基于K-means聚类和偏振信息提取的伪装目标识别方法

技术领域

本发明属于偏振成像技术领域，特别是一种基于K-means聚类和偏振信息 提取的伪装目标识别方法。

背景技术

自然背景中的人造目标检测是目标识别领域研究的热点，而检测自然背景中 的伪装目标是该领域中一直存在的难题。国内外对偏振成像探测的研究发现：物 体反射或辐射光波的偏振态信息，可以有效区分不同材质、不同表面形态、不同 导电率的散射体。一定条件下，利用偏振成像方式获取的伪装目标与自然背景的 偏振信息之间存在较大差异。人造伪装目标表面较光滑，辐射和反射光的线偏振 较强，而自然背景的散射较强使偏振度较低。

光波的偏振态通常用Stokes矢量(I，Q，U，V)^T来定量化表示，其中I表示光波 的总强度；Q代表水平偏振和垂直偏振之间的强度差；U代表光线偏振部分方向 在45°和-45°之间的强度差；V代表光的左旋和右旋圆偏振分量的强度差。这4 个参量均是光强的时间平均值，具有强度的量纲，可以直接被光电探测器探测。 任意的Stokes矢量可以表示为：

$\left(\begin{array}{c}I\\ Q\\ U\\ V\end{array}\right)=I\left(\begin{array}{c}1\\ P\cos 2\theta \cos 2ϵ\\ P\sin 2\theta \cos 2ϵ\\ P\sin 2ϵ\end{array}\right)---\left(1\right)$

式中P、θ和ε分别表示偏振度，偏振角和椭率角，I为光强值。即对给定的 总光强值I，光波的偏振态由偏振度P、偏振角θ和椭率角ε决定。偏振度P、偏 振角θ和椭率角ε的定义如式(2)所示：

$\left(\begin{array}{c}P=\frac{\sqrt{Q^2+U^2+V^2}}{I}\\ \theta =\frac{1}{2}\arctan \left(\frac{U}{Q}\right)\\ ϵ=\frac{1}{2}\arcsin \frac{V}{\sqrt{Q^2+U^2+V^2}}\end{array}\right)---\left(2\right)$

偏振度P表示完全偏振光强度在整个光强度中的比例，偏振角θ表示偏振光 振动方向与参考方向(参考方向取水平方向x轴)的夹角，椭率角ε的正负反映 了对应的光是右旋或者左旋圆偏振光。

目前国内外对偏振信息的利用大多是围绕光强I，偏振度P和偏振角θ，在 一定程度上造成了部分偏振信息的缺失；文献DUAn-ping，ZHAOYong-qiang，PAN Quan.ImageEnhancementAlgorithmBasedonPolarization Character[J].COMPUTERMEASUREMENT&CONTROL，2007，15(1)：106-108.中公 开对光强图像、偏振度图像和偏振角图像进行图像融合，融合后图像的信息熵和 清晰度得到了一定幅度的提升；目前国内外对偏振图像的聚类也只是单纯地采用 各种聚类算法，如K-means算法和模糊C均值算法，但聚类算法只能粗略的将 物体分类，效果也和所采用的聚类算法有关，所以不能细致的分辨伪装目标。文 献眭臻.基于K-means聚类的灰度图像分割[J].计算机光盘软件与应 用，2012，(10)：122-123.中公开利用图像的灰度信息，结合K-means聚类方法对图 像进行分割，结果表明K-means聚类能对图像很好地分类。文献WANG Dao-rong，ZHAOYong-qiang，PANQuan.ClassificationofSpectropolarimetric ImageryBasedonFuzzyClusterandEvidenceTheory[J].ACTAPHOTONICA SINICA，2007，36(12)：2365-2370.中公开利用模糊C均值聚类对光强图像、偏振度 图像和偏振角图像进行聚类融合，最终效果虽然突出了目标和背景的差异，但仍 然存在不足，主要表现在对光强，偏振度和偏振角聚类融合的过程中，丢失了部 分偏振信息导致最终融合结果图偏振信息不完整。专利CN103530853A红外光 强图像和红外偏振图像增强融合方法中公开对红外光强图像和红外偏振度图像 进行支持度变换，对得到的低频图像和支持度图像进行融合处理，虽然合成图像 目标与背景的对比度增强，但是没有充分利用偏振信息的冗余性和互补性，同样 也造成了偏振信息的缺失。专利CN103500444A一种偏振图像融合方法中公开 一种将非负矩阵分解方法和脉冲耦合神经网络方法相结合的偏振图像融合方法， 对偏振参量图像数据I，Q，U，P，Θ构成的矩阵进行分解融合，虽然综合利用 了偏振参量I，Q，U，P，Θ，但忽略了V分量，所以仍有部分偏振信息缺失。

