一種利用改進模糊聚類算法提取紅外行人目標的方法
【專利摘要】一種利用改進模糊聚類算法提取紅外行人目標的方法，該方法具體步驟如下：步驟一：檢測行人目標對稱軸所在位置；首先使用顯著性算法得到目標所在的區(qū)域，然后使用模糊C均值算法對目標所在區(qū)域進行初分類，通過對初分類結果圖像的每一列求和，得到列求和曲線，然后求該曲線的極值，認為極值所在位置即為行人的對稱軸位置；步驟二：為了降低紅外圖像中的灰度不均勻現(xiàn)象對聚類過程的影響，采用形態(tài)學閉運算對原始圖像進行預處理；步驟三：采用改進的模糊聚類算法對預處理后圖像進行聚類分割；步驟四：為了得到輪廓完整且具有平滑邊緣的分割結果，需要對聚類結果進行后續(xù)處理：剔除非行人目標區(qū)域和小面積區(qū)域，并平滑邊緣。
【專利說明】一種利用改進模糊聚類算法提取紅外行人目標的方法 【技術領域】
[0001] 本發(fā)明涉及一種利用改進模糊聚類算法提取紅外行人目標的方法，尤其是模糊聚 類技術和圖像分割技術，在各類基于圖像的應用系統(tǒng)中有廣闊的應用前景，屬于數(shù)字圖像 處理領域。 【【背景技術】】
[0002] 圖像分割就是把圖像分成若干個特定的、具有特殊性質的區(qū)域并提取出所需要的 感興趣目標的過程。它是由圖像處理到圖像分析的關鍵步驟。圖像分割也是為了進一步對 圖像進行分析、識別、跟蹤、理解等，分割結果的好壞將直接影響后續(xù)任務的準確性，如何快 速、有效地將感興趣的目標從復雜的背景中分割出來，具有十分重要的意義?，F(xiàn)有的圖像分 割方法主要分以下幾類:基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法 以及基于特定理論的分割方法等。由于目標紅外圖像具有低對比度、低信噪比、邊緣模糊及 無紋理特征等特點，針對紅外圖像的這一特點，采用模糊聚類的方法對紅外圖像進行分割 具有一定的優(yōu)勢。"模糊"即為"不確定"，模糊聚類能夠很好地克服圖像分割中像素點分類 不確定的問題。
[0003] 在使用模糊聚類方法進行圖像分割方面，研究者提出了許多方法。其中應用較廣 泛的就是模糊C均值算法，模糊C均值(FCM)算法(參見文獻:J. C.鄧恩.一種和ISODATA算法 相關的模糊圖像處理方法及其應用于檢測緊湊易分離聚類.控制論學報，1973,3(3) :32-57.(J.C.Dunn.A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters[J].Journal of Cybernetics,1973,3(3):32-57.)) 由J.C.Dunn提出并經(jīng)Bezdek推廣，是一種基于目標函數(shù)優(yōu)化的聚類算法。但模糊C均值算法 收斂速度慢，且認為像素點都是孤立的，算法并未考慮任何空間信息，導致該算法對噪聲敏 感。在此基礎上，很多人對FCM算法進行了研究，提出了許多改進的算法，例如Ahmed等人提 出了加入空間信息的改進算法FCM_S算法(參見文獻:穆罕默德· N ·艾哈邁德，薩邁赫?亞 馬尼，內(nèi)文?穆罕默德等人.一種用于偏置場估計得改進模糊C均值算法和其應用于MRI圖 像分害Ij · IEEE醫(yī)學影像學· 21卷· 193-199，2002 · (M.Ahmed，S.Yamany ,N.Mohamed,A.Farag， and T.Moriarty,uA modified fuzzy C-means algorithm for bias field estimation and segmentation of MRI data,''IEEE Trans.Med.Imag.，vol.21，pp.193-199,2002·))， 在此基礎上Chen和Zhang提出了 兩種變種算法FCM_S1和FCM_S2(參見文獻:陳松燦， 張道強.