基于nsga-ⅱ进化算法的彩色图像分割的制作方法
【技术领域】
[0001] 本发明隶属于图像处理技术领域，主要用于对彩色图像进行分割W达到目标识 别。
【背景技术】
[0002] 图像分割在图像处理领域的作用是极其重要的，是计算机视觉和模式识别中关键 技术之一，近年来许多学者将智能计算技术应用于图像分割领域，其主要包括神经网络、遗 传算法、群智能算法W及人工免疫系统框架。所谓分割就是将图像分为若干区域，它们之间 互相不重叠，每个区域代表图像中不同的特征，并把同一部分像素标记为相同的值，每个相 同的值在分割过程中对应一个标记号。只要找到对应像素的特征标记号，就行得到对像素 的分类结果，从而实现图像分割。
[0003] 进化多目标优化是进化领域的一个重要研究方向，而基于pareto最优解概念的 多目标遗传算法则是当前遗传算法的研究热点。
[0004]NSGA-II是2002年Deb等人对其算法NSGA的改进，它是迄今为止最优秀的进 化多目标优化算法之一，提出该算法的文献是《DebK,PratapA,AgarwalS,Meyarivan T.Afastandelitistmulti-objectivegeneticalgorithm:NSGA-II.IEEETrans,on EvolutionaryComputation，2002,6(2):182-197〉〉。相对于NSGA而言，NSGA-II具有臥下 优点；一是新的基于分级的快速非支配解排序方法降低了计算复杂度；二是为了标定快速 非支配排序后同级中不同元素的适应度值，同时使当前pareto前沿面中的个体能够扩展 到整个pareto前沿面，并尽可能地均匀遍布。该算法提出了拥挤距离的概念。采用拥挤距 离比较算子代替了NSGA中的适应度共享方法；S是引入了精英保留机制，经选择后参加繁 殖的个体所产生的后代与其父代个体共同竞争来产生下一代种群，因此有利于保持优良的 个体，提高种群的整体进化水平。
【发明内容】
[0005] 本发明的目的在于将图切能量函数式中的区域惩罚项R(x)和边界惩罚项B(x) 作为多目标优化中的两个目标函数，避免了图切能量函数中参数A的使用，提出一种基于 NSGA-II进化算法的方法来进行彩色图像分割，从而省略了A参数的确定。
[0006] 为实现上述目的，本发明包括如下步骤：
[0007] (1)输入一幅待分割图像；
[000引似对待分割图像中的像素进行标记并聚类，得到标记并聚类后的图像；
[0009] (3)对标记并聚类后的图像用分水岭方法进行粗分割，得到粗分割后的图像；
[0010] (4)对粗分割后的图像进行种群初始化，得到初始化种群；
[0011] (5)计算初始化种群中的个体的适应度；
[0012] 做初始化种群非支配快速排序，得到排序的序号和拥挤度距离：
[001引 6a)利用NSGA-II算法中的非支配快速排序对初始化种群中的个体进行排序，生 成排序的序号，把初始化种群中的个体按照序号从小到大划分等级；
[0014] 6b)利用NSGA-II算法中的拥挤度距离计算方法计算同一等级上的个体之间的拥 挤度距罔；
[0015] (7)根据排序的序号和拥挤度距离通过二元锦标赛算法选择父代种群；
[0016] (8)父代种群交叉和变异生成子代：
[0017] 8a)对父代种群做交叉操作，得到交叉后的子代种群；
[001引8b)对父代种群做变异操作，得到变异后的子代种群；
[0019] (9)父代和子代种群合并进行非支配快速排序，得到排序序号和拥挤度距离：
[0020] 9a)利用NSGA-II算法中的非支配快速排序对合并后种群中的个体进行排序，生 成排序的序号，按照序号从小到大把合并后种群中的个体划分等级；
[002U 9b)利用NSGA-II算法中的拥挤度距离计算方法计算同一等级上的个体之间的拥 挤度距离；
[0022] (10)根据排序的序号和拥挤度距离通过二元锦标赛算法选择出精英种群；
[0023] (11)判断是否达到循环代数设置条件，本实验循环代数设置为700。若未达到则 跳转到步骤（7)，并循环直至达到循环代数设置条件，输出pareto前端；
[0024] (。）从pareto前端中选取一个解，给待分割图像的像素点赋值，得到待分割图像 中所有像素的最终分割结果。
[0025] 本发明与现有技术相比具有W下优点：
[0026] 第一，本发明利用梯度幅度对图像进行预先处理，并在梯度图像上运用形态学开 闭运算来平滑图像，最后在梯度图像的基础上采用分水岭算法对图像进行粗分割，从而有 效地解决了过分割问题，降低了算法的时间复杂度。
[0027] 第二，本发明将图切能量函数式中的区域惩罚项R(x)和边界惩罚项B(x)作为多 目标优化中的两个目标函数，用多目标优化的方法来进行彩色图像分割，从而避免了图切 能量函数中参数A的使用，而参数A的确定本身是一个非常麻烦却无技巧可言的过程。 [002引第S，本发明得到了一组结果，可W根据需求的不同来选择自己想要的结果。
【附图说明】
[0029] 图1为本发明的实现流程图；
[0030] 图2为本发明的仿真实验中对flowers分割的结果图；
[0031] 图3为本发明的仿真实验中对tree分割的结果图；