发明内容

本发明的目的在于提供一种基于K-means聚类和偏振信息提取的伪装目标 识别方法，完善了现有偏振图像融合过程中部分偏振信息缺失的问题，融合后图 像的偏振信息更完整，细节特征更丰富，伪装目标能够更好地被突出。

实现本发明目的的技术解决方案为：一种基于K-means聚类和偏振信息提 取的伪装目标识别方法，步骤如下：

步骤1，获得目标偏振参量图像数据：利用偏振成像系统对目标进行偏振成 像，得到偏振成像系统中偏振片的透光轴与水平方向的夹角分别为0°、45°、90°、 135°的线偏振分量光强图像I₀、I₄₅、I₉₀和I₁₃₅，加上1/4波片后，分别测量左旋 和右旋圆偏振分量光强图像I_L和I_R，进而得到斯托克斯参量图像数据I、Q、U、 V；

步骤2，获得偏振度图像、偏振角图像和椭率角图像：由步骤1中的斯托克 斯参量图像数据I、Q、U、V计算得到偏振度图像I(P)、偏振角图像I(θ)和椭率 角图像I(ε)；

步骤3，对于步骤2中得到的多维图像I(P，θ，ε)用K-means进行聚类，随机 选取初始聚类中心C_1i(P₀，θ₀，ε₀)，i＝1，2...k，其中k为类别数，下标1表示第一次迭 代，P₀，θ₀，ε₀分别表示选取的偏振度图像、偏振角图像和椭率图像中某一位置像 素的像素值；

求解每个样本数据与初始聚类中心C_1i的欧几里得距离 $d_i=\sqrt{{(P_j-C_{1i}\left(1\right))}^2+{({\theta }_j-C_{1i}\left(2\right))}^2+{({ϵ}_j-C_{1i}\left(3\right))}^2}$i＝1，2...k，j＝1，2...N，N为每幅图像中的 总像素数，其中C_1i(1)、C_1i(2)和C_1i(3)分别表示初始聚类中心C_1i的第一、二、三个 元素，P_j、θ_j和ε_j分别表示偏振度图像、偏振角图像和椭率图像中像素按每行叠 加后第j个像素的像素值；将每个数据对象分配到离该数据对象最近的聚类中心 C_1i(P₀，θ₀，ε₀)，i＝1，2...k；

步骤4，计算新的聚类中心m＝2，3...，其中m为迭 代次数，r_i表示离C_(m-1)i，i＝1，2...k最近的像素点个数，C_(m-1)i，i＝1，2...k为第(m-1) 次迭代的第i类中心；并将每个数据对象分配到离它最近的聚类中心 C_mi，i＝1，2...k；计算各个聚类中心之间的欧几里得距离d(C_i，C_j)i，j＝1，2...k，i≠j， C_i，C_i分别表示第i类和第j类聚类中心；

