一种基于最小树聚类的红外多目标分割方法
【专利摘要】本发明涉及一种基于最小树聚类的红外多目标分割方法,其特征在于:采用背景差分法和形态学操作预处理图像,得到目标区域和背景区域分离的二值化图像;二值图像中所有目标区域的像素点均匀采样和最近邻划分将目标区域像素初始划分成各个小类;以各个小类为顶点,以L1范数和高斯核函数计算得到的类间间距为边长构造一棵最小树;计算得到的边长阈值并切割最小树长边,得到最终的聚类结果,剔除孤立点和噪声点,剩余每一类为一个目标;在原始红外图像上用十字叉标示各个目标形心,用矩形框标示各个目标空间范围。
【专利说明】一种基于最小树聚类的红外多目标分割方法
【技术领域】
[0001] 本发明属于图像处理和机器视觉领域,涉及一种基于最小树聚类的红外多目标分 割方法。
【背景技术】
[0002] 红外图像中的目标分割包括两层含义,一个是将目标的像素和背景像素分割开 来,另一个是将属于不同目标的像素之间分割开来。将目标像素从背景像素中分离出来采 用了比较成熟的背景差分法,待检测图像与背景差别较大的区域认为是目标区域。
[0003] 本发明采用聚类的方法将属于不同目标的像素分割开来。聚类是将一个没有类 别标示的数据集根据每个对象的属性特征划分成几个子集的过程,使同一个子集内部对象 之间的相似性比较高,不同子集之间对象的相似性比较低。现有的一些聚类方法可能存在 下面几点缺陷:一是初始值的选取问题,如K均值聚类和K中心点聚类需要确定聚类个数k 和初始聚类中心,无法做到参数自适应;二是效率问题,如cure聚类、DBSCAN聚类和最小生 成树聚类等在处理大数据集时十分耗时,无法满足实时性;三是识别非球形簇的能力,K均 值等基于最近邻准则划分的方法无法识别非球形分布的簇;四是对孤立点和噪声点敏感的 问题,孤立点和噪声点会严重影响聚类结果,使聚类中心发生较大的偏移。因为待检测的红 外图像中的目标个数以及各个目标的形状事先是不确定的,所以存在上面所述初始值选取 和识别非球形簇的问题。因为背景的轻微变化或者传感器的噪声干扰使目标区域分割不 准确,所以存在对孤立点或噪声点敏感的问题。另外,分割出的目标区域可能包含很多像 素点,所以也存在对大数据集处理效率的问题。文献《基于最小树切割的自适应聚类方法》 (见《北京工业大学学报》2007年第33卷第3期,P :331-336,作者:李玉鑑)中提出了一种 基于最小树切割的自适应聚类方法,将空间中每个点作为最小树顶点,将两个顶点的欧氏 距离作为边长,然后自适应计算阈值切割最小树长边进行聚类,这种方法如果用于红外多 目标分割会存在各种缺陷。首先,将各个空间像素点作为对象集参与聚类,当目标面积较大 时构造最小树的计算量太大,影响处理的实时性;另外,采用欧式距离也不能准确衡量目标 区域各个像素点之间的距离,导致经典的自适应阈值分割方法不能很好的识别长边。本发 明的特征在于针对上述问题做出一系列的改进。
【发明内容】
[0004] 本发明的目的在于根据红外图像中目标像素的分布特征,针对一些现有聚类方法 存在的缺陷,提出一种L1范数和高斯核函数改进的最小树聚类方法,完成对红外图像中多 目标的分割,解决现有一些聚类方法在分割多个红外目标时存在的初始值选取、非球形簇 识别、噪声点干扰以及处理大数据集效率低下的问题。
[0005] 实现本发明所述方法主要包含下面的关键技术。
[0006] 1、采用背景重构、背景差分、阈值分割以及形态学操作等一系列方法处理图像,得 到背景区域和目标区域分离的二值化图像。主要包含以下内容。
[0007] (1)采集一组序列图像,对于每个像素点在时间上取中值得到一幅不包含任何目 标的背景图像。
[0008] (2)采集待检测的图像,与背景图像对应像素相减取绝对值得到差分图像,计算差 分图像灰度阈值,阈值分割将图像转化为二值图像。灰度阈值的计算及阈值分割的方法按 下式进行。
[0009]
【权利要求】
