水下强噪音图像目标分割方法研究外文翻译

毕业论文（设计）外文翻译水下强噪声图像目标分割方法研究学 生 姓 名： 柳玉刚 指导教师： 李 响 讲师 专业名称： 电子信息工程 所在学院： 信息工程学院 2013年 4 月 基于优化PSO直方图加权模糊C均值的一种快速水下光学图像分割算法摘要：水下图片的信噪比是低的而且有模糊边缘，如果使用传统的方法直接处理，结果不能令人满意的。尽管传统的模糊C均值算法有时可以将图片划分为物体和背景，但它耗时的计算往往是个障碍。水下自主式交通工具（AUV）系统的使命是快速、准确地处理对象的信息，有关对象在复杂环境下供AUV使用已经获取的结果，用于执行下一个任务。因此，因此，通过使用灰度图像的直方图的统计特征，提出了一个快速和有效的模糊C-均值水下图像分割算法。随着加权直方图修改模糊资格，与传统算法相比，上述算法不仅可以在计算过程中削减大量的数据处理和存储，从而加速分割效率，同时也提高了水下图像分割的质量。最后，正弦函数描述的粒子群优化算法（PSO），被引入到上述算法中。它弥补了FCM算法不能取得全域最优解的不足。此外，一方面，它考虑到对全域的影响和局部最优解，另一方面还大大提高了计算速度。实验结果表明，新算法可以达到更好的分割质量和每张图片处理所需的更短时间。它们提高了效率并满足高效、实时AUV的要求。关键词：水下图像，图像分割，水下自主式交通工具（AUV），灰度直方图，模糊C-均值，实时有效性，正弦函数，粒子群优化算法（PSO）一、简介海洋富含矿物资源、生物资源和能源。在21世纪，人类正面临人口、资源和环境这三大问题的挑战。陆地空间和资源有限，因此海洋将逐渐变为重要的国家战略目标。许多沿海国家，特别是西方工业发达国家和中国，正在发展水下自主式交通工具（AUV）用来探索海域和海床服务调查。在三维空间的水下目标检测、搜索、识别是实现智能操作的关键。因此，计算机可视系统尤其重要，而且图像信息处理容量是水下交通工具动态感应环境的关键，快速定位和追踪物体也是完成水下调研和AUV操作的基础任务。水下图像对不同的噪声和其它的干扰很敏感，举个例子：水下弱光条件会导致水下图像错误的细节，比如，自身阴影，假的轮廓，等等。作为聚光源，搜索灯光使光照强度呈现巨大偏差。照明在中心最强，沿半径方向逐渐弱化，这导致了不均等的图像背景灰度。在水下，可视性较低，透明度只有空气中的千分之一，并且，水自己本身吸收光、散射光，这将低信噪比和模糊细节。同时，水中各种悬浮颗粒的散射和对光波的吸收也会在捕捉水下图像时导致严重的灰度效果。此外，水的影响和摄像机镜头的摇晃和其它因素也导致图像失真。更重要的是，考虑到图像形成过程，图像采集是从二维图像到三维图像的测绘。综上所述，可以说，图像本身具有很强的模糊性。图像分割是计算机可视研究领域的经典研究课题之一。水下图像分割是AUV图像分析、理解和视觉识别技术的前提，也是水下图像处理的难题之一。在当前分割中，由于阈值法它的简洁和稳定，成为图像分割基本技巧之一。传统的FCM算法通过最小化目标方程取得最佳解。因为基于目标函数的群集过程是通过迭代步骤找到极限点和存在目标函数的大量极限值，此外，不正确的初始化可能会导致该算法收敛到局部极值并且不能取得最佳解。所以在本文中，通过使用灰度图像直方图的统计特性，提出了一种快速有效的FCM水下图像分割方法，通过加权直方图修改模糊资格，不仅能在传统算法的计算过程中删减大量的数据处理和存储以加快分割效率，而且提高了水下图像分割的质量。然后，由正弦函数描述的粒子群优化算法（PSO）被引入到上面提及的算法中。它弥补了FCM算法不能取得全域最优解的不足，另一方面，还极大地提高了计算速度和达到（AUV）高实时有效性的需求。这篇文章的目的是在确保分割质量的前提下，改善实时分割和大大降低计算时的数据量，它也是其它改进的FCM算法有价值的参考。二、水下图像分割传统的FCM算法 FCM聚类分割算法的中心思想是根据加权相似性来衡量像素和聚类中心，迭代优化目标函数已确定最佳的聚类。通过这个实现：在L H图像中（L和H待变相关图像的宽度和高度），根据加权资格隶属度n（n=L H）属于每个C聚类中心的图像中的像素，当目标函数最小时，迭代地优化目标函数来获得模糊划分矩阵U和类中心矩阵V。目标函数为：通过拉格朗日乘数法，建立等式1的一个必要条件可以推导出：这种典型的FCM图像分割是为了通过迭代搜寻最优聚类中心和隶属度来获得最小目标函数。