基于改進的K-means聚類算法水下圖像邊緣檢測

1、.基于改進的K-means聚類算法水下圖像邊緣檢測-電氣論文基于改進的K-means聚類算法水下圖像邊緣檢測 趙鳳嬌，賀月姣（中國海洋大學(xué)信息科學(xué)與工程學(xué)院，山東青島266100）摘要：邊緣檢測被廣泛用于圖像分析與處理中，由于水的吸收和散射效應(yīng)，傳統(tǒng)的邊緣檢測算法對于水下圖像得不到較好的效果。在此應(yīng)用一種新的方法來得到較準(zhǔn)確的水下圖像邊緣，首先，將原始圖像使用暗原色先驗算法進行處理得到較清晰的水下圖像；然后，使用梯度幅值邊緣檢測算法檢測出初始邊緣，在初始邊緣上檢測出端點，使用改進的K?means聚類算法對端點進行分類，從而確定背景和目標(biāo)灰度值接近的區(qū)域作為窗口；最后，在窗口內(nèi)使用梯度幅值檢測邊

2、緣，通過多個窗口的并集得到最終邊緣。實驗結(jié)果表明，邊緣檢測效果得到明顯的改善。關(guān)鍵詞：邊緣檢測；暗原色先驗；圖像分析；K?means中圖分類號：TN911.73?34 文獻(xiàn)標(biāo)識碼：A 文章編號：1004?373X（2015）20?0089?03圖像邊緣檢測是圖像處理與分析中最基礎(chǔ)的內(nèi)容之一，被廣泛用于特征描述、圖像分割、圖像增強、模式識別以及圖像壓縮等。因此，邊緣檢測在圖像處理與分析中成為一個研究熱點，新的理論和方法不斷地被提出。目前經(jīng)常使用的算法有Roberts，Sobel，Prewitt，LoG，Canny，Kirsch等，但這些經(jīng)典的邊緣檢測方法不能很好地用于水下圖像。本文使用一種改進的

3、邊緣檢測算法來得到較準(zhǔn)確的水下圖像邊緣。1 圖像處理：暗原色先驗由于水體對光的吸收效應(yīng)和散射效應(yīng)使得水下圖像有嚴(yán)重的非均勻亮度和細(xì)節(jié)模糊、信噪比很低、對比度明顯變差，因而水下圖像極不理想。本文使用暗原色先驗方法得到相對清晰地原始圖像。1.1 水下光的物理特性根據(jù)McCartney model1，圖像模型如下：I (x) = J (x)t(x) + A1 - t(x) （1）式中：I 為輸入的場景圖像；J 為場景輻射率；A 為大氣光成分；t 為光線透射率。透射率t 可表示為： 式中：a 為吸收系數(shù)；b 為散射系數(shù)；d（x）是景物深度。1.2 暗原色先驗根據(jù)Hes research2，該理論認(rèn)為：

4、在絕大多數(shù)戶外無霧圖像的局部區(qū)域里，至少存在一些像素，其一個顏色通道的強度值很低。He統(tǒng)計了5 000多幅圖像，暗原色通道的統(tǒng)計結(jié)果如圖1 所示。大約75%的暗原色通道的像素值為0，90%的像素值低于0.25。1.3 暗原色先驗算法算法流程圖3如圖2 所示。在水下圖像中，限定的局部區(qū)域內(nèi)存在至少一個顏色通道的強度值很低，假設(shè)這個區(qū)域為（x），則水下圖像J 的暗原色可表示為： Jc表示一個顏色通道的亮度值，表示以x 為中心的一個區(qū)域。 估計透射率（t x）： 式（4）右側(cè)由于水下圖像暗原色接近于0，因此得出（t x）為： 式中： 是一個常數(shù)（0 1）。復(fù)原后圖像為： 式中：T 為設(shè)定的最低閾值，

5、應(yīng)用水下光學(xué)理論確定A的值。2 邊緣檢測2.1 初始邊緣檢測首先使用Sobel4算法檢測出初始邊緣，將邊緣細(xì)化5為一個像素。將細(xì)化后的邊緣作為初始邊緣并記為einit。2.2 端點標(biāo)記端點標(biāo)記算法：（1）取初始二值邊緣einit 上的一個像素值為1 的邊緣像素點Q；（2）將該像素點的8 鄰域內(nèi)的像素值按照順序展開成一維數(shù)組，并在該一維數(shù)組中尋找模式“01”個數(shù)C；（3）將當(dāng)前像素點的值Q 和C 做“與”運算，若計算結(jié)果為1，則說明該點是端點，否則不是；（4）取下一個沒有檢測過的的邊緣點，循環(huán)執(zhí)行步驟（2）與步驟（3），直到所有邊緣點被檢測完。2.3 確定窗口大小使用K?means聚類算法6對檢