一種穩(wěn)定的基于核函數(shù)的結合空間信息模糊C均值圖像分割算法.IEEE系統(tǒng)控制處 理匯刊.34卷.1907-1916，2004. (S. Chen and D. Zhang, "Robust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure，" IEEE Trans · Syst · ,Man,Cybern.，vol ·34，pp· I9O7-I9I6，2〇〇 4·))，針對FCM算法 迭代速度慢的問題，Sz i Iagy i等人提出了能夠加快迭代速度的EnFCM算法(參見文獻:西拉 吉，貝尼奧等人.一種改進的模糊C均值算法及其用于核磁共振腦部圖像分割.第25屆IEEE 醫(yī)學生物工程年度國際會議，2003,17-2 l.(L· Szilagyi，Z · Benyo，S · Szi lagyii ,and H. Adam,uMR brain image segmentation using an enhanced fuzzy C-means algorithm,"in Proc.25th Annu.Int.Conf. IEEE EMBS,2003,pp.17-21.)),Stelios Krinidis和VassiIios Chatzis提出的加入了局部空間信息和灰度信息的FLICM算法(參見 文獻:斯泰利奧斯，瓦西利斯.一種結合局部空間信息的穩(wěn)定的改進模糊C均值算法.美國電 氣電子工程師學會圖像處理匯刊.19,1328-1337,2010年5月.（S. Krinidi s and V.Chatzis,A robust fuzzy local information c-means clustering algorithm,IEEE Trans · Imag.Process ·)，vol · 19，no· 5，pp· 1328-1337,May 2010·)等等。
[0004] 在提出的算法中，各算法都有各自的優(yōu)點，也都有各自的不足，但抗噪性和分割結 果方面都有了明顯的改善。在紅外圖像中，行人目標的輪廓特征和幾何對稱性特征十分明 顯，在此基礎上為了能夠有效地提取出行人目標，本發(fā)明提出了一種使用改進的模糊聚類 算法提取紅外圖像中行人目標的方法。 【
【發(fā)明內(nèi)容】
】
[0005] 1、目的:模糊聚類技術以一種有效的圖像分割技術，但傳統(tǒng)的模糊C均值算法并未 考慮任何空間信息，導致該算法對噪聲敏感。并且該算法中僅僅以圖像的灰度特征為分類 依據(jù)，有時候并不能理想地完成分割任務。
[0006] 為了解決上述問題并彌補傳統(tǒng)方法的不足，本發(fā)明提供了一種使用改進的模糊聚 類算法提取紅外圖像中行人目標的方法，該方法首先采用顯著性算法和模糊C均值算法確 定圖像中行人對稱軸所在位置，再使用形態(tài)學運算對圖像進行預處理，然后采用改進的模 糊聚類算法對圖像進行聚類分割，改進的算法中考慮了圖像的空間信息和行人的幾何對稱 性信息，因此抗噪性和分割質量都有了明顯的提高。
[0007] 2、技術方案:為了實現(xiàn)這個目的，本發(fā)明的技術方案如下，首先利用顯著性算法和 模糊C均值算法檢測紅外圖像中行人目標的對稱軸位置;然后，通過對原圖循環(huán)進行閉運算 操作來減小紅外圖像中的灰度不均勻對聚類過程的影響；隨后，采用改進的模糊聚類算法 對紅外圖像進行聚類分割，得到聚類結果;最后，對聚類結果進一步處理，剔除小面積區(qū)域 和非目標區(qū)域，同時對聚類結果進行閉運算使得到的結果邊緣更為平滑，輪廓更為完整。從 而達到提取紅外圖像中行人目標的目的。
[0008] 本發(fā)明是一種利用改進模糊聚類算法提取紅外行人目標的方法，該方法具體步驟 如下：
