一种人工蜂群优化模糊聚类的图像快速分割算法的制作方法

本发明涉及一种聚类算法，具体涉及一种人工蜂群优化模糊聚类的图像快速分割算法。

背景技术：

近年来，用聚类思想解决图像分割问题比较热门，在聚类分割算法中，模糊c-均值聚类算法(fcm)应用较广，但fcm聚类划分算法中聚类中心的初始值直接影响分割效果，如果聚类中心接近最后结果，则会大大减少迭代次数，否则，fcm算法容易陷入局部极小值，导致最优图像难以分割。

传统的模糊c均值聚类图像分割算法是根据像素和聚类中心的加权相似性测度，对目标函数作迭代化优化，确定最佳聚类效果。为提高其分割速度，削减聚类数据的空间维度，在定位时，既能准确获取全局优化解，又要快速处理和识别目标，为了克服fcm图像分割算法陷入局部最优，提高算法速度和分割效果，特此提出一种人工蜂群优化模糊聚类的图像快速分割算法。

技术实现要素：

本发明的目的是提供一种人工蜂群优化模糊聚类的图像快速分割算法，用自然界蜂群的采蜜智能行为来优化传统fcm算法对初始化聚类中心的敏感性问题，此算法开始时由采蜜蜂寻找食物源，用改进的适应度函数值fi表示食物源的花蜜量，根据贪心算法对新旧食物源进行选择，采蜜蜂完成搜索后，将信息传递给跟随蜂，该蜂根据与花蜜量相关的概率p选一个食物源，它们同时也在食物源附近进行邻域搜索。当在某个食物源附近经有限次搜索后花蜜量无改进，则放弃该蜜源，跟这个食物源相关的采蜜蜂就转为侦察蜂来独立随机寻找蜜源，每个食物源的位置代表待分割图像最优聚类中心的一个可能解。

一种人工蜂群优化模糊聚类的图像快速分割算法，包括以下步骤：

1)提高分割速度；

先将待分割图像经过色彩空间变化后生成h-i颜色模型的灰度直方图，令聚类样本集为直方图中的256个灰度级，用h-i颜色模型的灰度直方图作为聚类方法的数据样本，削减了聚类数据的空间维度，则fcm算法的目标函数可表示为：

其中

式中，n-图像灰度级样本数据；c-聚类个数u-隶属度矩阵；v-图像聚类中心；μi(xk)-隶属度矩阵u的元素；m-模糊隶属度指数，通常大于1；di,k-第k个灰度级xk到第i个聚类中心υi的欧式距离；jfcm(u,v)表示图像各灰度级样本到各聚类中心的加权距离平方和；

2)适应度函数：

人工蜂群算法的适应度函数直接影响着图像分割的优劣性，蜂群行为是一个寻找最佳蜜源的搜索过程，即求解具有最大适应度蜜源的过程，而fcm算法的迭代过程是求解目标函数极小值的过程，因此，以fcm算法中目标函数为基础，构建改进的人工蜂群适应度函数fi，把求fcm算法目标函数的极小值转化成求解人工蜂群算法中适应度函数fi的极大值，如下公式：

式中，fi-食物源的花蜜量，λ为适应度动因子，是一个调节适应度幅度的常数，为一个大于等于1的整数；

3)新聚类中心选取概率：

算法中各跟随蜂依照适应度大小从采蜜蜂提供的信息中选取一个蜜源，并在其邻域内同样依概率pi进行新位置搜索，选择概率为

其中，sn-食物源数；

4)新聚类中心搜索策略：

采蜜蜂在食物源位置xi附近进行新的食物源搜索，新食物源位置为

vi＝xi+ψi(xi-xk)(4)

