专利名称：基于量子多目标聚类的遥感图像分割方法
技术领域：
本发明属于图像处理技术领域，更进一步涉及遥感图像分割技术领域的一种基于量子多目标的聚类分割方法。本发明可用于对光学遥感图像和合成孔径雷达SAR图像的分割以达到目标识别的目的。
背景技术：
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。目前，人们更多采用基于聚类分析的方法来进行图像分割。用基于聚类分析的方法分割图像是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，从而达到图像分割的目的。西安电子科技大学在其专利申请“基于分水岭-量子进化聚类算法的图像分割方法”(专利申请号200910023515. 2，公开号CN101625755A)中公开了一种分水岭初分割和量子进化聚类相结合的图像分割方法。该方法虽然能够减小普通进化聚类方法容易陷入局部最优对分割结果的影响，但仍存在的不足是，进化过程仅采用一个目标函数，导致该分割方法评价指标单一。此外，由于该方法只提取了小波特征，限制了该方法的细节保持性能及整体分割精度。为了更加准确、全面的获取图像分割信息，近几年出现了一些应用多目标聚类方法实现图像分割的技术，使不同目标函数间的互补信息得到更好的结合，达到了更好的分割结果和分割精度。西安电子科技大学在其专利申请“基于免疫多目标聚类的图像分割方法”(专利申请号201010214613. 7，公开号CN101866489A)中公开了一种基于免疫多目标聚类的图像分割方法。该方法首先对传统的免疫克隆方法进行了改进，提出了一种加入局部搜索机制的免疫方法，并对克隆种群规模进行自适应化，然后将其用于图像分割，最后通过PBM指标获得最终的图像分割结果。虽然该方法在区域一致性和边缘保持方面有一定的改善效果， 但是该方法仍然存在的不足是，由于采用了过多的进化技术，增加了整个分割过程的计算复杂度，使得分割速度较慢，同时，该方法选取的两个目标函数不恰当，其中一个目标函数包含了另外一个目标函数，这未能充分体现评价指标的多样性。
发明内容
本发明针对上述现有技术存在的不足，提出了一种基于量子多目标聚类的遥感图像分割方法。本发明通过量子计算与多目标优化结合的聚类方法来实现遥感图像分割，以解决现有图像分割技术中评价指标单一、计算复杂度高、细节保持性能不好等缺点，提高了图像分割的精度。本发明实现上述目的的思路是在对输入的图像进行特征提取和分水岭分割获得聚类数据后，先采用量子编码获得量子种群，再选取两个互补的目标函数评价聚类性能，然后用非支配排序选择以及量子旋转门进化种群，最后对聚类获得的一组非支配解解码获得类别数和类别标号，并从这组非支配解中选择一个最优个体，最优个体所对应的类别标号作为像素的灰度值，得到图像分割结果。本发明的步骤包括如下(1)输入待分割遥感图像(2)提取待分割图像特征2a)利用小波分解方法获取小波特征向量；2b)利用灰度共生矩阵方法提取纹理特征向量；2c)用小波特征向量和纹理特征向量表示待分割图像的每一个像素点；(3)产生聚类数据3a)用待分割图像的膨胀变换减去其腐蚀变换，得到形态梯度图像；3b)计算形态梯度图像与自身的点积，得到反映图像边缘的浮点活动图像；3c)用分水岭方法初分割浮点活动图像，得到不同的图像块；3e)对每一个图像块的所有像素点特征取平均值，获得代表初始聚类数据的每一块的特征值；(4)随机产生初始量子种群，完成初始化(5)获得二进制种群5a)在0到1间产生一个随机数；5b)判断随机数与量子种群中个体的幅度值的大小，如果随机数大于个体的幅度值，则二进制种群对应的位置上的值取1，否则取0 ；5c)重复步骤5a)、步骤恥)，直至观测完量子种群的每个个体的每一位，得到观测后的二进制种群；(6)计算个体适应度值按照紧凑性和连通性两个公式计算种群中的个体的适应
