基于迭代自组织和多智能体遗传聚类算法的图像分割方法
【专利摘要】本发明公开了一种基于迭代自组织和多智能体遗传聚类算法的图像分割方法，主要解决现有技术中分割结果过分依赖初始参数、容易陷入局部最优的问题。其分割步骤为：1)提取待分割图像的灰度信息；2)将迭代自组织算法ISODATA算法思想作用到待分割图像上，获得最优聚类数目；3)根据最优聚类数目，利用多智能体的算法框架对待分割图像进行聚类，获得最优聚类标签；4)根据最优聚类标签，对待分割图像像素分类，实现图像分割。本发明不需明确确定聚类数目，且收敛效果好，容易得到全局最优值，能够改善图像分割的质量、增强了分割结果的稳定性，可用于图像目标的提取和识别以及其它后续处理。
【专利说明】基于迭代自组织和多智能体遗传聚类算法的图像分割方法
【技术领域】
[0001] 本发明隶属于数字图像处理【技术领域】，涉及一种图像分割方法，可用于模式识别 以及计算机视觉领域。
【背景技术】
[0002] 图象分割是图象处理中一项关键技术，其在图像处理研究中有着非常广泛的应 用，例如目标识别、目标测量都是以图像分割为基础的，图像的分割结果直接影响着后续任 务的进行，因此图像分割的研究具有十分重要的意义。图像分割是一种特殊的图像处理技 术，其实质上是按照图像像素属性即灰度、纹理、颜色进行分类的一个过程。现有图像分割 方法中较为常用的方法包括基于聚类的图像分割方法和基于边缘提取的图像分割方法。其 中，基于聚类的图像分割方法应用尤为突出，其优点是易于实现，分割效果好。基于边缘提 取的图像分割方法常应用于边缘清晰，对比度明显的图像上，但是其缺点尤为明显：无法应 用于复杂的自然图像分割和SAR图像分割上。
[0003] 基于聚类的分割方法被广泛地应用于生物医学、计算机视觉和遥感图像处理等领 域。聚类实质是将未知分布的一组数据进行分类，最大程度的使同一类别中的数据具有相 同的性质，且不同类的数据具有不同的性质。
[0004] 基于此，各种各样的聚类算法被应用到图像分割领域，并且取得了越来越满意的 效果。但由于图像数据的特殊性与多样性，并非所有的聚类算法都可以直接应用到图像分 割领域，很多算法都需要进行包装改进，甚至一部分算法根本就不适合用于进行图像分割。 目前的研究中，常用的聚类技术有以下几种：分层聚类算法，最近邻域聚类算法，模糊聚类 算法，人工神经网络聚类算法，遗传聚类算法。
[0005] 初期，研究人员常常用于图像分割的聚类算法是分层聚类算法。这种算法的优点 是简单，易于操作，但同时它也带来了很多不便，比如：依赖于初始设定的聚类种类数目、容 易陷入局部最优、聚类结果不理想等等。为了解决这类问题，研究人员进行了很多尝试，有 人采用遗传算法GA与聚类算法相结合，得到了比较满意的结果，但由于传统遗传算法全局 进化机理的局限性，结合后的聚类方法仍然具有依赖聚类初始设定类别和容易陷入局部最 优值等缺点，导致图像分割结果质量的下降和分割效果稳定性的降低，不利于后续的图像 分析和处理。
【发明内容】
[0006] 本发明的目的在于针对上述已有技术的不足，提出一种基于迭代自组织和多智能 体遗传聚类算法的图像分割方法，以减小初始设定参数对聚类结果的影响，改善图像分割 效果，增强图像分割结果的稳定性。
[0007] 为实现上述目的，本发明的技术方案包括如下步骤：
[0008] (1)输入待分割图像，提取待分割图像的灰度信息，标记为data ;
[0009] (2)对数据data进行迭代自组织处理，输出最优聚类数目C :
[0010] (2a)令聚类数目为C(l，最大迭代次数为?；，最大类内标准差为0s，最小聚类中心 距离为Θ。，随机初始化聚类原型，令迭代次数t = 0 ;
[0011] (2b)利用下式修正聚类原型的各聚类中心
[0012]
【权利要求】
1. 一种基于迭代自组织和多智能体遗传聚类算法的图像分割方法，包括如下步骤： (1) 输入待分割图像，提取待分割图像的灰度信息，标记为data ; (2) 对数据data进行迭代自组织处理，输出最优聚类数目c : (2a)令聚类数目为C(l，最大迭代次数为?；，最大类内标准差为0s，最小聚类中心距离 为Θ。,随机初始化聚类原型，令迭代次数t = 0 ; (2b)利用下式修正聚类原型的各聚类中心
式中，\为第j类聚类集聚类中心，％为第j类聚类集中的像素点数目，S」为第j类聚 类集，X为第j类内的对应数据值，Co为聚类数目； (2c)计算聚类原型中的总类内平均距离
以及第j类聚类集的类内平均距离
和类 内标准差dj,其中j = 1，2, . . .，cQ ; (2d)将类内标准差dj与最大类内标准差03进行比较，如果(1，03且
则执行步 骤（2e)，否则跳转步骤（2f); (2e)将\_平均分成两个新的聚类集，更新聚类数目C(l，返回步骤（2b); (2f)计算聚类原型中第j个聚类集&和第j+1个聚类集\_+1的聚类中心的距离& j+1 ; 并将其与最小聚类中心距离Θ。相比较，如果Du+1〈 Θ。则执行步骤（2g)，否则，跳转步骤 (2h)； (2g)将所述的两个聚类集h和h+1合并成一个聚类集，更新聚类数目C(l，返回步骤 (2b)； (2h)将迭代次数t与最大迭代次数?；相比较，如果t = ?；，输出最优聚类数目c = C(l， 终止迭代操作，否则令t = t+1，返回步骤（2b); (3) 根据最优聚类数目c，应用多智能体遗传聚类算法，对图像灰度信息数据data进行 聚类，输出最优聚类标签： (4) 根据最优聚类标签，对输入的待分割图像的像素点进行分类，将每一类像素点作为 一个图像块，得到分割图像。