步骤5：重复步骤4，直至聚类中心C_mi不再变化，迭代终止，得到最终的聚 类融合图像。

本发明与现有技术相比，其显著优点：(1)本发明在主观视觉和客观评价上 有了很大的提高，在图4中得到的结果图中目标与背景对比度更高，伪装目标能 快速地被识别。(2)本发明聚类融合的结果由于融入了偏振度，偏振角和椭率角 信息，使得图像中的偏振信息更完整，图4中图像细节信息更丰富，目标轮廓更 完整，对隐藏在自然背景中的伪装目标能够更好地识别。(3)本发明适用性强， 可以应用于多种场合，如可见光、红外偏振图像等技术领域中均可应用。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是可见光黑白相机拍摄的原始光强图像。

图2是对偏振度图像用K-means聚类后的结果图。

图3是利用K-means对光强图像、偏振度图像和偏振角图像聚类融合后的 结果图。

图4是本发明得到的结果图。

图5是斯托克斯参量测量系统图。

图6是本发明的流程图。

具体实施方式

结合图6，本发明基于K-means聚类和偏振信息提取的伪装目标识别方法， 步骤如下：

步骤1，获得目标偏振参量图像数据：利用偏振成像系统对目标进行偏振成 像，得到偏振成像系统中偏振片的透光轴与水平方向的夹角分别为0°、45°、90°、 135°的线偏振分量光强图像I₀、I₄₅、I₉₀和I₁₃₅，加上1/4波片后，分别测量左旋 和右旋圆偏振分量光强图像I_L和I_R，进而得到斯托克斯参量图像数据I、Q、U、 V。

在步骤1中，计算斯托克斯参量图像数据I、Q、U、V的公式如下：

$\left(\begin{array}{c}I\\ Q\\ U\\ V\end{array}\right)=\left(\begin{array}{c}{I}_0+I_{90}\\ I_0-I_{90}\\ I_{45}-I_{135}\\ I_R-I_L\end{array}\right)$

如图5所示，斯托克斯参量的测量过程为：沿z轴传播的光束，先后通过快 轴与参考轴成β角的1/4波片和透光轴与参考轴成α角的起偏器；

先不用1/4波片，通过在光路中旋转起偏器使α分别为0°、45°、90°和135°， 获取线偏振分量的光强图像I₀、I₄₅、I₉₀、I₁₃₅，由上式得到Stokes的前3个参量 I、Q、U；

在光路中移入1/4波片，令α＝0°，通过旋转1/4波片使β分别取+45°和-45°， 获取左/右旋圆偏振分量的光强图像I_L和I_R，由上式得出最后一个Stokes参量V。

步骤2，获得偏振度图像、偏振角图像和椭率角图像：由步骤1中的斯托克 斯参量图像数据I、Q、U、V计算得到偏振度图像I(P)、偏振角图像I(θ)和椭率 角图像I(ε)。

在步骤2中，由步骤1中的斯托克斯参量图像数据I、Q、U、V计算得到偏 振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε)的公式为：

$\left(\begin{array}{c}P=\frac{\sqrt{Q^2+U^2+V^2}}{I}\\ \theta =\frac{1}{2}\arctan \left(\frac{U}{Q}\right)\\ ϵ=\frac{1}{2}\arcsin \frac{V}{\sqrt{Q^2+U^2+V^2}}\end{array}\right).$

步骤3，对于步骤2中得到的多维图像I(P，θ，ε)(即偏振度图像I(P)、偏振 角图像I(θ)和椭率角图像I(ε))用K-means进行聚类，随机选取初始聚类中心 C_1i(P₀，θ₀，ε₀)，i＝1，2...k，其中k为类别数，下标1表示第一次迭代，P₀，θ₀，ε₀分别表 示选取的偏振度图像、偏振角图像和椭率图像中某一位置像素的像素值；

求解每个样本数据与初始聚类中心C_1i的欧几里得距离 $d_i=\sqrt{{(P_j-C_{1i}\left(1\right))}^2+{({\theta }_j-C_{1i}\left(2\right))}^2+{({ϵ}_j-C_{1i}\left(3\right))}^2},$i＝1，2...k，j＝1，2...N，N为每幅图像中的 总像素数，其中C_1i(1)、C_1i(2)和C_1i(3)分别表示初始聚类中心C_1i的第一、二、三个 元素，P_j、θ_j和ε_j分别表示偏振度图像、偏振角图像和椭率图像中像素按每行叠 加后第j个像素的像素值；将每个数据对象分配到离该数据对象最近的聚类中心 C_1i(P₀，θ₀，ε₀)，i＝1，2...k。