1. 一种基于最小树聚类的红外多目标分割方法,其特征在于步骤如下: 采用背景差分法和形态学操作预处理图像,得到目标区域和背景区域分离的二值化图 像;二值图像中所有目标区域的像素点均匀采样和最近邻划分将目标区域像素初始划分成 各个小类;以各个小类为顶点,以L1范数和高斯核函数计算得到的类间间距为边长构造一 棵最小树;计算得到的边长阈值并切割最小树长边,得到最终的聚类结果,剔除孤立点和噪 声点,剩余每一类为一个目标;在原始红外图像上用十字叉标示各个目标形心,用矩形框标 示各个目标空间范围。
2. 如权利要求1所述的一种基于最小树聚类的红外多目标分割方法,其特征在于:采 用均匀采样和最近邻划分将目标区域的像素初始划分成各个小类的操作过程如下: 设集合Z,开始时Z是一个空集;按照从左到右从上到下的顺序扫描二值图中所有灰度 值为255的点,将第一个点加入到集合Z中,下一个距离这个点大于2的点作为第二点加入 到集合Z中;在扫描到某一个点时,如果这个点距离集合Z中所有的点距离都大于2,则将 这个点作为新的点加入到集合Z中;当扫描过图像中所有灰度值为255的点后,假设集合Z 中有k个点,则这k个点分别代表k个小类;最后将二值图中所有灰度值为255的点以这k 个点为中心按照最近邻准则划分到k个小类中,从而完成对目标区域像素的初始划分。
3. 如权利要求1所述的一种基于最小树聚类的红外多目标分割方法,其特征在于:采 用L1范数和高斯核函数计算k个小类两两之间的类间间距的方法如下: 将初始划分得到的k个小类作为k个顶点,这里的一个顶点实际是一个包含多个像素 点的集合,采用L1范数和高斯核函数计算两个小类的类间间距作为两个顶点之间的边长; 假设存在A和B两个小类,A中包含m个像素点,B中包含η个像素点,则顶点A和顶点B对 应的边长为L AB的计算方法用下式表示: 〔D 2、 LM=l-exp 一一 L σ ) 式中,σ是一个常数(本发明中〇取值为2),DAB是Α和Β两个集合中距离最近两个 点的L1范数;DAB的计算方法如下式所示: Dab = min(|^iJ -^1 + \yf - yBj ) i = l,2,...,m;j = 1,2,...,n 其中,(xAi,yAi) (i = 1,2,· · · ,m)表示集合 A 中 m个点的坐标,(xBj,yBj) (j = 1,2,· · ·, n)表示集合B中n个点的坐标。
4. 如权利要求1所述的一种基于最小树聚类的红外多目标分割方法,其特征在于:构 造一棵最小树的方法如下: a、 读入k个小类作为最小树的k个顶点;设置kX k的矩阵L存储k个小类两两之间的 距离;设置(k_l) X3的矩阵tree存储最小树的顶点和边,其中矩阵一行为一个顶点,一行 的前两个元素存储顶点编号,第三个元素存储这两个顶点的边长; b、 计算k个小类两两之间的类间距离并存入L,L的一个元素为Lab(A= 1,2, ...k;B =1,2, ... k),计算方法用下式表示: 〔D 2、 Lm = 1 - exp--? { aJ 式中,σ是一个常数(本发明中〇取值为2),DAB是A和B两个集合中距离最近两个 点的L1范数;DAB的计算方法如下式所示: dab = -^| + \yf - y1!]) i = l,2,...,m;j = 1,2,.··,η 其中,(xAi,yAi) (i = 1,2,· · · ,m)表示集合 A 中 m个点的坐标,(xBj,yBj) (j = 1,2,· · ·, n)表示集合B中n个点的坐标; c、 从L中寻找长度最小的边L。,判断LQ是否已经存入最小树tree中;如果LQ已经存入 tree中则将L中L。的值设置为无穷大后重复本步;如果L。未存入tree则转入步骤d ; d、 将L。的两个顶点和边长存入tree,判断tree中是否已经存满;如果存满则输出最小 树tree,最小树构造完成,结束操作;如果没有存满则将L中U的值设置为无穷大后转入步 骤c。
【文档编号】G06K9/46GK104268571SQ201410490236
【公开日】2015年1月7日 申请日期:2014年9月23日 优先权日:2014年9月23日
【发明者】周慧鑫, 温志刚, 秦翰林, 李肖, 倪曼, 赵营, 钱琨, 殷宽, 王慧杰, 赖睿, 金纯 , 王炳健, 刘上乾 申请人:西安电子科技大学