三、直方图加权FCM聚类算法（HWFCM）1、算法描述通过分析FCM算法，可以发现影响计算时间一个主要因素是聚类中心的更新频率太低。在FCM算法中，每个聚类中心的更新必须等到所有输入模式完成遍历。当它用在图像分割中，因为图像的采样数据数量非常大（每个图像尺寸为768576，数量为442 368），计算就十分耗时。因此，根据水下图像的特性，我们提出了一种快速的FCM分割算法。在迭代处理中，通过采集图像强度直方图的统计特性作为隶属度的权重，目标函数的最优解可以得到。因此，它减少了FCM迭代过程大量的数据存储而且加速了收敛速度。对于一个图像（n = L H），f（x, y）是图像在（x, y）位置的灰度值，f 0,1,.,I 1，I是所有系列灰度图像的数量。定义灰度图像直方图为h(j),因此一个加权直方图修改的成员为：相应的聚类中心：新的目标函数为： 3、2进一步完善模糊隶属度上面提及的新算法隶属度的值是在0-1之间，这表明每个数据都属于一个不同隶属度的类。这些隶属度的值影响迭代过程的收敛速度。因此我们在这里给出一个方程，能扩大隶属度的最大程度并且进一步降低隶属度。设j样本属于o_类别通过最大隶属度，除此之外，隶属度完善的表达式为：通过以上的方程，我们可以发现：如果隶属度的最大值小，那么它的系数就相反地增大，确实是事实。所以方程式可以满足扩大隶属度最大值和降低其它隶属度的要求。四、最快的HWFCM算法模糊C均值聚类算法是个局部搜索算法，它对初始值非常敏感。初始值的不正确选择很可能导致在局部最小点处收敛。在解决空间上，粒子群优化算法（PSO）并不局限于一个点，而是一群点，同时地这些点可以避免落入局部解中。所以PSO是一种动态基于人口的进化计算科技，表现出很强的收敛，容易完成没有多余的参数设置。PSO中每个粒子都是解空间的解，它通过自己和同伴的飞行经历调整自己的飞行。每个粒子飞行时经历的最好地方是粒子本身的最优解，也被叫做个体极值（最佳 P），在本文中由每个类（最佳 C）的极值替代。由整个群体经历过的最佳位置，就是整个群体当前所得的最优解，也叫最佳g。粒子群优化算法将会更新粒子速度和位置，由接下来的等式10和等式11可见。埃伯哈特和施（2000）通过研究发现，在等式（10）中，为大时，该算法将有较强的全域搜索能力和当的变小时，算法趋于局部搜索。可得知，通过从最大到最小地迭代值，我们可以得到更好的搜索结果，这首先集中于全域的搜索，然后提高局部搜索的能力。因此，为了克服模糊C均值过分依赖于初始值并且太容易变为局部最小值的缺点，由单一方程描述的粒子群优化算法被引入到HWFCM算法用于水下图像分割。等式11和等式12如下所示：五、实验结果和讨论为了验证提及的两种分割算法的准确性和实时有效性，将他们应用到水下图像分割并且将他们和传统的FCM分割算法相比较。在装有XP操作系统的电脑上，主频为2.60GHz，内存为2G。对中具有代表性的三个人造物体在泳池中拍摄，三菱形、球形、四菱形（图像尺寸为768576），分别采用本文提及的两种算法和传统的FCM算法用来分割。这里，聚类中心C为2，加权指数m为3，组数为30，学习因子1 C为2.8，2为1.3；同时，让迭代的最大数I为25，最大上升速度系数为0.3。通过HWFCM算法和PSO修改的HWFCM算法的全面比较，可知:当进行球体分割时，内部细节和结果的轮廓几乎没有差别。用于三菱形和四菱形时，图像上部分有一点噪音。但是水下目标分割的目的是为了获得整体轮廓，所以，上面提及的差距可以忽略。鉴于考虑到计算速度和分割质量两个因素，PSO修改的HWFCM方法更具有价值。六、总结在这篇文章中，有代表性的三个人造物体在池中拍摄，通过对模糊C均值算法和充分利用灰度图像直方图的统计特性进行分析，提出一种快速有效的模糊聚类算法。根据水下图像的特性，我们给出一些参数和修改过的隶属度矩阵和聚类中心矩阵，这不仅减少了传统算法计算过程中数据处理和存储，从而也加快了分割效率，并且也改善了水下图像分割的质量。然后，由正弦函数描述的粒子群优化算法（PSO）被引入到上述算法中。通过修改位置的更新和PSO算法中的速度增量，改善全局范围的优化搜索，使这种方法可以克服模糊C均值聚类算法过度依赖于初始值并且容易变为局部最小值的缺点。除此之外，计算速度进一步大幅提升，实验结果表明，对水下三个目标使用这篇文章中提及的算法，相对于传统的FCM算法，能够获得更好的分割质量，而且平均计算速度至少是前者10倍。总之，在保证分割质量前提之下