[0032] 图4为本发明的仿真实验中对pumpkin分割的结果图。
【具体实施方式】
[0033] 下面结合附图对本发明作进一步描述。
[0034]参照图1，本发明的具体实现如下：
[0035] 步骤1，输入一幅待分割图像。
[0036] 本发明的待分割图像为彩色自然图像。
[0037]步骤2,对待分割图像中的像素进行标记并聚类，得到标记并聚类后的图像。
[003引 （2. 1)设计交互式界面：
[0039] (2. 1. 1)用matl油设计界面，打开一个窗口，窗口的工具栏中只有一个选项 "file", "file"的下拉选项中有"open"和"exit",分别对应的操作是打开图像和退出整个 过程。窗口左边大面积显示待分割图像，右边是单击按钮，用户单击"objseeds"按钮可W 在图像上标记目标种子，单击"bkgseeds"可W标记背景种子；
[0040] (2. 1. 2)根据用户的个人喜好在待分割图像上标记目标种子和背景种子，红色痕 迹代表目标种子，藍色痕迹代表背景种子；
[0041] (2. 2)分别对目标种子和背景种子进行聚类，采用的方法是模糊C均值聚类，聚类 数目设置成40。
[0042] 步骤3,对标记并聚类后的图像使用分水岭方法进行粗分割，得到粗分割后的图 像。
[0043] (3. 1)利用梯度幅度对标记并聚类后的图像进行预先处理，形成梯度图像；
[0044] (3. 2)在梯度图像上运用形态学开闭运算W平滑梯度图像：
[0045] (3. 2. 1)先腐蚀后膨胀的过程称为开运算。用来消除小物体、在纤细点处分离物 体、平滑较大物体的边界的同时并不明显改变其面积；
[0046] (3. 2. 2)先膨胀后腐蚀的过程称为闭运算。用来填充物体内细小空洞、连接邻近物 体、平滑其边界的同时并不明显改变其面积；
[0047] (3. 3)用分水岭方法对平滑后的梯度图像进行粗分割，得到不同的图像块。
[0048] 步骤4,对粗分割后的图像进行种群初始化，得到初始化种群。
[0049] 初始种群的大小pop设为150,进化代数gen设为700,种群中的个体代表对分水 岭粗分割得到的图像的块的标号，每个个体代表一个图像块的标号（标号取值为0或者1)。 属于目标的个体标号固定为1，属于背景的个体标号固定为0,其余采用随机初始化的方法 设定。
[0化0] 步骤5,计算初始化种群中的个体的适应度。
[0051] 计算初始化种群中的个体的适应度即对图切能量函数进行计算的过程，图切能量 函数式E(X)如下：
[0052] E(x) =AR(x)+B(x)
[0化3] 待优化的两个目标函数为
[0054]
[0化5] (5.l)R(x)为图切能量函数式中的区域惩罚项，衡量的是对图像中的每一个像素 赋予一个特定的标号所要付出的代价R(Xi)之和，其定义如下：
[0化6] (5. 1. 1)首先对用户标记的种子进行预处理，即对分别将前景种子和背景种子聚 成K类，对种子聚类操作完成之后得到的中屯、分别用{辟巧日{辟]来表示，该个值将会在后 续的区域惩罚项时用到。其中，n代表前景种子的第n类，m代表背景种子的第m类。
[0化7] (5. 1. 2)对于每一个像素i，计算它与每一个前景种子类的颜色距离，然后选择颜 色距离最小的一个作为该像素点到前景种子的距离df，同样，对于每一个像素i，计算它与 每一个背景种子类的颜色距离，然后选择颜色距离最小的一个作为该像素点到背景种子的 距离df\.公式如下；
[005引
[0化9] (5. 1. 3)对种子像素处理完毕后，并得到了每一个像素到前景种子和背景种子的 距离，然后建立数据项（区域惩罚项），定义如下：
[0060]
[0061] (5. 2)B(x)为图切能量函数式中的边界惩罚项，衡量的是将所有相邻的两个像素 赋予不同标号是所要付出的代价值和，也就是说，边界惩罚项应该体现两个相邻像素究竟 能够达到怎样的一个相似程度，其定义如下：
[006引（5. 2. 1)只有当相邻的两个像素被赋予不同的标号时，该个惩罚才有效，当该两个 像素相似性程度很高时，该个代价值应该很大，当他们之间相差较远时，将他们分成不同类 的代价应该很小，接近于0。
[006引（5. 2.。B(i，_]?)的定义如下；
[0064]
[00化]其中，IIc(i)-c(j)II2是像素i和j的颜色梯度，该种定义方法只利用了像素之间 的颜色梯度来衡量它们的相似性。
[0066] (5.如5 (X。Xj)的定义如下；
[0067]
[0068] 步骤6,初始化种群非支配快速排序，得到排序的序号和拥挤度距离。
[0069] (6. 1)根据个体的适应度值和pareto准则，对种群进行非支配快速排序得到非支 配个体，将所有的非支配个体组成一个临时种群，其中，pareto准则为：
[0070] 对m个多目标变量的多目标优化问题可表述为：
[0071]minF(X) =(f1(X), (X)，…，fm(X))T,XGX
[0072] 假设Xa,XbGX为两个可行解，若XApareto支配Xb，则存在且只存在
[0073]
[0074] 记作XafXb如果不存在其它解支配XA，则称Xa为非支配解，
[0075] 其中X为可行域