专利名称：基于免疫密母聚类的图像分割方法
技术领域：
本发明属于图像处理领域，涉及纹理图像及SAR图像分割的方法，可应用于目标识别。
背景技术：
图像分割是图像处理中的基本技术.是按照图像的某些特性，例如灰度级、频谱、纹理，将图像空间划分为ー些区域。图像分割技术在实际中的应用非常广泛，对图像目标的提取、測量都离不开图像分割，分割的准确性直接影响后续任务的有效性，因此具有十分重要的意义。目前常用的图像分割技术主要采用阈值分割技术、边缘分割技术、区域增长分割技术。 聚类就是指在没有训练样本的情况下将一组特征分成若干个类别的过程，基于聚类的图像分割的基本思想是用每个图像像素的特征表示其像素，通过把该像素特征作为对象进行聚类的方法找到这些特征和其对应像素的标号，映射回原图像空间，得到分割结果。图像分割的目的在于将图像划分成互不交叠的若干个区域，要求每个区域的内部具有一致的纹理，而不同区域之间的纹理不同。图像分割的过程就是给每个像素分配ー个标号，该标号反映像素在分割结果中所属的类别，对于基于图像特征的图像分割方法，图像分割的实质是一个按照像素属性即灰度、纹理、顔色进行聚类的过程，因此将数据挖掘中的聚类算法用于图像分割，利用对图像上的像素点进行聚类处理，可以达到图像分割的目的。其优点为可以解决图像边缘不清晰的问题，同时聚类方法具有可发现性，可以对图像的处理カ度进行控制。但由于图像数据的特殊性，并不是所有的聚类算法都能直接应用于图像分割，有的算法需要改进，有的算法根本不适合这个领域的分类；而且有的分割算法中分类思想体现的比较明显，一些则不明显，也就是说聚类算法应用于图像分割领域是有其特点的。针对传统聚类技木本身存在的一些缺陷，例如对初始值敏感，导致分割结果不稳定等，近年来将智能信息处理技术结合聚类用于图像分割成为ー个热点研究方向，主要包括遗传聚类、免疫克隆选择聚类、密母聚类等。在这类方法中，图像分割被表示为组合优化问题，而这些智能信息处理技术作为一种优化算法来寻找最优的图像分割結果。上述聚类技术虽然能够克服传统聚类技术对初始值和噪声敏感等缺陷，但是它们采用単一的种群进化方式及传统的更新种群操作，很容易减少种群多祥性，从而陷入局部极值，严重影响图像分割结果。尽管也存在一些改进技木，例如改变交叉变异方式，增大种群规模等，但都没能从根本上解决以上问题。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于免疫密母聚类的图像分割方法，将免疫克隆选择理论与密母理论相结合，充分利用二者的优点，提高对纹理图像和SAR图像的分割效果。
实现本发明目的的技术方案是用图像的灰度共生矩阵及小波特征，反映图像信息，对这两者构成的多维特征向量进行聚类。其具体实现步骤如下(I)输入一幅待分割图像；(2)提取待分割图像的纹理特征，用灰度共生矩阵方法提取图像的前12维纹理特征向量，用小波分解方法提取图像的后10维纹理特征向量，得到N个D维的纹理特征向量，其中N为图像的像素个数，D为用灰度共生矩阵方法与小波分解方法提取待分割图像的纹理特征向量维数之和；(3)对待分割图像进行分水岭预分割，得到NI个不重叠的区域块，对每ー个区域块所包含像素点的纹理特征向量取平均值，得到NI个D维的纹理特征向量，作为聚类的输入数据样本，NI为分水岭分割块数；(4)将第一个种群a分为两部分进行初始化4a)根据最小生成树MST原理生成第一部分种群al ；4b)随机产生第二部分种群a2，每个个体基因位上的值是I到K之间的随机数，K为待分割图像的分类数；(5)对第一个种群a中的个体按照如下公式计算适应度值
Atness = K RNi PNi-