度值(7)非支配排序选择7a)将当前种群和其前一代的种群组成临时种群；7b)用非支配排序方法对临时种群中的个体进行排序操作获得个体的支配面值和拥挤距离值；7c)从已获得支配面值和拥挤距离值的临时种群中，依次取出具有支配面值小并且拥挤距离值大的个体组成更新后的当前种群，并从更新后的当前种群中选择支配面值为 1的个体形成非支配解集；(8)进化种群用量子旋转门方法进化种群(9)如果进化种群的次数达到使用者设定的进化代数，则执行步骤(10)，否则，执行步骤(5)；(10)分配类别标号对获得的所有非支配解解码获得类别数及类别标号；(11)产生最优个体Ila)选择使用者设定的类别数的非支配解作为候选解；lib)分别将每个候选解在两个目标函数上的适应度相加求和，选择和值最小的个体作为最优个体；lie)将最优个体所对应的类别标号作为像素的灰度值，得到图像分割结果；
(12)输出分割图像。本发明与现有技术相比具有如下优点第一，本发明由于在图像分割预处理中，采用了小波分解方法和灰度共生矩阵方法提取了小波特征向量和纹理特征向量，获得了更多的图像细节信息，解决了现有技术仅提取小波特征丢失图像细节信息的缺点，使得本发明提高了整体分割精度。第二，本发明在图像分割的聚类过程中采用了两个互补的目标函数评价聚类性能，克服了现有技术评价指标单一的缺点，使得本发明评价指标多样化，可以获得一组分割结果。第三，本发明在图像分割的前处理中采用了分水岭初分割图像获得聚类图像块， 用块的平均特征向量代表块特征，克服了现有技术直接对像素点聚类计算量大的缺点，使得本发明具有更快的分割速度。第四，本发明在图像分割的聚类过程中采用了量子编码和量子旋转门策略，通过量子状态的叠加性及并行性，能够在复杂的解空间中进行有效的搜索，克服了已有技术容易陷入局部最优影响分割结果的缺点，使得本发明可以获得更加准确的区域一致性和更好的边缘保持性能。
图1为本发明与现有技术在一幅光学遥感图像上的分割结果对比图；图2为本发明与现有技术在一幅Ku波段SAR图像上的分割结果对比图。
具体实施例方式步骤1，输入待分割遥感图像步骤2，提取待分割图像特征首先，利用小波分解方法获取小波特征向量；小波分解方法采用了对图像进行窗口大小为16X16的三层小波变换，得到由子带系数所构成的10维小波特征向量。然后，利用灰度共生矩阵方法提取纹理特征向量；灰度共生矩阵方法的步骤如下先将待处理图像量化为16个灰度级，再依次令两个像素点连线与横轴的方向夹角为0°、45°、90°和135°，按照下式分别计算四个方向的灰度共生矩阵P(i，j) = #{(Xl, Y1), (x2，y2) e MXN|f(xi; Yl) = r, f(x2, y2) = s}其中，P(i，j)为灰度共生矩阵在坐标(i，j)位置上的元素，#为集合{}的元素个数，(X1, Y1)和(X2，y2)为距离等于1的两个像素点坐标，e为集合中的属于符号，MXN为待处理图像的大小，I为概率论中的条件符号，r为(Xl，Yl)处像素点矢量化后的灰度值，s 为U2，I2)处像素点矢量化后的灰度值；然后根据灰度共生矩阵分别选取该矩阵四个方向上的对比度、同质性和能量值，获得像素的12维纹理特征向量。最后，用小波特征向量和纹理特征向量表示待分割图像的每一个像素点；每个像素点用22维特征向量表示，其中小波特征向量10维，纹理特征向量12维。
