水下強(qiáng)噪音圖像目標(biāo)分割方法研究外文翻譯

畢業(yè)論文（設(shè)計(jì)）外文翻譯水下強(qiáng)噪聲圖像目標(biāo)分割方法研究學(xué) 生 姓 名： 柳玉剛 指導(dǎo)教師： 李 響 講師 專業(yè)名稱： 電子信息工程 所在學(xué)院： 信息工程學(xué)院 2013年 4 月 基于優(yōu)化PSO直方圖加權(quán)模糊C均值的一種快速水下光學(xué)圖像分割算法摘要：水下圖片的信噪比是低的而且有模糊邊緣，如果使用傳統(tǒng)的方法直接處理，結(jié)果不能令人滿意的。盡管傳統(tǒng)的模糊C均值算法有時(shí)可以將圖片劃分為物體和背景，但它耗時(shí)的計(jì)算往往是個(gè)障礙。水下自主式交通工具（AUV）系統(tǒng)的使命是快速、準(zhǔn)確地處理對象的信息，有關(guān)對象在復(fù)雜環(huán)境下供AUV使用已經(jīng)獲取的結(jié)果，用于執(zhí)行下一個(gè)任務(wù)。因此，因此，通過使用灰度圖像的直方圖的統(tǒng)計(jì)特征，提出了一個(gè)快速和有效的模糊C-均值水下圖像分割算法。隨著加權(quán)直方圖修改模糊資格，與傳統(tǒng)算法相比，上述算法不僅可以在計(jì)算過程中削減大量的數(shù)據(jù)處理和存儲(chǔ)，從而加速分割效率，同時(shí)也提高了水下圖像分割的質(zhì)量。最后，正弦函數(shù)描述的粒子群優(yōu)化算法（PSO），被引入到上述算法中。它彌補(bǔ)了FCM算法不能取得全域最優(yōu)解的不足。此外，一方面，它考慮到對全域的影響和局部最優(yōu)解，另一方面還大大提高了計(jì)算速度。實(shí)驗(yàn)結(jié)果表明，新算法可以達(dá)到更好的分割質(zhì)量和每張圖片處理所需的更短時(shí)間。它們提高了效率并滿足高效、實(shí)時(shí)AUV的要求。關(guān)鍵詞：水下圖像，圖像分割，水下自主式交通工具（AUV），灰度直方圖，模糊C-均值，實(shí)時(shí)有效性，正弦函數(shù)，粒子群優(yōu)化算法（PSO）一、簡介海洋富含礦物資源、生物資源和能源。在21世紀(jì)，人類正面臨人口、資源和環(huán)境這三大問題的挑戰(zhàn)。陸地空間和資源有限，因此海洋將逐漸變?yōu)橹匾膰覒?zhàn)略目標(biāo)。許多沿海國家，特別是西方工業(yè)發(fā)達(dá)國家和中國，正在發(fā)展水下自主式交通工具（AUV）用來探索海域和海床服務(wù)調(diào)查。在三維空間的水下目標(biāo)檢測、搜索、識別是實(shí)現(xiàn)智能操作的關(guān)鍵。因此，計(jì)算機(jī)可視系統(tǒng)尤其重要，而且圖像信息處理容量是水下交通工具動(dòng)態(tài)感應(yīng)環(huán)境的關(guān)鍵，快速定位和追蹤物體也是完成水下調(diào)研和AUV操作的基礎(chǔ)任務(wù)。水下圖像對不同的噪聲和其它的干擾很敏感，舉個(gè)例子：水下弱光條件會(huì)導(dǎo)致水下圖像錯(cuò)誤的細(xì)節(jié)，比如，自身陰影，假的輪廓，等等。作為聚光源，搜索燈光使光照強(qiáng)度呈現(xiàn)巨大偏差。照明在中心最強(qiáng)，沿半徑方向逐漸弱化，這導(dǎo)致了不均等的圖像背景灰度。在水下，可視性較低，透明度只有空氣中的千分之一，并且，水自己本身吸收光、散射光，這將低信噪比和模糊細(xì)節(jié)。同時(shí)，水中各種懸浮顆粒的散射和對光波的吸收也會(huì)在捕捉水下圖像時(shí)導(dǎo)致嚴(yán)重的灰度效果。此外，水的影響和攝像機(jī)鏡頭的搖晃和其它因素也導(dǎo)致圖像失真。更重要的是，考慮到圖像形成過程，圖像采集是從二維圖像到三維圖像的測繪。綜上所述，可以說，圖像本身具有很強(qiáng)的模糊性。圖像分割是計(jì)算機(jī)可視研究領(lǐng)域的經(jīng)典研究課題之一。水下圖像分割是AUV圖像分析、理解和視覺識別技術(shù)的前提，也是水下圖像處理的難題之一。