在步骤3中，对多维偏振图像I(P，θ，ε)像素值的处理：将偏振度图像I(P)、 偏振角图像I(θ)以及椭率图像I(ε)中每个像素点位置的图像像素灰度值作为三维 坐标中每个点的三维坐标值，从而将多维偏振图像I(P，θ，ε)的图像像素值对应到 三维坐标系中。

在步骤3中，将每个数据对象分配到离它最近的初始聚类中心

C_1i(P₀，θ₀，ε₀)，i＝1，2...k的分配方法如下：对样本点(P_j，θ_j，ε_j)，若该点到初始聚类 中心的C_1i的欧几里得距离比到其他聚类中心的距离都小，则把该样本点分配给 聚类中心C_1i。

步骤4，计算新的聚类中心m＝2，3...，其中m为迭 代次数，r_i表示离C_(m-1)i，i＝1，2...k最近的像素点个数，C_(m-1)i，i＝1，2...k为第(m-1) 次迭代的第i类中心；并将每个数据对象分配到离它最近的聚类中心 C_mi，i＝1，2...k；计算各个聚类中心之间的欧几里得距离d(C_i，C_j)，i，j＝1，2...k，i≠j， C_i，C_j分别表示第i类和第j类聚类中心。

在步骤4中，公式$C_{\mathrm{mi}}=(\frac{1}{r_i}\underset{i=1}{\overset{r_i}{\Sigma }}P,\frac{1}{r_i}\underset{i=1}{\overset{r_i}{\Sigma }}\theta ,\frac{1}{r_i}\underset{i=1}{\overset{r_i}{\Sigma }}ϵ),$m＝2，3...中的和分别为偏振度图像、偏振角图像和椭率图像中离C_(m-1)i最近的r_i个像素点的灰度 值之和。

步骤5：重复步骤4，直至聚类中心C_mi不再变化，迭代终止，得到最终的聚 类融合图像。

实施例

本发明基于K-means聚类和偏振信息提取的伪装目标识别方法，通过下述 步骤实现：

步骤1：获得目标偏振参量图像数据。获得目标偏振参量图像数据之前，需 要先拍摄原始光强图像如图1所示，本发明实验所用相机为可见光黑白相机，拍 摄场景为一块涂有土黄色伪装涂层的金属板置于铺满落叶的树下。从图1中很难 发现隐藏的伪装目标。

利用偏振成像系统对目标进行偏振成像，得到偏振成像系统中偏振片的透光 轴与水平方向的夹角分别为0°，45°，90°，135°的线偏振分量光强图像I₀，I₄₅， I₉₀和I₁₃₅，加上1/4波片后，分别测量左旋和右旋圆偏振分量光强图像I_L和I_R， 进而得到斯托克斯参量图像数据I，Q，U，V；

$\left(\begin{array}{c}I\\ Q\\ U\\ V\end{array}\right)=\left(\begin{array}{c}{I}_0+I_{90}\\ I_0-I_{90}\\ I_{45}-I_{135}\\ I_L-I_R\end{array}\right)---\left(3\right)$

斯托克斯参量的详细测量过程如下：沿z轴传播的光束，先后通过快轴与参 考轴成β角的1/4波片和透光轴与参考轴成α角的起偏器。先不用1/4波片，通 过在光路中旋转起偏器使α分别为0°，45°，90°和135°，获取线偏振分量的光 强图像I₀，I₄₅，I₉₀，I₁₃₅，由式(3)得到Stokes的前3个参量I，Q，U。在光路中 移入1/4波片，令α＝0°，通过旋转1/4波片使β分别取+45°和-45°，获取左/右旋 圆偏振分量的光强图像I_L和I_R，由式(3)得出最后一个Stokes参量V。