步骤3，产生聚类数据首先，用待分割图像的膨胀变换减去其腐蚀变换，得到形态梯度图像；其次，计算形态梯度图像与自身的点积，得到反映图像边缘的浮点活动图像；然后，将浮点活动图像输入分水岭，得到不同的图像块；最后，对每一个图像块的所有像素点特征取平均值，获得代表初始聚类数据的每一块的特征值；步骤4，随机产生初始量子种群，完成初始化设置种群规模N = 15、最大迭代次数Gmax = 50，当前迭代次数t = 0，随机产生
初始量子个体种群β ( ) = β 1 Q 2 nm ’Q(t)中的， (i = l，2···
L P i P 2 ... " m」OLi ,Pi
m)都以等概率l/V^进行初始化，α i为此量子位为0的概率，β ,为量子位为1的概率，满足 IaiMU2=I;步骤5，获得二进制种群先在0到1间产生一个随机数，然后判断随机数与量子种群中个体的幅度值
权利要求
1.一种基于量子多目标聚类的遥感图像分割方法，包括以下步骤(1)输入待分割遥感图像(2)提取待分割图像特征2a)利用小波分解方法获取小波特征向量；2b)利用灰度共生矩阵方法提取纹理特征向量；2c)用小波特征向量和纹理特征向量表示待分割图像的每一个像素点；(3)产生聚类数据3a)用待分割图像的膨胀变换减去其腐蚀变换，得到形态梯度图像； 3b)计算形态梯度图像与自身的点积，得到反映图像边缘的浮点活动图像； 3c)用分水岭方法初分割浮点活动图像，得到不同的图像块；3e)对每一个图像块的所有像素点特征取平均值，获得代表初始聚类数据的每一块的特征值；(4)随机产生初始量子种群，完成初始化；(5)获得二进制种群5a)在0到1间产生一个随机数；5b)判断随机数与量子种群中个体的幅度值的大小，如果随机数大于个体的幅度值，则二进制种群对应的位置上的值取1，否则取0 ；5c)重复步骤5a)、步骤恥)，直至观测完量子种群的每个个体的每一位，得到观测后的二进制种群；(6)计算个体适应度值按照紧凑性和连通性两个公式计算种群中的个体的适应度值(7)非支配排序选择7a)将当前种群和其前一代的种群组成临时种群；7b)用非支配排序方法对临时种群中的个体进行排序操作获得个体的支配面值和拥挤距离值；7c)从已获得支配面值和拥挤距离值的临时种群中，依次取出具有支配面值小并且拥挤距离值大的个体组成更新后的当前种群，并从更新后的当前种群中选择支配面值为1的个体形成非支配解集；(8)进化种群用量子旋转门方法进化种群(9)如果进化种群的次数达到使用者设定的进化代数，则执行步骤(10)，否则，执行步骤⑶；(10)分配类别标号对获得的所有非支配解解码获得类别数及类别标号；(11)产生最优个体Ila)选择使用者设定的类别数的非支配解作为候选解；lib)分别将每个候选解在两个目标函数上的适应度相加求和，选择和值最小的个体作为最优个体；lie)将最优个体所对应的类别标号作为像素的灰度值，得到图像分割结果；(12)输出分割图像。
2.根据权利要求1所述的基于量子多目标聚类的遥感图像分割方法，其特征在于，步骤2a)所述的小波分解方法采用了对图像进行窗口大小为16X16的三层小波变换，得到由子带系数所构成的10维小波特征向量。
3.根据权利要求1所述的基于量子多目标聚类的遥感图像分割方法，其特征在于，步骤2b)所述的灰度共生矩阵方法的步骤如下第1步，将待处理图像量化为16个灰度级；第2步，依次令两个像素点连线与横轴的方向夹角为0°、45°、90°和135°，按照下式分别计算四个方向的灰度共生矩阵 其中，P(i，j)为灰度共生矩阵在坐标(i，j)位置上的元素，#为集合{}的元素个数， (X1^y1)和(x2，y2)为距离等于1的两个像素点坐标，e为集合中的属于符号，MXN为待处理图像的大小，I为概率论中的条件符号，r为(Xl，yi)处像素点矢量化后的灰度值，s为U2， I2)处像素点矢量化后的灰度值；第3步，根据灰度共生矩阵分别选取该矩阵四个方向上的对比度、同质性和能量值，获得像素的12维纹理特征向量。
