基于迭代自組織和多智能體遺傳聚類算法的圖像分割方法
【專利摘要】本發明公開了一種基于迭代自組織和多智能體遺傳聚類算法的圖像分割方法，主要解決現有技術中分割結果過分依賴初始參數、容易陷入局部最優的問題。其分割步驟為：1)提取待分割圖像的灰度信息；2)將迭代自組織算法ISODATA算法思想作用到待分割圖像上，獲得最優聚類數目；3)根據最優聚類數目，利用多智能體的算法框架對待分割圖像進行聚類，獲得最優聚類標簽；4)根據最優聚類標簽，對待分割圖像像素分類，實現圖像分割。本發明不需明確確定聚類數目，且收斂效果好，容易得到全局最優值，能夠改善圖像分割的質量、增強了分割結果的穩定性，可用于圖像目標的提取和識別以及其它后續處理。
【專利說明】基于迭代自組織和多智能體遺傳聚類算法的圖像分割方法

【技術領域】
[0001] 本發明隸屬于數字圖像處理【技術領域】，涉及一種圖像分割方法，可用于模式識別 以及計算機視覺領域。

【背景技術】
[0002] 圖象分割是圖象處理中一項關鍵技術，其在圖像處理研究中有著非常廣泛的應 用，例如目標識別、目標測量都是以圖像分割為基礎的，圖像的分割結果直接影響著后續任 務的進行，因此圖像分割的研究具有十分重要的意義。圖像分割是一種特殊的圖像處理技 術，其實質上是按照圖像像素屬性即灰度、紋理、顏色進行分類的一個過程。現有圖像分割 方法中較為常用的方法包括基于聚類的圖像分割方法和基于邊緣提取的圖像分割方法。其 中，基于聚類的圖像分割方法應用尤為突出，其優點是易于實現，分割效果好。基于邊緣提 取的圖像分割方法常應用于邊緣清晰，對比度明顯的圖像上，但是其缺點尤為明顯：無法應 用于復雜的自然圖像分割和SAR圖像分割上。
[0003] 基于聚類的分割方法被廣泛地應用于生物醫學、計算機視覺和遙感圖像處理等領 域。聚類實質是將未知分布的一組數據進行分類，最大程度的使同一類別中的數據具有相 同的性質，且不同類的數據具有不同的性質。
[0004] 基于此，各種各樣的聚類算法被應用到圖像分割領域，并且取得了越來越滿意的 效果。但由于圖像數據的特殊性與多樣性，并非所有的聚類算法都可以直接應用到圖像分 割領域，很多算法都需要進行包裝改進，甚至一部分算法根本就不適合用于進行圖像分割。 目前的研究中，常用的聚類技術有以下幾種：分層聚類算法，最近鄰域聚類算法，模糊聚類 算法，人工神經網絡聚類算法，遺傳聚類算法。
[0005] 初期，研究人員常常用于圖像分割的聚類算法是分層聚類算法。這種算法的優點 是簡單，易于操作，但同時它也帶來了很多不便，比如：依賴于初始設定的聚類種類數目、容 易陷入局部最優、聚類結果不理想等等。為了解決這類問題，研究人員進行了很多嘗試，有 人采用遺傳算法GA與聚類算法相結合，得到了比較滿意的結果，但由于傳統遺傳算法全局 進化機理的局限性，結合后的聚類方法仍然具有依賴聚類初始設定類別和容易陷入局部最 優值等缺點，導致圖像分割結果質量的下降和分割效果穩定性的降低，不利于后續的圖像 分析和處理。