其中，k∈{1，2,3…，sn}，且k≠i随机生成，ψi为[-1，1]之间的随机数，这个参数控制搜索步长；

5)最优聚类中心搜索加速策略：

当某个采蜜蜂的位置搜索次数n到达预定的阈值l后，如果食物源花蜜量(即适应度)不能得到改进，就放弃这个食物源，如下式：

其中，xmin-食物源取值范围的最小值，xmax-食物源取值范围的最大值，r-[0，1]间的随机数，xi(n)-第n个可行解；

蜂群搜索加速策略防止种群陷入局部最优，因而能加快fcm算法求解最优聚类中心。

算法流程具体步骤如下：

(1)读入原始图像，生成图像的h-i颜色模型统计直方图。

(2)种群初始化，输入阈值l、最大循环次数m、模糊隶属度指数m。初始化隶属度矩阵u。设采蜜蜂与跟随蜂数量为sn，随机产生sn/2个采蜜蜂的位置作为聚类中心。

(3)由式(2)计算所有食物源的适应度，并设当前迭代次数为c＝1，开始循环。

(4)采蜜蜂根据式(4)做邻域搜索得到新食物源位置vi，用式(2)计算其新适应度。

(5)利用贪心算法对新旧位置择优，若vi的适应度大于记忆中的最优值，则xi＝vi，否则，xi不变。

(6)根据式(3)计算跟随蜂i与食物源相关的概率pi，跟随蜂根据pi选择食物源。

(7)跟随蜂进行邻域搜索产生新解vi，计算其适应度，若vi的适应度大于记忆中的最优适应度，则xi＝vi，否则，xi不变。

(8)经过l次循环后，如果适应度没有变化，则放弃该食物源，此时侦察蜂根据式(5)产生一个新解代替当前xi。

(9)记忆当前适应度最大的食物源位置，若迭代次数达到m，则停止迭代，找到最优聚类中心。否则转到步骤(4)，c＝c+1。

(10)求解每个样本对于最优聚类中心的隶属度，根据最大隶属度原则对图像进行分割，再通过形态学处理得到目标图像。

本发明的有益效果是：

本发明在传统的人工蜂群的基础上进行优化，以fcm算法中目标函数为基础进行人工蜂群的适应度函数、运用蜂群行为中的采蜜蜂、跟随蜂和侦察蜂的分工合作来快速求解图像中的最优初始聚类中心将求出的最优聚类中心输入给fcm进行处理，由最大隶属度原则对图像进行分割。本发明不仅有效克服了fcm和kfcm算法易陷入局部最优的缺点，而且对于聚类数比较大、维度较高的数据样本的聚类效果更准确，效率更高。

附图说明

图1是本发明的算法流程图。

具体实施方式

下面结合附图对本发明的算法流程作详细叙述。

参照图1、一种人工蜂群优化模糊聚类的图像快速分割算法，先将待分割图像经过色彩空间变化后生成h-i颜色模型的灰度直方图，令聚类样本集为直方图中的256个灰度级。然后运用人工蜂群算法中的采蜜蜂、跟随蜂、侦查蜂的分工合作来快速找出果实图像的最优聚类中心。最后用fcm算法对图像进行聚类分割。算法流程如图1所示，具体步骤如下：

(1)读入原始图像，生成图像的h-i颜色模型统计直方图。

(2)种群初始化，输入阈值l、最大循环次数m、模糊隶属度指数m。初始化隶属度矩阵u。设采蜜蜂与跟随蜂数量为sn，随机产生sn/2个采蜜蜂的位置作为聚类中心。

(3)由式(2)计算所有食物源的适应度，并设当前迭代次数为c＝1，开始循环。

(4)采蜜蜂根据式(4)做邻域搜索得到新食物源位置vi，用式(2)计算其新适应度。

(5)利用贪心算法对新旧位置择优，若vi的适应度大于记忆中的最优值，则xi＝vi，否则，xi不变。

(6)根据式(3)计算跟随蜂i与食物源相关的概率pi，跟随蜂根据pi选择食物源。

(7)跟随蜂进行邻域搜索产生新解vi，计算其适应度，若vi的适应度大于记忆中的最优适应度，则xi＝vi，否则，xi不变。

(8)经过l次循环后，如果适应度没有变化，则放弃该食物源，此时侦察蜂根据式(5)产生一个新解代替当前xi。

(9)记忆当前适应度最大的食物源位置，若迭代次数达到m，则停止迭代，找到最优聚类中心。否则转到步骤(4)，c＝c+1。

(10)求解每个样本对于最优聚类中心的隶属度，根据最大隶属度原则对图像进行分割，再通过形态学处理得到目标图像。