄帶區(qū)域； 化an-Vese模型兩相窄帶水平集的窄帶函數(shù)為：r為窄帶區(qū)域寬度的一半，（x，y)表示圖像空間上的二維連續(xù)坐標； 化an-Vese模型四相窄帶水平集的窄帶函數(shù)為：N(x,y) =Ni(x,y)+N2(x,y), +為邏輯運算或。4. 根據權利要求1所述的一種自適應階梯初始化的窄帶化an-Vese模型水下多目標分 割方法，其特征在于：所述的基于化an-Vese模型兩相的客觀定量評價為：其中IΩιΙ、IΩζΙ為集合的勢，Ωι、〇2為聲納圖像Chan-Vese 模型兩相分割后的陰影區(qū)和背景區(qū)，P表示平滑去噪后聲納圖像像素點的灰度值； 基于化an-Vese模型四相的客觀定量評價為：其中IΩιΙ、IΩζΙ、IΩ3Ι為集合的勢，Ωι、〇2、 為聲納圖像化an-Vese模型四相分割后的目標高亮區(qū)、陰影區(qū)和背景區(qū)。5.根據權利要求1所述的一種自適應階梯初始化的窄帶化an-Vese模型水下多目標分 割方法，其特征在于：所述的根據塊方式的k-均值聚類算法完成初始分割具體過程為： 選擇mXm的窗口，將聲納圖像分成η個互不重疊的mXm窗口，求出代表每個窗口的； 元樣本，包括均值、標準差、灰度最小值；設置聚類數(shù)q，任選q個窗口的Ξ元樣本作為初始 聚類中屯、，將其他窗口的Ξ元樣本歸類到與它歐氏距離最小的聚類中屯、所代表的類上； 通過求每個類所有窗口Ξ元樣本的均值，更新聚類中屯、，并重新聚類，直到聚類中屯、不 變。
【專利摘要】本發(fā)明公開了一種自適應階梯初始化的窄帶Chan-Vese模型水下多目標分割方法，包括以下步驟，步驟一：聲納圖像平滑去噪處理后，根據塊方式的k-均值聚類算法完成初始分割，初步判斷水下目標的位置；步驟二：確定階梯區(qū)域，確定自適應階梯初始化零水平集函數(shù)；步驟三：利用Chan-Vese模型窄帶水平集進行聲納圖像分割，完成水下多目標區(qū)域的兩類和三類分割；步驟四：對分割結果進行基于Chan-Vese模型的客觀定量分析。本發(fā)明采用Chan-Vese模型窄帶水平集進行聲納圖像分割，能完成局部尋優(yōu)，避免已有水平集方法的全局搜索，使分割結果中噪聲的影響降到最小，能進一步提高分割精度和速度。
【IPC分類】G06T7/00, G06K9/62
【公開號】CN105405125
【申請?zhí)枴緾N201510706021
【發(fā)明人】王興梅, 吳艷霞, 滕旭陽, 劉志鵬, 宋洪濤, 王永華
【申請人】哈爾濱工程大學
【公開日】2016年3月16日
【申請日】2015年10月27日