【發明內容】

[0006] 本發明的目的在于針對上述已有技術的不足，提出一種基于迭代自組織和多智能 體遺傳聚類算法的圖像分割方法，以減小初始設定參數對聚類結果的影響，改善圖像分割 效果，增強圖像分割結果的穩定性。
[0007] 為實現上述目的，本發明的技術方案包括如下步驟：
[0008] (1)輸入待分割圖像，提取待分割圖像的灰度信息，標記為data ;
[0009] (2)對數據data進行迭代自組織處理，輸出最優聚類數目C :
[0010] (2a)令聚類數目為C(l，最大迭代次數為?；，最大類內標準差為0s，最小聚類中心 距離為Θ。，隨機初始化聚類原型，令迭代次數t = 0 ;
[0011] (2b)利用下式修正聚類原型的各聚類中心
[0012]

【權利要求】
1. 一種基于迭代自組織和多智能體遺傳聚類算法的圖像分割方法，包括如下步驟： (1) 輸入待分割圖像，提取待分割圖像的灰度信息，標記為data ; (2) 對數據data進行迭代自組織處理，輸出最優聚類數目c : (2a)令聚類數目為C(l，最大迭代次數為?；，最大類內標準差為0s，最小聚類中心距離 為Θ。,隨機初始化聚類原型，令迭代次數t = 0 ; (2b)利用下式修正聚類原型的各聚類中心
式中，\為第j類聚類集聚類中心，％為第j類聚類集中的像素點數目，S」為第j類聚 類集，X為第j類內的對應數據值，Co為聚類數目； (2c)計算聚類原型中的總類內平均距離
以及第j類聚類集的類內平均距離
和類 內標準差dj,其中j = 1，2, . . .，cQ ; (2d)將類內標準差dj與最大類內標準差03進行比較，如果(1，03且
則執行步 驟（2e)，否則跳轉步驟（2f); (2e)將\_平均分成兩個新的聚類集，更新聚類數目C(l，返回步驟（2b); (2f)計算聚類原型中第j個聚類集&和第j+1個聚類集\_+1的聚類中心的距離& j+1 ; 并將其與最小聚類中心距離Θ。相比較，如果Du+1〈 Θ。則執行步驟（2g)，否則，跳轉步驟 (2h)； (2g)將所述的兩個聚類集h和h+1合并成一個聚類集，更新聚類數目C(l，返回步驟 (2b)； (2h)將迭代次數t與最大迭代次數?；相比較，如果t = ?；，輸出最優聚類數目c = C(l， 終止迭代操作，否則令t = t+1，返回步驟（2b); (3) 根據最優聚類數目c，應用多智能體遺傳聚類算法，對圖像灰度信息數據data進行 聚類，輸出最優聚類標簽： (4) 根據最優聚類標簽，對輸入的待分割圖像的像素點進行分類，將每一類像素點作為 一個圖像塊，得到分割圖像。
2. 根據權利要求1所述的基于迭代自組織和多智能體遺傳聚類算法的圖像分割方法， 其中所述步驟（2c)中的總類內平均距離
、類內平均距離
和類內標準差dj，其計算公式 分別為： 總類內平均距離：
類內平均距離：
類內標準差：
式中，j = 1，2,. . .，C(1，N為圖像內所有像素點的個數，％為第j類聚類集中的像素點數 目，Sj為第j類聚類集，X為聚類集h內像素點的灰度值，Zj為第j類聚類域的聚類中心， C(!為聚類數目。
3. 根據權利要求1所述的基于迭代自組織和多智能體遺傳聚類算法的圖像分割方法， 其中步驟（3)中所述的應用多智能體遺傳聚類算法，對圖像灰度信息數據data進行聚類， 按如下步驟進行： (3a)隨機初始化聚類原型，每個聚類原型作為一個智能體，確定智能體種群大小，最 大進化代數T，競爭概率為匕，變異概率為pm，令進化代數t = 0 ; (3b)利用如下公式計算種群中智能體的能量Energy (V):
式中V表示種群中的單個智能體，c為最優聚類數目，S」為第j類聚類集，X為聚類集 Sj內像素點的灰度值，ζ」為對應聚類中心； (3c)根據種群中智能體的能量Energy (V)，將鄰域競爭算子作用在智能體網格U中的 每個智能體上，獲得智能體網格Lt+1/2 ; (3d)設R(0，1)是0到1之間的隨機數，如果R(0，1)小于變異概率pm，將高斯變異算 子作用在智能體網格Lt+1/2中的智能體上，得到下一代智能體網格Lt+1 ; (3e)從下一代智能體網格Lt+1中找到能量最大的智能體CBestt+1，將自學習算子作用 在該智能體CBestt+1上，更新智能體網格得到更新后的智能體網格Lt+1，檢查當前代數t是 否達到最大進化代數T，如果t = T，輸出最優聚類標簽并停止，否則，
返回步驟 (3b)。
4. 根據權利要求3所述的基于迭代自組織和多智能體遺傳聚類算法的圖像分割方 法，其中所述步驟（3c)中的鄰域競爭算子，是指按如下兩種策略之一產生一個新的智能體
策略1 : 按下式產生新智能體