[0009] 步驟一:檢測行人目標對稱軸所在位置。首先使用顯著性算法得到目標所在的大 致區(qū)域，然后使用模糊C均值算法對目標所在區(qū)域進行初分類，通過對初分類結果圖像的每 一列求和，得到列求和曲線，然后求該曲線的極值，認為極值所在位置即為行人的對稱軸位 置。
[0010] 其中，步驟一還包括如下步驟：
[0011] 1.1采用Xiaodi Hou和Jonathan Harel提出的基于圖像簽名的顯著性方法，該方 法提取顯著圖的過程中所用的梯度算子為Sobel算子。
[0012] 1.2對得到的顯著圖進行閾值分割，閾值分割的方法為大津閾值法，將得到的二值 圖像與原圖相乘，得到只含有行人區(qū)域的圖像。
[0013] 1.3對步驟1.2中得到的行人區(qū)域圖像采用模糊C均值算法進行初始分類。
[0014] 1.4對步驟1.3中得到的分類結果進行列求和，得到求和曲線，并對該曲線進行平 滑處理，得到平滑曲線。
[0015] 1.5對步驟1.4中得到的平滑曲線尋找其極值所在的位置，極值所在的位置為行人 對稱軸的位置，同時記錄下對稱軸在原圖中的位置。
[0016] 步驟二:為了降低紅外圖像中的灰度不均勻現(xiàn)象對聚類過程的影響，采用形態(tài)學 閉運算對原始圖像進行預處理。
[0017] 對原始圖像預處理的方法如下：
[0018] 2.1閉運算所用結構元素為矩形結構元素，尺寸為1X2,1為其長度，設定1初始值 為1，對原始紅外圖像進行閉運算操作。
[0019] 2.2逐漸增大結構元素尺寸，繼續(xù)進行閉運算操作。
[0020] 2.3直至結構元素的長度1滿足1 > 10，停止運算，預處理完成。
[0021] 步驟三:采用改進的模糊聚類算法對預處理后圖像進行聚類分割。改進的模糊聚 類算法目標函數(shù)如下：
[0022]
[0023 ]其中Wi j為權重系數(shù)，CXj為對稱因子，β為常數(shù)，Ns為當前像素點的對稱點的鄰域，X ' r 是該鄰域中的像素點。目標函數(shù)中各參數(shù)含義如表1所示：
[0024]表 1
[0028] (I-PKi))為拒絕度，（I-QXi))是對拒絕度的修正項，開根號是為了保持統(tǒng)一數(shù)量 級。PjQ)的計算過程如下：
[0029]
[0030]其中，Nj代表當前像素點的鄰域，ur,玳表鄰域中像素點對于第i類的隸屬度，ZA 一常數(shù)，定義如下：
[0031]
[0032]
[0033]
[0034]
[0035]
[0036]
[0037]
[0038] 其中x，y表示當前像素點的位置坐標，x'和y'為當前像素點的對稱點的位置坐標， m(x，y)表示坐標為(x，y)的像素點對于第i類的隸屬度。
[0039]對稱因子七的計算過程如下：
[0040]
[0041]
[0042]
[0043] 其中&和.γ';分別代表當前像素點及其對稱點在3X3內(nèi)的鄰域計算得到的灰度均 值，f為全圖的灰度均值，σ為全圖灰度標準差。
[0044]
[0045] Ofcire3代表行人目標的方差，Sf_代表行人的面積大小，S為全圖面積。
[0046] 可推導得隸屬度矩陣和聚類中心的迭代公式為：
[0047]
[0048]
[0049] 其中k表示類別序數(shù)，Vk代表第k類的聚類中心。
[0050] 改進算法步驟為：
[0051 ] 3.1設定類別數(shù)c，最大迭代次數(shù)T和迭代停止閾值ε。
[0052] 3.2初始化隸屬度矩陣和聚類中心。
[0053] 3.3計算對稱因子α。
[0054] 3.4計算權重系數(shù)Wij。
[0055] 3.5根據(jù)聚類中心和隸屬度矩陣的計算公式更新聚類中心和隸屬度矩陣，根據(jù)目 標函數(shù)計算公式計算目標函數(shù)J的值。