在當(dāng)前分割中，由于閾值法它的簡潔和穩(wěn)定，成為圖像分割基本技巧之一。傳統(tǒng)的FCM算法通過最小化目標(biāo)方程取得最佳解。因?yàn)榛谀繕?biāo)函數(shù)的群集過程是通過迭代步驟找到極限點(diǎn)和存在目標(biāo)函數(shù)的大量極限值，此外，不正確的初始化可能會(huì)導(dǎo)致該算法收斂到局部極值并且不能取得最佳解。所以在本文中，通過使用灰度圖像直方圖的統(tǒng)計(jì)特性，提出了一種快速有效的FCM水下圖像分割方法，通過加權(quán)直方圖修改模糊資格，不僅能在傳統(tǒng)算法的計(jì)算過程中刪減大量的數(shù)據(jù)處理和存儲(chǔ)以加快分割效率，而且提高了水下圖像分割的質(zhì)量。然后，由正弦函數(shù)描述的粒子群優(yōu)化算法（PSO）被引入到上面提及的算法中。它彌補(bǔ)了FCM算法不能取得全域最優(yōu)解的不足，另一方面，還極大地提高了計(jì)算速度和達(dá)到（AUV）高實(shí)時(shí)有效性的需求。這篇文章的目的是在確保分割質(zhì)量的前提下，改善實(shí)時(shí)分割和大大降低計(jì)算時(shí)的數(shù)據(jù)量，它也是其它改進(jìn)的FCM算法有價(jià)值的參考。二、水下圖像分割傳統(tǒng)的FCM算法 FCM聚類分割算法的中心思想是根據(jù)加權(quán)相似性來衡量像素和聚類中心，迭代優(yōu)化目標(biāo)函數(shù)已確定最佳的聚類。通過這個(gè)實(shí)現(xiàn)：在L H圖像中（L和H待變相關(guān)圖像的寬度和高度），根據(jù)加權(quán)資格隸屬度n（n=L H）屬于每個(gè)C聚類中心的圖像中的像素，當(dāng)目標(biāo)函數(shù)最小時(shí)，迭代地優(yōu)化目標(biāo)函數(shù)來獲得模糊劃分矩陣U和類中心矩陣V。目標(biāo)函數(shù)為：通過拉格朗日乘數(shù)法，建立等式1的一個(gè)必要條件可以推導(dǎo)出：這種典型的FCM圖像分割是為了通過迭代搜尋最優(yōu)聚類中心和隸屬度來獲得最小目標(biāo)函數(shù)。三、直方圖加權(quán)FCM聚類算法（HWFCM）1、算法描述通過分析FCM算法，可以發(fā)現(xiàn)影響計(jì)算時(shí)間一個(gè)主要因素是聚類中心的更新頻率太低。在FCM算法中，每個(gè)聚類中心的更新必須等到所有輸入模式完成遍歷。當(dāng)它用在圖像分割中，因?yàn)閳D像的采樣數(shù)據(jù)數(shù)量非常大（每個(gè)圖像尺寸為768576，數(shù)量為442 368），計(jì)算就十分耗時(shí)。因此，根據(jù)水下圖像的特性，我們提出了一種快速的FCM分割算法。在迭代處理中，通過采集圖像強(qiáng)度直方圖的統(tǒng)計(jì)特性作為隸屬度的權(quán)重，目標(biāo)函數(shù)的最優(yōu)解可以得到。因此，它減少了FCM迭代過程大量的數(shù)據(jù)存儲(chǔ)而且加速了收斂速度。對于一個(gè)圖像（n = L H），f（x, y）是圖像在（x, y）位置的灰度值，f 0,1,.,I 1，I是所有系列灰度圖像的數(shù)量。定義灰度圖像直方圖為h(j),因此一個(gè)加權(quán)直方圖修改的成員為：相應(yīng)的聚類中心：新的目標(biāo)函數(shù)為： 3、2進(jìn)一步完善模糊隸屬度上面提及的新算法隸屬度的值是在0-1之間，這表明每個(gè)數(shù)據(jù)都屬于一個(gè)不同隸屬度的類。這些隸屬度的值影響迭代過程的收斂速度。因此我們在這里給出一個(gè)方程，能擴(kuò)大隸屬度的最大程度并且進(jìn)一步降低隸屬度。設(shè)j樣本屬于o_類別通過最大隸屬度，除此之外，隸屬度完善的表達(dá)式為：通過以上的方程，我們可以發(fā)現(xiàn)：如果隸屬度的最大值小，那么它的系數(shù)就相反地增大，確實(shí)是事實(shí)。所以方程式可以滿足擴(kuò)大隸屬度最大值和降低其它隸屬度的要求。