[发明专利]利用改进模糊聚类算法提取灰度不均匀红外行人的方法

摘要

本发明涉及一种利用改进模糊聚类算法提取灰度不均匀红外行人的方法，步骤一：确定行人大致区域；步骤二：采用改进的模糊聚类算法对红外图像进行聚类分割；改进的模糊聚类算法目标函数如下：步骤三：为了提取红外行人目标，需要对聚类结果进行后续处理：剔除非行人目标区域；聚类结果为二值图像，计算二值图像中每个连通域的长宽比，剔除长宽比不符合行人长宽比范围的连通域。本发明从在目标函数中加入正则项以考虑像素点和邻域的相似性和像素点和聚类中心的相似性；对于邻域窗口尺寸进行了扩展，考虑更多邻域信息；能够较好地分割灰度不均匀红外行人目标；具有广阔的市场前景与应用价值。

主权项

1.一种利用改进模糊聚类算法提取灰度不均匀红外行人的方法，特征在于：该方法具体步骤如下：步骤一：确定行人大致区域；采用显著性算法得到红外图像的显著图，通过对显著图进行阈值分割得到行人大致位置；1.1采用基于图像签名的显著性方法产生红外图像的显著图，该方法提取显著图的过程中所用的梯度算子为Sobel算子；1.2采用大津阈值法对显著图分割，分割结果为二值图像；根据分割结果中不为0的区域确定红外行人在原图中的大致区域，得到行人区域的图像，即待分割区域；步骤二：采用改进的模糊聚类算法对红外图像进行聚类分割；改进的模糊聚类算法目标函数如下：其中，N为像素点总数，j为像素点位置坐标，c为类别总数，i为类别序数，u_ij为第j个像素点相对于第i类的隶属度，v_i为第i类的聚类中心，m为模糊因子，W_ij为权重系数，x_j为第j个像素点的像素值，x_r为邻域像素点，N_j为当前像素点的邻域，β_r为邻域相似系数，f_r为空间距离权重系数；权重系数W_ij的计算过程如下：W_ij＝(M_ij×G_ij)/ZM_ij为隶属度约束，G_ij为图像灰度特征约束，Z为归一化常数；其中M_ij，G_ij及Z的计算过程如下：M_ij＝exp(‑(u_i1×u_i2+u_i3×u_i4))G_ij＝1‑exp(‑I_j×g_i)^1/ig_i＝exp(‑a_i²)其中，u_i1和u_i2代表4邻域中竖直方向邻域像素点对于第i类的隶属度，u_i3和u_i4代表4邻域中水平方向邻域像素点对于第i类的隶属度，N_j代表当前像素点的邻域，x_r为邻域像素点，a_i为所有属于第i类的像素点的灰度均值，Z起到归一化作用；f_r和β_r的计算过程定义如下：其中，s_rj表示邻域像素点x_r与中心像素点x_j的空间距离，N_r为邻域像素点x_r的邻域，x_rn为N_r中的像素点；因此，可以推导出，x_r与x_j的空间距离越小，相似性越大，则f_r和β_r越大，即邻域像素点对中心像素点的影响越大；可推导得隶属度矩阵和聚类中心的迭代公式为：其中v_k代表第k类的聚类中心；则，改进算法步骤为：2.1定义c为分类类别数，T为最大迭代次数，ε为迭代停止阈值；2.2对隶属度U和聚类中心V进行初始化；2.3根据计算公式更新权重系数W_ij的值；2.4由迭代公式计算聚类中心和隶属度矩阵，计算目标函数J的值；2.5若|J(t+1)‑J(t)|＜ε，则停止迭代，进行步骤2.6；否则继续进行步骤2.4，直至满足迭代停止条件；其中J代表计算得到的目标函数的值，t代表迭代次数；2.6去模糊化，完成红外图像行人分割；步骤三：为了提取红外行人目标，需要对聚类结果进行后续处理：剔除非行人目标区域；聚类结果为二值图像，计算聚类结果中每个连通域的长宽比，剔除长宽比不符合行人长宽比范围的连通域。