[0056] 3.6若I J(t+1 )_J(t) I <ε，則停止迭代；否則繼續(xù)進行步驟3.5。其中J代表計算得 到的目標函數(shù)的值，t代表迭代次數(shù)。
[0057] 3.7根據(jù)隸屬度最大原則進行逆模糊化，完成圖像分割。
[0058]步驟四：為了得到輪廓完整且具有平滑邊緣的分割結果，需要對聚類結果進行后 續(xù)處理:剔除非行人目標區(qū)域和小面積區(qū)域，并平滑邊緣。本方法中采用形態(tài)學運算來完成 后續(xù)處理工作。
[0059]后續(xù)處理包括四個方面的內(nèi)容：
[0060] 4.1將分割結果中的非閉合區(qū)域剔除。
[0061 ] 4.2將連通域面積小于某個值的區(qū)域剔除，面積閾值設為10。
[0062] 4.3對4.2所得結果進行閉運算，閉運算結構元素為正方形，大小為4。
[0063] 4.4根據(jù)之前記錄下的對稱軸的位置，將處理后的圖像放回到原圖中的位置。
[0064] 3、優(yōu)點及功效:傳統(tǒng)的模糊C均值算法認為像素點是孤立的，且并未考慮任何空間 信息，導致傳統(tǒng)模糊C均值算法容易受到噪聲影響，不能夠得到理想的分割效果。本發(fā)明提 出的改進模糊聚類算法中引入了圖像的空間信息及幾何對稱信息，提高了算法的抗噪性 能，改善了分割結果。引入對稱性信息可有效運用紅外行人的特征，因此針對紅外行人目標 的提取可以得到更好的分割結果，具有廣闊的市場前景與應用價值。 【【附圖說明】】
[0065] 圖1為本發(fā)明使用改進的模糊聚類算法提取紅外圖像中行人目標的方法的原理框 圖。
[0066] 圖2a是本發(fā)明檢測紅外圖像行人對稱軸位置的過程的原圖。
[0067] 圖2b是本發(fā)明檢測紅外圖像行人對稱軸位置的過程的顯著圖。
[0068] 圖2c是本發(fā)明檢測紅外圖像行人對稱軸位置的過程的列求和曲線。
[0069] 圖2d是本發(fā)明檢測紅外圖像行人對稱軸位置的過程的對稱軸檢測結果。
[0070] 圖3a是本發(fā)明采用形態(tài)學運算對圖像進行預處理過程的原圖。
[0071]圖3b是本發(fā)明采用形態(tài)學運算對圖像進行預處理過程的預處理結果圖。
[0072] 圖4a是本發(fā)明應用于紅外圖像的分割結果的原圖。
[0073] 圖4b是本發(fā)明應用于紅外圖像的分割結果的原圖。
[0074] 圖4c是本發(fā)明應用于紅外圖像的分割結果的聚類結果圖。
[0075] 圖4d是本發(fā)明應用于紅外圖像的分割結果的聚類結果圖。
[0076]圖5a是本發(fā)明后續(xù)處理過程的聚類結果圖。
[0077]圖5b是本發(fā)明后續(xù)處理過程的聚類結果圖。
[0078]圖5c是本發(fā)明后續(xù)處理過程的最終分割結果圖。
[0079]圖5d是本發(fā)明后續(xù)處理過程的最終分割結果圖。
[0080]圖5e是本發(fā)明后續(xù)處理過程的聚類結果圖。
[0081]圖5f是本發(fā)明后續(xù)處理過程的聚類結果圖。
[0082]圖5g是本發(fā)明后續(xù)處理過程的最終分割結果圖。
[0083]圖5h是本發(fā)明后續(xù)處理過程的最終分割結果圖。
[0084] 圖6a是本發(fā)明分割結果和原圖的對比圖的原圖。
[0085] 圖6b是本發(fā)明分割結果和原圖的對比圖的分割結果。
[0086] 圖6c是本發(fā)明分割結果和原圖的對比圖的原圖。
[0087]圖6d是本發(fā)明分割結果和原圖的對比圖的分割結果。
[0088] 圖6e是本發(fā)明分割結果和原圖的對比圖的原圖。
[0089] 圖6f是本發(fā)明分割結果和原圖的對比圖的分割結果。 【【具體實施方式】】
[0090] 為了更好地理解本發(fā)明的技術方案，以下結合附圖對本發(fā)明的實施方式作進一步 描述。
