下载掌阅APP，畅读海量书库
立即打开
图像分割就是将图像按某种属性将图像分隔开，除了对自然图像的分割，还有对合成孔径雷达（Synthetic Aperture Radar，SAR）图像的分割。因为SAR成像克服了光学成像受天气和光照条件的影响，且具有一定的穿透探测能力，所以应用于众多领域，如军事侦察、地质勘探、城市变迁等。
对于SAR图像的分割，Cook研究了基于矩特征的区域融合分割方法；Ives提出了SAR图像的像素的分割方法；Derin研究了基于复信号的SAR图像分割；Dong和Forster等利用MRF完成了雷达图像的分割；Lemarechal研究了基于形态学的SAR图像分割；Venkatachalam和Choi提出了基于子波域的隐马尔可夫（Markov）模型的SAR图像分割的方法。
图像分割中最经典的方法就是阈值分割法，即简单地用一个或几个阈值将图像的灰度直方图分成几类，认为图像中灰度值在同一灰度类内的像素属于同一类物体。人们已经提出了许多阈值的选择方法，如Otsu通过最大化类间方差与类内方差之比来选择门限；Nakagawa和Rosenfeld假设目标像元和背景像元均服从正态分布，但二者的均值和方差不同，在此前提下，他们通过最小化总体错误分类的概率来选择门限；Kapur等提出了最佳熵阈值方法（KSW法），此方法不需要先验知识，而且对于非理想双峰直方图的图像也可以进行较好的分割，但是此方法在进行阈值确定时，特别是确定多阈值时，计算量非常大。
遗传算法结合阈值分割法进行SAR图像分割，一般分为单阈值分割和双阈值分割。算法流程图可参考图1.1。遗传算法输出的结果是阈值，输出的阈值即可以用来分割图像。
编码与解码：由于图像的灰度值在0～255之间，所以将各个染色体编码为8位的二进制数，每个染色体代表一个分割阈值。群体初始化可以采用随机生成的方法。解码就是将8位二进制码解译成一个十进制的灰度值。
适应度函数：选择一个确定阈值的公式，如上述提到的最大化类间方差与类内方差之比，Kapur提出的最佳熵阈值法公式等。
遗传算子：交叉和变异均是用来生成新的个体，增加种群多样性，简单的有单点交叉和单点变异等，在遗传算法中选择使用大的交叉概率和小的变异概率，一般变异概率小于0.1。
选择：用于选出新种群中的优秀个体保留到下一代循环中，常用的方法有轮盘赌法、竞标赛选择等，一般选择得到的种群规模与初始规模一致。
终止条件：为算法设置最大代数用来停止算法。
与单阈值分割的不同之处在于编码方式与适应度函数的不同，编码是一串16位的二进制码，前8位用来表示一个阈值，后8位表示另一个阈值。解码也是将前8位和后8位分别译码成两个灰度值。适应度函数也要选择可以解决双阈值分割的适应度函数。
图像增强的目的是增强感兴趣部分或想要强调的部分，使模糊的图像清晰化。常用的处理方法可以分为空域法和频域法两大类。空域法就是直接对图像灰度值进行处理，使图像原本的灰度值发生变化，具体的变换方法由想要增强的目的决定。频域法是通过将图像变化到频域后进行处理，再将处理好的图像恢复到空域，来实现图像增强，在频域内常用的增强方法有低通滤波、高通滤波等。
图1.30所示的流程以空域法描述遗传算法在图像增强上的应用。
将输入图像的最低灰度值定义为 I min ，最高灰度值定义为 I max ，其满足0≤ I min ≤ I max ≤255，进行图像增强后的灰度值规范为0～255。输入图像用 f （ x ， y ）表示，增强后的图像用 g （ x ， y ）表示，其映射关系如图1.31（a）所示。
为了方便对染色体进行编码和遗传操作，编码方式选择二进制编码。根据上述定义，输入图像的灰度区间为 I max - I min ，因此染色体长度 n = I max - I min +1，最终将其将定义为 P j =（ b 1 ， b 2 ，…， b n ）。
对染色体 p j 进行译码，首先构造函数图1.4中右图的灰度映射函数 B ，其构造公式如下：
图1.30 遗传算法用于空域法的图像增强流程图
图1.31 输入与输出图像灰度值映射关系
其中， i 表示灰度值；函数 B 即为染色体 p j 对应的灰度映射关系，由式（1-12）可以看出不同的二进制码会构造出不同的映射关系，满足算法设计要求。最终由 B 映射得到灰度值的计算公式：
其中， O （ i ）为灰度值 i 映射后的灰度值； B max 是函数 B 的最大值。
用优化函数评价图像增强的质量是一种客观评价方法，函数的最优结果不一定与人的视觉效果一致，所以图像增强的好坏取决于优化函数的设定。这里给出Azriel Rosenfield提出的评价图像质量的适应度函数：
其中， p j 表示某染色体；输入图像大小为 M × N ，则 n = M × N ； g （ x ， y ）为图像处的灰度值。该目标函数值越大，表明图像灰度值的分布越均匀，对比度越高。该目标函数是经典的用于图像增强的优化函数。随着图像复杂度的增加，该目标函数已经无法满足图像处理的需求，现已提出更多改进的目标函数，如过润秋等针对红外图像的图像增强，根据每个灰度级出现的个数，对式（1-14）进行了改进。
图像变化检测主要用于检测同一场景前后拍摄图的变化。其中的SAR图像检测应用在农作物生长状况检测、森林和植被的变化分析、灾害评估、城镇的变化分析等；还有部分图像检测方法广泛用于军事上，如侦察、目标监视和目标摧毁效果评估等。进行图像变化检测的方法很多，遗传算法是其中的一种。Celik T.在2010年提出了基于改进的遗传算法的变化检测算法，将变化检测问题转化为求目标函数最值的问题。Ghosh A.和Mishra N.等在2010年提出了基于模糊C-均值（Fuzzy C-Means algorithm，FCM）和遗传算法改进的SA-GKC算法，取得了较好的结果，但算法思路较复杂。图像变化检测的一般流程如图1.32所示。
图1.32 图像检测流程图
图像 X 1 和 X 2 即为同一场景不同时间拍摄的图片，预处理是对图像进行配准、校正等，差异图是由预处理后的两个图构造出的一个图，主要表示两个图的差异部分。常用的差异图构造法有插值法、比值法、主成分分析法等，这里不再一一赘述。遗传算法作用于最后一步，对差异图进行变化检测分析，通过与阈值法或聚类法相结合来实现最终的分析。
FCM聚类法应用于图像变化检测是将差异图的像素值作为聚类样本 X ={ x 1 ， x 2 ，…， x n }，并将其划分为 c 类，通过优化聚类算法的目标函数 J 来达到聚类目的：
其中，
c
表示聚类个数；
m
表示模糊度权值；
表示样本
x
k
对第
i
个聚类中心的隶属度，其满足以下约束条件：
d ik 为样本 x k 对聚类中心 v i 的距离，定义为：
当 A =1时，即为欧几里得距离。其中， x k 表示样本 X 的第 k 个样本； v i 表示第 i 个聚类中心。
由于FCM算法需要初始聚类中心，且该初始方法是随机的，所以算法结果对初始化十分敏感，容易陷入局部最优解。将遗传算法用于搜索FCM的初始聚类中心，将大大改善聚类效果。因为遗传算法可以解决初始聚类中心问题，所以编码方式采用实数编码，把聚类中心作为染色体，适应度函数为：