步骤2：获得偏振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε)。

由步骤1中的斯托克斯参量图像数据I，Q，U，V计算得到偏振度图像I(P)、 偏振角图像I(θ)和椭率角ε图像I(ε)，公式如背景技术中的公式(2)。

步骤3：对于步骤2中得到的多维图像I(P，θ，ε)用K-means进行聚类，将偏 振度图像I(P)、偏振角图像I(θ)以及椭率图像I(ε)中每个像素点位置的图像像素 灰度值作为三维坐标中每个点的三维坐标值，随机选取初始聚类中心 C_1i(P₀，θ₀，ε₀)，i＝1，2...k，其中k为类别数，P₀、θ₀、ε₀分别为偏振度、偏振角、椭 率图像中同一像素点位置的像素值，C_1i表示第一次迭代中的第i个聚类中心。求 解每个样本数据点(P_j，θ_j，ε_j)与初始聚类中心C_1i的欧几里得距离，公式如下：

$d_i=\sqrt{{(P_j-C_{1i}\left(1\right))}^2+{({\theta }_j-C_{1i}\left(2\right))}^2+{({ϵ}_j-C_{1i}\left(3\right))}^2}---\left(4\right)$

其中，i＝1，2...k，j＝1，2...N，i为类别数，j为像素数，N为总的像素数，P_j、 θ_j、ε_j分别对应偏振度图像I(P)、偏振角图像I(θ)以及椭率图像I(ε)中相同像素 点位置的图像像素灰度值。按照分配方法将每个数据对象分配到离它最近的聚类 中心C_1i(P₀，θ₀，ε₀)，i＝1，2...k；分配方法如下：

对样本点(P_j，θ_j，ε_j)，若该点到初始聚类中心的C_1i的欧几里得距离比到其他 聚类中心的距离都小，则把该样本点分配给聚类中心C_1i。对每个样本点都按照 上述分配方法分配结束。

步骤4：按照新分配好的像素点，计算新的聚类中心，公式如下：

$C_{\mathrm{mi}}=(\frac{1}{r_i}\underset{i=1}{\overset{r_i}{\Sigma }}P,\frac{1}{r_i}\underset{i=1}{\overset{r_i}{\Sigma }}\theta ,\frac{1}{r_i}\underset{i=1}{\overset{r_i}{\Sigma }}ϵ),m=\mathrm{2,3}...---\left(5\right)$

其中m为迭代次数，C_mi代表第m次迭代时的第i类聚类中心，r_i为到上一 次迭代的聚类中心C_(m-1)i，i＝1，2...k最近的像素点个数，和分别为偏 振度图像、偏振角图像和椭率图像中离C_(m-1)i最近的r_i个像素点的灰度值之和； 将每个数据对象按照纷配规则分配到离它最近的聚类中心C_mi，i＝1，2...k，计算各 个聚类中心之间的欧几里得距离d(C_i，C_j)，i，j＝1，2...k，i≠j。

步骤5：重复步骤4，直至聚类中心C_mi不再变化(该C_mi中三个元素值恒定)， 迭代终止，得到最终的聚类融合图像，如图4所示，融合结果图中目标轮廓更完 整，细节信息更丰富，目标与背景对比度更高。

如图2、图3、图4所示，分别为对偏振度图像用K-means聚类后的结果图， 利用K-means对光强图像、偏振度图像和偏振角图像聚类融合后的结果图以及 本发明方法得到的结果图，图1为原始光强图像，图1中很难发现隐藏的伪装目 标。从图中可以看出本发明方法得到的结果图，由于融入了更多的偏振信息，图 像中的细节信息更丰富，目标轮廓更完整，本发明方法使偏振成像能更好地应用 于军事探测领域，可以有效快速地识别出混杂在自然背景下的伪装目标。