[0091] 本發(fā)明的原理框圖如圖1所示，本發(fā)明的具體實施步驟如下：
[0092] 步驟一：由于改進算法中需用到行人對稱性，因此檢測紅外圖像中行人目標對稱 軸的位置是首先要進行的工作。行人對稱軸的檢測方法如下：
[0093] 1)首先使用顯著性方法確定行人大致位置，本發(fā)明采用Xiaodi Hou和Jonathan Harel等人(參見文獻:侯曉迪，喬納森·哈雷爾，克里斯托弗?科赫.圖像簽名：突出稀疏顯 著區(qū)域.美國電氣電子工程師學會模式分析與機器智能匯刊.34( 1)2012,194-201. (X.D.Hou,J.Harel,C.Koch,Image signature:highlighting sparse salient regions, IEEE Trans .Pattern Anal .Mach. Intell .34( I )(2012) 194-201·))提出的基于圖像簽名的 顯著性方法，該方法提取顯著圖的過程中所用的梯度算子為Sobel算子。
[0094] 2)對得到的顯著圖進行閾值分割，閾值分割的方法為大津閾值法，將得到的二值 圖像與原圖相乘，得到只含有行人區(qū)域的圖像。
[0095] 3)對步驟2)中得到的行人區(qū)域圖像采用模糊C均值進行初始分類。
[0096] 4)對步驟3)中得到的分類結果進行列求和，得到求和曲線，并對該曲線進行平滑 處理，得到平滑曲線。
[0097] 5)對步驟4)中得到的平滑曲線尋找其極值所在的位置，認為是行人對稱軸的位 置，同時記錄下對稱軸在原圖中的位置。
[0098]圖2a為原圖，圖2b為對應的顯著圖，圖2c為得到的列求和曲線，圖2d為對稱軸檢測 結果。
[0099]步驟二:紅外圖像中的行人目標并不全是高亮區(qū)域，目標灰度不均勻，這會對后面 的聚類過程產(chǎn)生影響，因此需要對圖像進行預處理來減小該影響。
[0100]在本發(fā)明中對圖像預處理的方法如下：
[0101 ] 1)閉運算所用結構元素為矩形結構元素，尺寸為I X 2，1為其長度，設定1初始值為 I，對原始紅外圖像進行閉運算操作。
[0102] 2)逐漸增大結構元素尺寸，繼續(xù)進行閉運算操作。
[0103] 3)直至結構元素的長度1滿足1> 10,停止運算，預處理完成。
[0104]在預處理過程中本發(fā)明采用矩形結構元素，尺寸大小為I X2,其中1為整數(shù)，且滿 足1彡10〇
[0105] 圖3a和圖3b中給出了預處理前后的對比圖。
[0106]步驟三:采用改進的模糊聚類算法對預處理后的圖像進行聚類分割。改進模糊聚 類算法目標函數(shù)如下：
[0107]
[0108]其中Wij為權重系數(shù)，CXj為對稱因子，β為常數(shù)，Ns為當前像素點的對稱點的鄰域，X' r 是該鄰域中的像素點，目標函數(shù)中各參數(shù)含義如表2所示：
[0109]表2
[0113] (I-PKi))為拒絕度，（I-QXi))是對拒絕度的修正項，開根號是為了保持統(tǒng)一數(shù)量 級。PjQ)的計算過程如下：
[0114]
[0115] 其中，Nj代表當前像素點的鄰域，ur>1代表鄰域中像素點對于第i類的隸屬度，Z 1* 一常數(shù)，定義如下：
[0116]
[0117] QXi)的計算過程如下：
[0118] Qj(i) = exp(-Ej(i))/Z
[0119] 其中Z是一常數(shù)，定義如下：
[0120]
[0121]
[0122]
[0123] 其中x，y表示當前像素點的位置坐標，x'和y'為當前像素點的對稱點的位置坐標， m(x，y)表示坐標為(x，y)的像素點對于第i類的隸屬度。
[0124] 對稱因子A的計算過程如下：
[0125]
[0126]
[0127]
[0128] 其中&和必分別代表當前像素點及其對稱點在3X3內(nèi)的鄰域計算得到的灰度均 值，f為全圖的灰度均值，σ為全圖灰度標準差。