其它
^ 其中p = 1，2,…，c，ep為
中的元素，2LP為智能體網格中智能體元素數值的下界，
為智能體網格中智能體元素數值的上界，mp為智能體
中位于p處的值,lp為智能體Lii; jj 中位于P處的值，c為聚類數目，R(-l，1)為-1到+1之間的隨機數； 策略2,按如下步驟產生新智能體
第一步，按下式將
中所有元素mp映射到區間[0, 1]上，得到新的元素
用這些元素構成中間智能體

其中p = 1，2,…，c，Ki^c，l〈i2〈c，C為最優聚類數目，mp為智能體
中位于 P處的值，
為智能體網格中智能體元素數值的下界，
為智能體網格中智能體元素數值 的上界； 第二步，根據下式將智能體
映射回區間
上，得到新智能體·

%為
中的元素，
為智能體網格中智能體元素數值的下界，
為智能體網格中智 能體元素數值的上界，c為聚類數目； 所述的兩種不同策略根據競爭概率P〇進行選擇： 首先，產生〇到1之間的隨機數R(〇, 1); 其次，令R(〇, 1)與競爭概率P〇相比較，如果R(〇, 1)>Ρ〇,則選擇策略1，否則，選擇策略 2〇
5. 根據權利要求3所述的基于迭代自組織和多智能體遺傳聚類算法的圖像分割 方法，其中所述步驟（3d)中的高斯變異算子，是指通過下式產生一個新的變異智能體

其中ρ = 1，2,…，c，c為聚類數目，lp為智能體L&"中位于ρ處的值；G (0, Ι/t)是高 斯分布的隨機數；R(〇, 1)是〇到1之間的隨機數，T為總進化代數，t是當前進化代數。
6. 根據權利要求3所述的基于迭代自組織和多智能體遺傳聚類算法的圖像分割方法， 其中所述步驟（3e)中的自學習算子，是指按如下步驟產生一個新的智能體： (3el)利用智能體網格生成的方法產生一個自學習智能體網格sL，其大小為 SLsizeXsLsize，sLsize 為整數，其上的所有智能體 ^,，」，，i'，j' = 1，2,. . .，sLsize 根據下 式產生：

其它 其中p = 1，2,…，c，ιρ為智能體網格中智能體元素數值的下界；i為智能體網格中 智能體元素數值的上界；lp為智能體CBestt+1中位于p處的值，R(l-sR，Ι+sR)表示Ι-sR到 1+sR之間的隨機數，sR e [〇, 1]表示搜索半徑； (3e2)將鄰域競爭算子和變異算子迭代作用在自學習智能體網格sL上，最大迭代代數 為sG，用自學習智能體網格sL中能量最大的智能體替代當前種群中的任意一個智能體。
【文檔編號】G06T7/00GK104050680SQ201410316974
【公開日】2014年9月17日 申請日期:2014年7月4日 優先權日:2014年7月4日
【發明者】劉靜, 焦李成, 王霄, 熊濤, 劉紅英, 馬文萍, 馬晶晶 申請人:西安電子科技大學