基于多目标模糊聚类的灰度图像分割方法
【专利摘要】本发明公开了一种基于多目标模糊聚类的灰度图像分割方法，它涉及图像处理【技术领域】，主要解决灰度图像分割准确率低的问题。该方法是在对图像进行灰度化处理后，根据生成的灰度直方图来随机生成多个聚类中心，并组成父代抗体种群；本发明的关键在于首次将致密分离有效性函数作为评价准则和模糊C-均值方法中的模糊优化函数相结合，形成多目标优化问题，并采用免疫克隆多目标进化算法对整个父代种群进行多次迭代，从多个方向同时搜索，并行计算，最终得到最优的聚类中心，输出分类结果，有效地保留灰度图像中的细节信息，减小错分率，提高了灰度图像分割的精度，为灰度图像分割的后续操作提供更好的平台。可用于提取和获得灰度图像的细节信息。
【专利说明】基于多目标模糊聚类的灰度图像分割方法
【技术领域】
[0001]本发明属于图像处理领域，主要涉及灰度图像分割方法，具体是一种基于多目标模糊聚类的灰度图像分割方法，可用于提取灰度图像的细节信息，为图像处理后续的目标识别、特征提取等工作提供较好的信息基础。
【背景技术】
[0002]随着各种成像技术的发展，人们对处理图像的需求与应用日益增加。例如:网络图像，遥感图像，合成孔径雷达图像等都已经成为重要的研究领域。图像分割是图像处理中的一个重要问题，它既是对所有图像预处理效果的一个检验，也是后续进行图像分析与解译的基础。图像分割就是按照图像的某些特征把图像中具有特殊涵义的不同区域分开来，比如根据灰度图像像素之间的不同灰度级别而进行分割，分割后使得同一区域中的像素灰度值相近，而相邻区域间的灰度值有明显的差别。
[0003]最近几年，通过将原有的图像分割方法与其他学科相交叉结合，人们提出了许多新颖有效的图像分割方法，主要包括:阈值分割法、区域增长法、形态学分割法和进化聚类等方法。这些方法由于没有考虑图像具有的模糊性和不确定性，因此难以得到准确的结果。而模糊聚类的方法是将模糊集的概念应用于聚类分析中，它通过描述图像中的每个像素属于各个聚类中心的不确定程度来表示图像的模糊性，因此得到了广泛应用。尤其是模糊C-均值法FCM，它是聚类算法中最为典型的一种非监督的模糊聚类方法，并被广泛的应用于图像分割、数据聚类、模式识别等领域。
[0004]FCM是一种基于优化模糊目标函数的聚类方法，它的主要实现过程是将图像中向量空间的样本点按照某种规则度量划分聚类成所要求取的K个子空间，评判聚类结果中每个像素的特征是根据该数据与聚类中心的隶属程度，该隶属度是用一个O?I区间的数值来表示，增加了类别间的模糊性，因此FCM聚类分割算法具有良好的局部收敛性，并且适合在高维特征空间中进行像素的分类。然而FCM算法在处理图像分割时的不足之处在于:(I)FCM算法没有充分考虑图像的空间信息，仅仅将所有样本作为分散的样本点进行聚类，导致最后的分割结果在区域一致性上很差，区域内部存在杂点；(2)FCM算法对初始值和噪声比较敏感，容易陷入局部最优，导致分割效果较差。
[0005]经过网络查新，未发现有与本发明相同的技术方案。
【发明内容】
[0006]本发明的目的在于克服上述已有方法的不足，提出了一种基于多目标模糊聚类的灰度图像分割方法，以提高灰度图像分割中细节部分的保留，提高图像分割的精度，为后续图像处理提供良好的信息基础，进而为整个的图像信息处理过程减小误差。
[0007]实现本发明目的的技术方案包括如下步骤:
[0008](I)读入一幅不含噪声的灰度图像I，并统计该灰度图像I的灰度直方图GH，GH =In1, I = 0，1，...，255}，I是灰度图像I的灰度级，H1是灰度级I的像素点个数。[0009](2)根据灰度图像I的灰度直方图GH随机生成聚类中心C，C= Ici, i = 1，...，K}，在本发明中聚类中心C也称为抗体，Ci为第i类的聚类中心，K为灰度图像I的分割类别数。
[0010](3)按照步骤(2)对灰度图像I进行操作，生成N个抗体，组成灰度图像I的父代抗体种群VSV= {Cj, j = 1，...，N}，其中N为灰度图像I的种群个数，设种群迭代次数为t, t的初始取值为1，j是循环变量。
[0011](4)根据灰度图像I的父代抗体种群V中任意抗体C，计算灰度图像I的模糊隶属度矩阵U为:
[0012]U = {uib, i = I,..., K, b = I,..., M},
[0013]其中，M是灰度图像I的像素点总个数，Uib是灰度图像I中第b个像素点Xb属于第i类的模糊隶属度，表示为:
【权利要求】
1.一种基于多目标模糊聚类的灰度图像分割方法，其特征在于包括有如下 步骤: (1)读入一幅不含噪声的灰度图像I，并统计灰度图像I的灰度直方图GH为GH=In1, 1=O, 1,..., 255}，I是灰度图像I的灰度级，H1是灰度级I的像素点个数； (2)根据灰度图像I的灰度直方图GH随机生成聚类中心C，C={Ci，i = 1，...，K}，聚类中心C也称为抗体，Ci为第i类的聚类中心，K为灰度图像I的分割类别数； (3)按照步骤(2)对灰度图像I进行操作，生成N个抗体，组成灰度图像I的父代抗体种群V为V = (Cj, j = 1，...，N}，其中N为灰度图像I的种群个数，设种群迭代次数为t，t的初始取值为1，j是循环变量； (4)根据灰度图像I的父代抗体种群V中任意抗体C，计算灰度图像I的模糊隶属度矩阵U为:
U = {uib，i = 1，...，K，b = 1，...，Μ}， 其中，M是灰度图像I的像素点总个数，Uib是灰度图像I中第b个像素点Xb属于第i类的模糊隶属度，表示为:
2.根据权利要求1所述的基于多目标模糊聚类的灰度图像分割方法，其特征在于:步骤(6)中所述的两个目标函数值表示为:
3.根据权利要求2所述的基于多目标模糊聚类的灰度图像分割方法，其特征在于:步骤(8)中从灰度图像I的父代抗体种群V中寻找非支配抗体Cf，形成非支配抗体种群Vf，其过程包括: 8.1选取灰度图像I的父代抗体种群V中的任意一个抗体Cf ； 8.2判断抗体Cf是否满足下述条件:
Cj Φ C^f1 (C*) ^ ^ (Cj)&f2(C*) > f2 (Cj)) I I (f! (C*) > ^ (Cj)&f2(C*) ^ f2(Cj)), 其中fW)和f2(cf)分别是抗体Cf的目标函数和目标函数f2的值，A(Cj)和 f2 (Cj)分别是抗体Cj的目标函数和目标函数f2的值，j = 1，...，N ; 8.3满足上述条件的抗体Cf称为非支配抗体，Vf是灰度图像I的父代抗体种群V中所有非支配抗体Cf的集合。
4.根据权利要求3所述的基于多目标模糊聚类的灰度图像分割方法，其特征在于:步骤(12)中所述的最高迭代次数gmax在50到100之间取值。
【文档编号】G06T7/00GK103473786SQ201310478585
【公开日】2013年12月25日 申请日期:2013年10月13日 优先权日:2013年10月13日
【发明者】尚荣华, 焦李成, 王佳, 马文萍, 公茂果, 齐丽萍, 李阳阳, 王爽, 马晶晶 申请人:西安电子科技大学