[0129]
[0130] 其中Ofcire3代表行人目標的方差，Sf_代表行人的面積大小，S為全圖面積。[0131] 可推導得隸屬度矩陣和聚類中心的佚代公式為：
[0132]
[0133]
[0134] 其中k表示類別序數(shù)，Vk代表第k類的聚類中心。
[0135] 改進算法步驟為：
[0136] 1)設定類別數(shù)c，最大迭代次數(shù)和迭代停止閾值ε。
[0137] 2)初始化隸屬度矩陣和聚類中心。
[0138] 3)計算對稱因子α。
[0139] 4)計算權重系數(shù)Wij。
[0140] 5)根據(jù)聚類中心和隸屬度矩陣的計算公式更新聚類中心和隸屬度矩陣，根據(jù)目標 函數(shù)計算公式計算目標函數(shù)的值。
[0141] 6)若|j(t+l)_j(t)|<e，則停止迭代；否則繼續(xù)進行步驟5)。其中J代表計算得到 的目標函數(shù)的值，t代表迭代次數(shù)。
[0142] 7)根據(jù)隸屬度最大原則進行逆模糊化，完成圖像分割。
[0143] 圖4a、圖4b、圖4c和圖4d給出了原圖和聚類結果圖。
[0144] 步驟四：聚類結果的后續(xù)處理。后續(xù)處理包括四個方面的內(nèi)容：
[0145] 1)將分割結果中的非閉合區(qū)域剔除。
[0146] 2)將連通域面積小于某個值的區(qū)域剔除，面積閾值設為10
[0147] 3)對2)所得結果進行閉運算，閉運算結構元素為正方形，大小為4。
[0148] 4)根據(jù)之前記錄下的對稱軸的位置，將處理后的圖像放回到原圖中的位置。
[0149] 圖5a、圖5b、圖5c、圖5d、圖5e、圖5f、圖5g和圖5h給出了后續(xù)處理前后的對比圖。
[0150] 為了展示本發(fā)明的效果，圖6a、圖6b、圖6c、圖6d、圖6e和圖6f給出了原圖和分割結 果的對比圖，由分割結果可以看出，采用改進的模糊聚類算法得到的分割結果能夠很好地 保持行人目標的完整輪廓，能夠取得較好的分割結果，很好地將對稱性信息引入到模糊聚 類算法中，事實上，對于并不具有嚴格對稱性的行人目標同樣能夠取得很好地分割效果。
【主權項】
1. 一種利用改進模糊聚類算法提取紅外行人目標的方法，其特征在于，該方法具體步 驟如下： 步驟一:檢測行人目標對稱軸所在位置;首先使用顯著性算法得到目標所在的區(qū)域，然 后使用模糊C均值算法對目標所在區(qū)域進行初分類，通過對初分類結果圖像的每一列求和， 得到列求和曲線，然后求該曲線的極值，認為極值所在位置即為行人的對稱軸位置； 步驟二：為了降低紅外圖像中的灰度不均勻現(xiàn)象對聚類過程的影響，采用形態(tài)學閉運 算對原始圖像進行預處理； 步驟三:采用改進的模糊聚類算法對預處理后圖像進行聚類分割； 步驟四：為了得到輪廓完整且具有平滑邊緣的分割結果，需要對聚類結果進行后續(xù)處 理:剔除非行人目標區(qū)域和小面積區(qū)域，并平滑邊緣。2. 根據(jù)權利要求1所述的一種利用改進模糊聚類算法提取紅外行人目標的方法，其特 征在于:步驟一還包括如下步驟： 1.1采用Xiaodi Hou和Jonathan Harel提出的基于圖像簽名的顯著性方法，該方法提 取顯著圖的過程中所用的梯度算子為Sobel算子； 1.2對得到的顯著圖進行閾值分割，將得到的二值圖像與原圖相乘，得到只含有行人區(qū) 域的圖像； 1.3對步驟1.2中得到的行人區(qū)域圖像采用模糊C均值算法進行初始分類； 1.4對步驟1.3中得到的分類結果進行列求和，得到求和曲線，并對該曲線進行平滑處 理，得到平滑曲線； 1.5對步驟1.4中得到的平滑曲線尋找其極值所在的位置，極值所在的位置為行人對稱 軸的位置，同時記錄下對稱軸在原圖中的位置。3. 