4.根据权利要求1所述的基于量子多目标聚类的遥感图像分割方法，其特征在于，步骤2c)所述的用小波特征向量和纹理特征向量表示待分割图像为，每个像素点用22维特征向量表示，其中小波特征向量10维，纹理特征向量12维。
5.根据权利要求1所述的基于量子多目标聚类的遥感图像分割方法，其特征在于，步骤(4)所述的初始化量子种群为以等概率1/V^初始化量子种群。
6.根据权利要求1所述的基于量子多目标聚类的遥感图像分割方法，其特征在于，步骤(6)所述的聚类紧凑性公式为
7.根据权利要求1所述的基于量子多目标聚类的遥感图像分割方法，其特征在于，步骤(6)所述的聚类连通性公式为 m L
8.根据权利要求1所述的基于量子多目标聚类的遥感图像分割方法，其特征在于，步骤7b)所述的非支配排序方法的具体步骤是第1步，计算临时种群个体的支配关系，找出其中的非支配个体，令这些非支配个体的支配面值为1，并保留1为当前支配面值；第2步，从临时种群中删除已找到的非支配个体，获得剩余临时种群，再计算剩余临时种群个体的支配关系，找出非支配个体，令这些非支配个体的支配面值为当前支配面值加.1，并使当前支配面值自加1;第3步，重复第2步，直到计算出所有个体的支配面值；第4步，用拥挤距离公式计算每个支配面上的个体的拥挤距离。
9.根据权利要求1所述的基于量子多目标聚类的遥感图像分割方法，其特征在于，步骤(8)所述的量子旋转门方法的具体步骤是第1步，对更新后的当前种群的每一个基本量子位，查找量子旋转门变异角θ的变化表，获得旋转的角度△第2步，根据得到的旋转角度△ Qi，计算出新的量子位Xi mw:Xinew = XiXU(A θ,)其中，Xi—为进化后的量子位；Xi为更新后的当前种群的一个基本量子位；υ(Δ θ》为量子门变换矩阵， /(Δ0,.)= . ‘〉二 ； Δ Qi为旋转角度。
10.根据权利要求1所述的基于量子多目标聚类的遥感图像分割方法，其特征在于，步骤(10)所述解码的具体步骤是第1步，从步骤(7)形成的非支配解集中，依次找出每一个非支配解对应的二进制个体中为1的位数，此位数就是类别数，1所在位置对应的数据点就是聚类中心；第2步，计算聚类数据中每一个数据点到各个聚类中心的欧式距离，其中最短欧式距离所在的聚类中心号就是该数据点的类别标号；第3步，重复第1步、第2步，直到获得所有非支配解的类别数和类别标号；第4步，将类别标号赋给相应图像块的每一个像素。
全文摘要
一种基于量子多目标聚类的遥感图像分割方法，主要解决现有图像分割技术中评价指标单一、计算复杂度高、分割效果不好的问题。其实现步骤为(1)输入待分割遥感图像；(2)提取待分割图像特征；(3)产生聚类数据；(4)随机产生初始量子种群，完成初始化；(5)获得二进制种群；(6)计算个体适应度值；(7)非支配排序选择；(8)进化种群；(9)判断是否满足终止条件；(10)分配类别标号；(11)产生最优个体；(12)输出分割图像。本发明提取图像每个像素的特征，通过量子计算与多目标优化结合的聚类方法实现遥感图像分割，具有分割精度高、边缘定位准确的优点，可用于对复杂图像的分割。
文档编号G06T5/00GK102567963SQ20111035601
公开日2012年7月11日 申请日期2011年11月10日 优先权日2011年11月10日
发明者于昕, 公茂果, 冯士霞, 刘芳, 尚荣华, 李阳阳, 焦李成, 马文萍 申请人:西安电子科技大学