四、最快的HWFCM算法模糊C均值聚類算法是個(gè)局部搜索算法，它對初始值非常敏感。初始值的不正確選擇很可能導(dǎo)致在局部最小點(diǎn)處收斂。在解決空間上，粒子群優(yōu)化算法（PSO）并不局限于一個(gè)點(diǎn)，而是一群點(diǎn)，同時(shí)地這些點(diǎn)可以避免落入局部解中。所以PSO是一種動(dòng)態(tài)基于人口的進(jìn)化計(jì)算科技，表現(xiàn)出很強(qiáng)的收斂，容易完成沒有多余的參數(shù)設(shè)置。PSO中每個(gè)粒子都是解空間的解，它通過自己和同伴的飛行經(jīng)歷調(diào)整自己的飛行。每個(gè)粒子飛行時(shí)經(jīng)歷的最好地方是粒子本身的最優(yōu)解，也被叫做個(gè)體極值（最佳 P），在本文中由每個(gè)類（最佳 C）的極值替代。由整個(gè)群體經(jīng)歷過的最佳位置，就是整個(gè)群體當(dāng)前所得的最優(yōu)解，也叫最佳g。粒子群優(yōu)化算法將會(huì)更新粒子速度和位置，由接下來的等式10和等式11可見。埃伯哈特和施（2000）通過研究發(fā)現(xiàn)，在等式（10）中，為大時(shí)，該算法將有較強(qiáng)的全域搜索能力和當(dāng)?shù)淖冃r(shí)，算法趨于局部搜索?？傻弥ㄟ^從最大到最小地迭代值，我們可以得到更好的搜索結(jié)果，這首先集中于全域的搜索，然后提高局部搜索的能力。因此，為了克服模糊C均值過分依賴于初始值并且太容易變?yōu)榫植孔钚≈档娜秉c(diǎn)，由單一方程描述的粒子群優(yōu)化算法被引入到HWFCM算法用于水下圖像分割。等式11和等式12如下所示：五、實(shí)驗(yàn)結(jié)果和討論為了驗(yàn)證提及的兩種分割算法的準(zhǔn)確性和實(shí)時(shí)有效性，將他們應(yīng)用到水下圖像分割并且將他們和傳統(tǒng)的FCM分割算法相比較。在裝有XP操作系統(tǒng)的電腦上，主頻為2.60GHz，內(nèi)存為2G。對中具有代表性的三個(gè)人造物體在泳池中拍攝，三菱形、球形、四菱形（圖像尺寸為768576），分別采用本文提及的兩種算法和傳統(tǒng)的FCM算法用來分割。這里，聚類中心C為2，加權(quán)指數(shù)m為3，組數(shù)為30，學(xué)習(xí)因子1 C為2.8，2為1.3；同時(shí)，讓迭代的最大數(shù)I為25，最大上升速度系數(shù)為0.3。通過HWFCM算法和PSO修改的HWFCM算法的全面比較，可知:當(dāng)進(jìn)行球體分割時(shí)，內(nèi)部細(xì)節(jié)和結(jié)果的輪廓幾乎沒有差別。用于三菱形和四菱形時(shí)，圖像上部分有一點(diǎn)噪音。但是水下目標(biāo)分割的目的是為了獲得整體輪廓，所以，上面提及的差距可以忽略。鑒于考慮到計(jì)算速度和分割質(zhì)量兩個(gè)因素，PSO修改的HWFCM方法更具有價(jià)值。六、總結(jié)在這篇文章中，有代表性的三個(gè)人造物體在池中拍攝，通過對模糊C均值算法和充分利用灰度圖像直方圖的統(tǒng)計(jì)特性進(jìn)行分析，提出一種快速有效的模糊聚類算法。根據(jù)水下圖像的特性，我們給出一些參數(shù)和修改過的隸屬度矩陣和聚類中心矩陣，這不僅減少了傳統(tǒng)算法計(jì)算過程中數(shù)據(jù)處理和存儲(chǔ)，從而也加快了分割效率，并且也改善了水下圖像分割的質(zhì)量。然后，由正弦函數(shù)描述的粒子群優(yōu)化算法（PSO）被引入到上述算法中。通過修改位置的更新和PSO算法中的速度增量，改善全局范圍的優(yōu)化搜索，使這種方法可以克服模糊C均值聚類算法過度依賴于初始值并且容易變?yōu)榫植孔钚≈档娜秉c(diǎn)。除此之外，計(jì)算速度進(jìn)一步大幅提升，實(shí)驗(yàn)結(jié)果表明，對水下三個(gè)目標(biāo)使用這篇文章中提及的算法，相對于傳統(tǒng)的FCM算法，能夠獲得更好的分割質(zhì)量，而且平均計(jì)算速度至少是前者10倍。總之，在保證分割質(zhì)量前提之下