根據(jù)權利要求1所述的一種利用改進模糊聚類算法提取紅外行人目標的方法，其特 征在于:步驟二中，對原始圖像預處理的方法如下： 2.1形態(tài)學閉運算所用結構元素為矩形結構元素，尺寸為1X2,1為其長度，設定1初始 值為1，對原始紅外圖像進行閉運算操作； 2.2逐漸增大結構元素尺寸，繼續(xù)進行閉運算操作； 2.3直至結構元素的長度1滿足1 > 10，停止運算，預處理完成。4. 根據(jù)權利要求1所述的一種利用改進模糊聚類算法提取紅外行人目標的方法，其特 征在于:步驟三中，改進的模糊聚類算法目標函數(shù)如下：其中Wij為權重系數(shù)，a」為對稱因子，β為常數(shù)，Ns為當前像素點的對稱點的鄰域，X ' r是該 鄰域中的像素點;N為像素點總數(shù);j為像素點位置坐標;c為類別總數(shù);i為類別序數(shù);Uij為第 j個像素點相對于第i類的隸屬度;Vl為第i類的聚類中心;m為模糊因子;X溈第j個像素點的 像素值;N s為鏡像點的鄰域;X ' r為鏡像點鄰域像素值； 其中：(l-Pj(i))為拒絕度，（1-QKi))是對拒絕度的修正項，開根號是為了保持統(tǒng)一數(shù)量級； Pj(i)的計算過程如下：其中，Nj代表當前像素點的鄰域，Ur,i代表鄰域中像素點對于第i類的隸屬度，Zi為一常 數(shù)，定義如下：Qj(i)的計算過程如下： Qj(i)=exp(-Ej(i))/Z 其中Z是一常數(shù)，定義如下Ej (i)表示一種能量函數(shù)，其計算過程如下：其中X，y表示當前像素點的位置坐標，X '和y '為當前像素點的對稱點的位置坐標，m (X， y)表示坐標為(x，y)的像素點對于第i類的隸屬度； 對稱因子^的計算過程如下：其中&和<分別代表當前像素點及其對稱點在3X3內(nèi)的鄰域計算得到的灰度均值，f為 J J 全圖的灰度均值，σ為全圖灰度標準差；Ofg代表行人目標的方差，&_代表行人的面積大小，S為全圖面積； 得到隸屬度矩陣和聚類中心的迭代公式為： 其中k表示類別序數(shù)，Vk代表第k類的聚類中心；改進算法步驟為： 3.1設定類別數(shù)c，最大迭代次數(shù)T和迭代停止閾值ε ; 3.2初始化隸屬度矩陣和聚類中心； 3.3計算對稱因子α; 3.4計算權重系數(shù)1」； 3.5根據(jù)聚類中心和隸屬度矩陣的計算公式更新聚類中心和隸屬度矩陣，根據(jù)目標函 數(shù)計算公式計算目標函數(shù)J的值； 3.6若| J( t+1 )_J(t) | < ε，則停止迭代；否則繼續(xù)進行步驟3.5;其中J代表計算得到的 目標函數(shù)的值，t代表迭代次數(shù)； 3.7根據(jù)隸屬度最大原則進行逆模糊化，完成圖像分割。5. 根據(jù)權利要求1所述的一種利用改進模糊聚類算法提取紅外行人目標的方法，其特 征在于:步驟四中，采用形態(tài)學運算來完成后續(xù)處理工作； 4.1將分割結果中的非閉合區(qū)域剔除； 4.2將連通域面積小于某個值的區(qū)域剔除； 4.3對步驟4.2所得結果進行閉運算； 4.4根據(jù)記錄下的對稱軸的位置，將處理后的圖像放回到原圖中的位置。6. 根據(jù)權利要求2所述的一種利用改進模糊聚類算法提取紅外行人目標的方法，其特 征在于:閾值分割的方法為大津閾值法。7. 根據(jù)權利要求5所述的一種利用改進模糊聚類算法提取紅外行人目標的方法，其特 征在于:步驟4.2中連通域面積的面積閾值設為10。8. 根據(jù)權利要求5所述的一種利用改進模糊聚類算法提取紅外行人目標的方法，其特 征在于:步驟4.3中進行閉運算得到的閉運算結構元素為正方形，大小為4。
【文檔編號】G06K9/62GK106056581SQ201610343256
【公開日】2016年10月26日
【申請日】2016年5月23日
【發(fā)明人】白相志, 王英帆
【申請人】北京航空航天大學