(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210651438.0 (22)申请日 2022.06.09 (71)申请人 大理大学 地址 671003 云南省大理白族自治州大理 市大理古城弘圣路2号 (72)发明人 刘光宇　曹禹　赵恩铭　周豹　 王龙飞　胡嘉鑫　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 刘强 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01)G06V 10/764(2022.01) G01S 7/537(2006.01) G01S 15/89(2006.01) (54)发明名称 基于自调整谱聚类和熵权法的水下声呐图 像目标分割方法 (57)摘要 基于自调整谱聚类和熵权法的水下声呐图 像目标分割方法， 属于水下声呐图像目标分割技 术领域。 为了解决现有声呐图像分割方法中的单 目标分割精度差和难以准确分割多目标的问题。 本发明首先通过自调整谱聚类对水下声呐图像 的像素点进行聚类处理， 使图像划分成多个独立 的区域， 然后对各独立的区域提取平移、 旋转和 缩放不变性的多个特征， 并利用熵权法对提取的 特征计算各区域的综合加权分数， 即可从多个待 选区域中筛选出最优的目标区域， 最后利用最优 目标区域与各区域匹配多特征的相似度， 再对各 区域匹配的相似度利用自适应阈值迭代法计算 最佳的阈值， 即可自动得到要分割的所有目标区 域。 本发明适用于水 下声呐图像目标分割。 权利要求书5页 说明书13页 附图3页 CN 115049828 A 2022.09.13 CN 115049828 A 1.基于自调整谱聚类和熵权法的水下声呐图像目标分割方法， 其特征在于， 包括以下 步骤： 步骤一、 获取水下目标的原始声呐图像对应的灰度图像， 然后利用自调整谱聚类理论 对灰度图像的像素点进行聚类处理， 得到具有不规则形状的多个独立区域， 每个独立的区 域用不同数字标识的掩膜图像表示； 步骤二、 根据步骤一得到的掩膜图像中的各独立 区域的像素点位置坐标对应原灰度图 像中的相同位置坐标上的像素值， 进 行统计原灰度图像的每个独立区域的亮度、 对比度、 信 息熵、 狭长度、 灰度分布直方图、 7个Hu不变矩、 周径比和灰度共生矩阵的纹 理多个特 征； 步骤三、 对步骤二统计的各独立区域中的亮度、 对比度、 信 息熵和狭长度这 四个特征构 建全部区域的多特征数据矩阵η， 然后利用熵权法对多特征数据矩阵η计算四个特征的权 重， 最后利用加权公式得到各独立区域的综合分数， 根据综合分数得到一个最优的目标区 域； 步骤四、 利用最优目标区域与各独立区域进行匹配灰度分布直方图、 7个Hu不变矩、 周 径比和灰度共生矩阵的纹理4类特征的相似度， 并根据每个区域匹配的4类特征相似度值确 定平均相似度； 步骤五、 基于步骤四得到的所有独立区域匹配的平均相似度值， 利用自适应阈值迭代 法计算最佳的阈值， 根据该阈值就判断哪些区域是最终的目标区域， 实现了水下声呐图像 的目标分割。 2.根据权利要求1所述的基于自调整谱聚类和熵权法的水下声呐图像目标分割方法， 其特征在于， 步骤一的具体过程包括以下步骤： 步骤一一、 假设给定图像中的n点集合为V＝{v1,v2,...vn}， 对于每一点vi∈V， 计算相应 的局部尺度参数σi； vi到vj的距离度量为d(vi,vj)/σi， vj到vi的距离度量为d(vj,vi)/σj， 邻接矩阵A中的元素 Aij为： 步骤一二、 定义对角阵D， 对角阵D主对角线上的 构造标准 化的邻接矩阵AN： 其中， A是邻接矩阵， AN表示对称标准 化后的邻接矩阵； 步骤一三、 计算AN的特征向量， 将前k个特征向量组成矩阵X为： X＝[x1,x2,...xk]， k是最 大分类数； 步骤一四、 对每种可能出现的分类数， 寻找旋转矩阵R使得特征向量矩阵X的列能够达 到最佳排列模式， 即利用梯度下降法求得的旋转矩阵R乘以特征向量矩阵X得到的矩阵Z＝ XR的每一行中， 最多 有一个非零条目； 旋转矩阵R通过梯度下降法获取， 其目标函数就是要 使下面的代价 函数达到最小：权　利　要　求　书 1/5 页 2 CN 115049828 A 2Mi＝maxjZij； 其中， Zij是旋转后的矩阵Z中第i行第j列的元 素； 通过计算不同分类数下的代价函数的值， 利用梯度 下降法计算所设置的分类数范围能 够使目标函数达到最小值对应的分类数， 最 终的最佳分类数就是代价函数为最小时对应的 分类数， 记为c； 步骤一五、 当且仅当 时， 对应点vi被归为c类； 其中， Zic是旋转后的矩阵Z中的第i行第c列的元素， Zic所在列对应的列向量代表分类后 的一个簇类； 步骤一六、 通过以上自调整谱聚类算法聚类后的掩膜图像表示为L(col,row)， 其中， col和row分别为原灰度图像的横纵坐标， 掩膜 图像的多个独立区域的区域标识可表示为 am， m∈[1,c]。 3.根据权利要求2所述的基于自调整谱聚类和熵权法的水下声呐图像目标分割方法， 其特征在于， 在确定最佳分类数的过程中， 对于不同的分类数， 如果代价函数值相同， 最终 的分类数选择其中较大的分类数。 4.根据权利要求3所述的基于自调整谱聚类和熵权法的水下声呐图像目标分割方法， 其特征在于， 在步骤一五将对应点vi被归为c类后， 如果c类对应 的簇类分类效果分类效果 不能满足实际需要， 将c类对应的簇类进行期望最大化算法或K ‑means算法进一步对Z行进 行聚类处 理。 5.根据权利要求4所述的基于自调整谱聚类和熵权法的水下声呐图像目标分割方法， 其特征在于， 点vi的局部尺度参数σi＝d(vi,vK)， 其中， d表示距离函数， vK是vi点的第K个邻居， vi、 vK表示集合中的两个点。 6.根据权利要求2、 3、 4或5所述的基于自调整谱聚类和熵权法的水下声呐图像目标分 割方法， 其特 征在于， 步骤二的具体过程包括以下步骤： 根据步骤一得到的掩膜图像， 设该掩膜图像中的am区域像素点坐标为(I,J)， 原灰度图 像各点的像素值为g(col,row)， 在掩膜图像中遍历各独立区域， 依次对各独立区域的多个 特征进行统计： 步骤二一、 确定原灰度图像中对应的am区域的亮度： 其中， 计算的是原灰度图像中对应的am区域中的像素点总个数； 步骤二二、 确定原灰度图像中对应的am区域的对比度： 步骤二三、 确定原灰度图像中对应的am区域的信息熵：权　利　要　求　书 2/5 页 3 CN 115049828 A 3