1、PDF外文：http:/ 3487 字 出处： Wang S, Xu Y, Pang Y. A fast underwater optical image segmentation algorithm based on a histogram weighted fuzzy C-means improved by PSOJ. Journal of Marine Science and Application, 2011, 10(1): 70-75. 毕业论文（设计）外文翻译 水下强噪声图像目标分割方法研究
2、; 学 生 姓 名： 指导教 师 ： 专业名 称
3、 ： 电子信息工程 所在学 院 ： 信息工程学院 2013 年 4 月 基于优化 PSO 直方图加权模糊 C 均值的一种快速水下光学图像分割算法 摘要： 水下图片的信噪比是低
4、的而且有模糊边缘，如果使用传统的方法直接处理， 结果不能令人满意的。尽管传统的模 糊 C 均值算法有时可以将图片划分为物体和背景，但它耗时的计算往往是个障碍。水下自主式交通工具（ AUV）系统的使命是快速、准确地处理对象的信息，有关对象在复杂环境下供 AUV 使用已经获取的结果，用于执行下一个任务。因此，因此，通过使用灰度图像的直方图的统计特征，提出了一个快速和有效的模糊 C-均值水下图像分割算法。随着加权直方图修改模糊资格，与传统算法相比，上述算法不仅可以在计算过程中削减大量的数据处理和存储，从而加速分割效率，同时也提高了水下图像分割的质量。最后，正弦函数描述的粒子群优化算法（
5、PSO），被引入到上 述算法中。它弥补了FCM 算法不能取得全域最优解的不足。此外，一方面，它考虑到对全域的影响和局部最优解，另一方面还大大提高了计算速度。实验结果表明，新算法可以达到更好的分割质量和每张图片处理所需的更短时间。它们提高了效率并满足高效、实时 AUV 的要求。 关键词： 水下图像，图像分割， 水 下自主式交通工具（ AUV），灰度直方图，模糊 C-均值，实时有效性，正弦函数，粒子群优化算法（ PSO） 一、简介 海洋富含矿物资源、生物资源和能源。在 21 世纪，人类正面临人口、资源和环境这三大问题的挑战。陆地空间和资源有限，因此海洋将 逐渐变
6、为重要的国家战略目标。许多沿海国家，特别是西方工业发达国家和中国，正在发展水下自主式交通工具（ AUV）用来探索海域和海床服务调查。在三维空间的水下目标检测、搜索、识别是实现智能操作的关键。因此，计算机可视系统尤其重要，而且图像信息处理容量是水下交通工具动态感应环境的关键，快速定位和追踪物体也是完成水下调研和 AUV 操作的基础任务。 水下图像对不同的噪声和其它的干扰很敏感，举个例子：水下弱光条件会导致水下图像错误的细节，比如，自身阴影，假的轮廓，等等。作为聚光源，搜索灯光使光照强度呈现巨大偏差。照明在中心 最强，沿半径方向逐渐弱化，这导致了不均等的图像背景灰度。在水下，可视性较低
7、，透明度只有空气中的千分之一，并且，水自己本身吸收光、散射光，这将低信噪比和模糊细节。同时，水中各种悬浮颗粒的散射和对光波的吸收也会在捕捉水下图像时导致严重的灰度效果。此外，水的影响和摄像机镜头的摇晃和其它因素也导致图像失真。更重要的是，考虑到图像形成过程，图像采集是从二维图像到三维图像的测绘。综上所述，可以说，图像本身具有很强的模糊性。 图像分割是计算机可视研究领域的经典研究课题之一。水下图像分割是 AUV 图像分析、理解和视觉识别技术 的前提，也是水下图像处理的难题之一。在当前分割中，由于阈值法它的简洁和稳定，成为图像分割基本技巧之一。 传统的 FCM 算法通过最小
8、化目标方程取得最佳解。因为基于目标函数的群集过程是通过迭代步骤找到极限点和存在目标函数的大量极限值，此外，不正确的初始化可能会导致该算法收敛到局部极值并且不能取得最佳解。所以在本文中，通过使用灰度图像直方图的统计特性，提出了一种快速有效的 FCM 水下图像分割方法，通过加权直方图修改模糊资格，不仅能在传统算法的计算过程中删减大量的数据处理和存储以加快分割效率，而且提高了水下图像分割的质 量。然后，由正弦函数描述的粒子群优化算法（ PSO）被引入到上面提及的算法中。它弥补了 FCM 算法不能取得全域最优解的不足，另一方面，还极大地提高了计算速度和达到（ AUV）高实时有效性的需求。这篇文章的目的
9、是在确保分割质量的前提下，改善实时分割和大大降低计算时的数据量，它也是其它改进的 FCM 算法有价值的参考。 二、水下图像分割传统的 FCM 算法 FCM 聚类分割算法的中心思想是根据加权相似性来衡量像素和聚类中心，迭代优化目 标函数已确定最佳的聚类。通过这个实现：在 L H 图像中（ L 和 H 待变相关图像的宽度和高度）， 根据加权资格隶属度 n（ n=L H）属于每个 C 聚类中心的图像中的像素，当目标函数最小时，迭代地优化目标函数来获得模糊划分矩阵 U 和类中心矩阵 V。目标函数为： 通过拉格朗日乘数法，建立等式 1 的一个必要条件
10、可以推导出： 这种典型的 FCM 图像分割是为了通过迭代搜寻最优聚类中心和隶属度来获得最小目标函数。 三、直方图加权 FCM 聚类算法（ HWFCM） 1、算法描述 通过分析 FCM 算法，可以发现影响计算时间一个主要因素是聚类中心的更新频率太低。在 FCM 算法中，每个聚类中心的更新必须等到所有输入模式完成遍历。当它用在图像分割中，因为图像的采样数据数
11、量非常大（每个图像尺寸为 768576，数量为 442 368），计算就十分耗时。因此，根据水下图像的特性，我们提出了一种快速的 FCM 分割算法。在迭代处理中，通过采集图像强度直方图的统计特性作为隶属度的权重，目标函数的最优解可以得到。因此，它减少了 FCM 迭代过程大量的数据存储而且加速了收敛速度。 对于一个图像（ n = L H）， f（ x, y）是图像在（ x, y）位置的灰度值， f 0,1,.,I 1， I 是所有系列灰度图像的数量。 定义灰度图像直方图为 h(j), &n
12、bsp; 因此一个加权直方图修改的成员为： 相应的聚类中心： 新的目标函数为： 3、 2 进一步完善模糊隶属度