6、測出的N 個端點進行分類，假設(shè)初始邊緣端點為（x1，y1），（x2，y2），（xN，yN），使用改進的K?means聚類算法將N 個邊緣端點分成k 類，若第i（i=1，2，k）個分類的集合為Ci = (x1i ,y1i),(x2i ,y2i),(xni ,yni) ，則第i 個窗口上下左右邊界分別為： K?means算法的基本思想是初始隨機給定k 個聚類中心，按照最鄰近原則把待分類樣本點分到各個聚類中。然后按平均法重新計算各個聚類的質(zhì)心，從而確定新的聚類中心。一直迭代，直到類心的移動距離小于某個給定的值。根據(jù)Tou and Gonzalez7傳統(tǒng)K?means算法步驟如下：（1）選取k 個初始

7、聚類中心z1 （1），z2 （1），zk （1）。（2）計算每個點到聚類中心的距離，將每個點聚類到離該點最近的聚類中去，即若|x - zj (k)| |x - zi (k)| ，則x Cj ( ) k , j = 1,2, ,k ; ij; Cj （k）表示聚類中心為zj （k）的樣本集。（3）重新計算聚類中心zj（k+1）： 式中：Nj表示樣本集Cj （k）的樣本個數(shù)。（4）如果zj (k + 1) = zj (k), j = 1,2, ,k ，停止迭代；否則轉(zhuǎn)到步驟（2）。改進的聚類算法8：傳統(tǒng)的K?means聚類算法要求必須先給出分類個數(shù)k，然后隨機選取k 個對象作為初始聚類中心，并且算

8、法對初始值敏感，對于不同的初始值，可能會導(dǎo)致不同的聚類結(jié)果。本文對傳統(tǒng)的K?means算法進行改進，通過計算得出較好的聚類個數(shù)與聚類中心，改進步驟如下：（1）將分類端點轉(zhuǎn)換為7個不同維數(shù)的二維矩陣；（2）計算每一維數(shù)矩陣的平均值，平均值相同的舍去其中一個，然后將平均值升序排序；（3）平均值個數(shù)與平均值分別作為聚類個數(shù)與聚類中心。2.4 獲取最終邊緣將初始邊緣基礎(chǔ)上找到的聚類區(qū)域映射到原始圖像，然后對原始圖像中的相應(yīng)區(qū)域使用梯度幅值邊緣檢測算法監(jiān)測區(qū)域內(nèi)的邊緣，可得到區(qū)域內(nèi)較好的邊緣效果；若要得到整幅圖像的邊緣，則只需要將每個區(qū)域的邊緣和初始邊緣求并集即可。假設(shè)第i 個窗口內(nèi)檢測到的邊緣為ei，

9、則將初始邊緣和每個窗口區(qū)域內(nèi)的邊緣求并集即可得到最終的邊緣e，即。3 實驗結(jié)果在海洋實驗中，獲得圖片如圖3（a）所示，經(jīng)過暗原色先驗算法進行處理過的圖像如圖3（b）所示。經(jīng)過So?bel，Canny9，Prewitt10和改進算法所得到的邊緣圖像如圖3（c）（f）所示。實驗結(jié)果顯示，Sobel和Prewitt算法均不能獲得相對較完整的圖像邊緣，Canny算法可以得到完整的邊緣，可是存在太多的冗余邊緣，細(xì)節(jié)較多。本文算法相比于傳統(tǒng)算法有較大改善，不但去除了很多不必要的冗余，而且可檢測到相對完整的邊緣。4 結(jié)論本文提出了一種新方法用于處理水下不清晰圖像，并獲得相對較完整的邊緣。實驗結(jié)果顯示暗原色先

10、驗算法可以有效的去除后向散射噪聲，增強圖像的分辨率和對比度。傳統(tǒng)的邊緣檢測方法對于檢測水下圖像邊緣效果不理想，改進的算法可以檢測出相對完整的邊緣。 參考文獻(xiàn)1 MATTIS M P，PESKIN M E. Systematics of N scattering in chi?ral soliton models J. Physical Review D，1985，32（1）：58?62.2 HE K，SUN J，TANG X. Single image haze removal using dark channel prior J. IEEE Transactions on Pattern A

11、nalysis and Machine Intelligence，2011，33（12）：2341?2353.3 WANG Z，ZHENG B，TIAN W. New approach for underwater image denoise combining inhomogeneous illumination and dark channel prior C/ Proceedings of Oceans ? St. S.l.： IEEE，2013：111?116.4 ZHAO Jingdong，ZHAO Jingxiu. An improved self?adaptable al?gor

12、ithm of edge?detection based on the gradient magnitudeJ.Optoelectronic Technology，2009，2：5?10.5 ZHANG T Y，SUEN C Y. A fast parallel algorithm for thinning digital patterns J. Communications of the ACM， 1984， 27（3）：236?239.6 VASSILVITSKII S. K ? Means：algorithms，analyses，experi?mentsM. Stanford，CA USA：Stanford University，2007.7 TOU J T，GONZALEZ R C. Pattern recognition principles M.S.l.：Addison?Wesley Publishing Company，1974.8 SAMMA A S B，SALAM R A. Adaptation of K?means algo?rithm for image segmentation J. World Academy of Science，Engineering and Technology，2009，50：58?62.9 王植，賀賽