2. 根据权利要求1所述的基于迭代自组织和多智能体遗传聚类算法的图像分割方法， 其中所述步骤（2c)中的总类内平均距离
、类内平均距离
和类内标准差dj，其计算公式 分别为： 总类内平均距离：
类内平均距离：
类内标准差：
式中，j = 1，2,. . .，C(1，N为图像内所有像素点的个数，％为第j类聚类集中的像素点数 目，Sj为第j类聚类集，X为聚类集h内像素点的灰度值，Zj为第j类聚类域的聚类中心， C(!为聚类数目。
3. 根据权利要求1所述的基于迭代自组织和多智能体遗传聚类算法的图像分割方法， 其中步骤（3)中所述的应用多智能体遗传聚类算法，对图像灰度信息数据data进行聚类， 按如下步骤进行： (3a)随机初始化聚类原型，每个聚类原型作为一个智能体，确定智能体种群大小，最 大进化代数T，竞争概率为匕，变异概率为pm，令进化代数t = 0 ; (3b)利用如下公式计算种群中智能体的能量Energy (V):
式中V表示种群中的单个智能体，c为最优聚类数目，S」为第j类聚类集，X为聚类集 Sj内像素点的灰度值，ζ」为对应聚类中心； (3c)根据种群中智能体的能量Energy (V)，将邻域竞争算子作用在智能体网格U中的 每个智能体上，获得智能体网格Lt+1/2 ; (3d)设R(0，1)是0到1之间的随机数，如果R(0，1)小于变异概率pm，将高斯变异算 子作用在智能体网格Lt+1/2中的智能体上，得到下一代智能体网格Lt+1 ; (3e)从下一代智能体网格Lt+1中找到能量最大的智能体CBestt+1，将自学习算子作用 在该智能体CBestt+1上，更新智能体网格得到更新后的智能体网格Lt+1，检查当前代数t是 否达到最大进化代数T，如果t = T，输出最优聚类标签并停止，否则，
返回步骤 (3b)。
4. 根据权利要求3所述的基于迭代自组织和多智能体遗传聚类算法的图像分割方 法，其中所述步骤（3c)中的邻域竞争算子，是指按如下两种策略之一产生一个新的智能体
策略1 : 按下式产生新智能体
其它
^ 其中p = 1，2,…，c，ep为
中的元素，2LP为智能体网格中智能体元素数值的下界，
为智能体网格中智能体元素数值的上界，mp为智能体
中位于p处的值,lp为智能体Lii; jj 中位于P处的值，c为聚类数目，R(-l，1)为-1到+1之间的随机数； 策略2,按如下步骤产生新智能体
第一步，按下式将
中所有元素mp映射到区间[0, 1]上，得到新的元素
用这些元素构成中间智能体
其中p = 1，2,…，c，Ki^c，l〈i2〈c，C为最优聚类数目，mp为智能体
中位于 P处的值，
为智能体网格中智能体元素数值的下界，
为智能体网格中智能体元素数值 的上界； 第二步，根据下式将智能体
映射回区间
上，得到新智能体·
%为
中的元素，
为智能体网格中智能体元素数值的下界，
为智能体网格中智 能体元素数值的上界，c为聚类数目； 所述的两种不同策略根据竞争概率P〇进行选择： 首先，产生〇到1之间的随机数R(〇, 1); 其次，令R(〇, 1)与竞争概率P〇相比较，如果R(〇, 1)>Ρ〇,则选择策略1，否则，选择策略 2〇
5. 根据权利要求3所述的基于迭代自组织和多智能体遗传聚类算法的图像分割 方法，其中所述步骤（3d)中的高斯变异算子，是指通过下式产生一个新的变异智能体
其中ρ = 1，2,…，c，c为聚类数目，lp为智能体L&"中位于ρ处的值；G (0, Ι/t)是高 斯分布的随机数；R(〇, 1)是〇到1之间的随机数，T为总进化代数，t是当前进化代数。
6. 根据权利要求3所述的基于迭代自组织和多智能体遗传聚类算法的图像分割方法， 其中所述步骤（3e)中的自学习算子，是指按如下步骤产生一个新的智能体： (3el)利用智能体网格生成的方法产生一个自学习智能体网格sL，其大小为 SLsizeXsLsize，sLsize 为整数，其上的所有智能体 ^,，」，，i'，j' = 1，2,. . .，sLsize 根据下 式产生：
其它 其中p = 1，2,…，c，ιρ为智能体网格中智能体元素数值的下界；i为智能体网格中 智能体元素数值的上界；lp为智能体CBestt+1中位于p处的值，R(l-sR，Ι+sR)表示Ι-sR到 1+sR之间的随机数，sR e [〇, 1]表示搜索半径； (3e2)将邻域竞争算子和变异算子迭代作用在自学习智能体网格sL上，最大迭代代数 为sG，用自学习智能体网格sL中能量最大的智能体替代当前种群中的任意一个智能体。
【文档编号】G06T7/00GK104050680SQ201410316974
【公开日】2014年9月17日 申请日期:2014年7月4日 优先权日:2014年7月4日
【发明者】刘静, 焦李成, 王霄, 熊涛, 刘红英, 马文萍, 马晶晶 申请人:西安电子科技大学