_4]midis( ^mi) +1
-j-- ,dis{pijk = P1Jkg - m,s Y ，RNi是第i类包含的区域块数，PNi是第i类中第j个区域块包含的像素点数，Pijk为第i类中第j区域块的第k个像素点，Hli是第i类的聚类中心，れら为第i类中第j区域块的第k个像素点的第g个特征为第i类聚类中心的第g个特征，D为用灰度共生矩阵方法与小波分解方法提取待分割图像的纹理特征维数之和；(6)计算出第一个种群a中所有个体的适应度值后，将适应度值由高到低排序，取前d个个体的聚类中心作为第二个种群b的抗体,将前d个个体对应的适应度值作为第二个种群b中抗体的亲和度值，d为第二个种群b中抗体的个数；(7)进化第一个种群a7a)用基于同类之间交叉方法对第一个种群a中的个体进行交叉操作，重组第一个种群a中的个体信息；7b)用单点变异方法对交叉操作后的第一个种群a中的个体进行变异操作，以提高第一个种群a的多祥性；7c)用个体学习方法对变异操作后的第一个种群a中的个体进行局部捜索，使第一个种群a不会陷入局部最优解；7d)用精英联赛机制对个体学习操作后的第一个种群a中的个体进行选择操作，并把适应度值最高的个体保存到精英种群c中；(8)进化第二个种群b8a)对第二个种群b中的抗体进行比例克隆操作；Sb)用均匀变异操作对比例克隆操作后的第二个种群b中的抗体进行变异操作，以提高第二个种群b的多祥性；8c)用克隆选择方法对均匀变异操作后的第二个种群b中的抗体进行选择操作，并用选择操作之后第二个种群b中抗体取代选择操作后的第一个种群a中适应度值最低的d个个体；(9)如果进化种群a和b执行的次数达到Gmax次，则执行步骤(10)，否则执行步骤
(5)，Gfflax为进化两个种群a和b的最大迭代次数；(10)从精英种群c中，选择适应度最大值对应的个体作为最优个体；(11)在最优个体中，由每个块的类标找到每个像素点的类标，从闭区间
中任意选择ー个整数作为所标记像素的灰度值，得到分割結果。
本发明由于结合了密母进化理论与免疫克隆选择理论的不同特性，采用两种不同的方法初始化两个种群，并用密母算子和免疫克隆算子分别对两个种群同时进行进化操作，有效地保持了种群的多祥性，避免了种群陷入局部极值，并加快了种群的收敛速度；仿真结果表明，本发明方法与现有的K均值聚类算法与密母聚类算法相比较，本算法能更有效地对纹理图像和SAR图像进行分割。
图I是本发明的流程示意图；图2是本发明对一幅2类纹理图像的分割结果图；图3是本发明对一幅3类纹理图像的分割结果图；图4是本发明对一幅2类SAR图像的分割结果图；图5是本发明对一幅3类SAR图像的分割结果图。
具体实施例方式參照图I，本发明的具体实现步骤如下步骤I、输入一幅待分割图像。步骤2、提取待分割图像的纹理特征。2a)用灰度共生矩阵方法提取图像的前12维纹理特征向量2al)将图像矢量化为L = 16个灰度级，L为灰度量级；2a2)依次令两个像素点连线与横轴的方向夹角为0°、45°、90°和135°，按照下式分别计算四个方向的灰度共生矩阵P(i, j) = #{(x1； Y1), (x2, y2) G MXN| f (x1； Y1) = r, f (x2, y2) = s},其中，P(i，j)为灰度共生矩阵在坐标(i，j)位置上的元素，#为集合{}的元素个数，(Xij7i)和(x2，y2)为距离等于I的两个像素点坐标，G为集合中的属于操作符号，MXN为图像的大小，I为概率论中的条件操作符号，f(Xl，Y1) = r表示在(Xl，Yl)处像素点矢量化后的灰度值等于r，f(x2, y2) = s表示在(x2，y2)处像素点矢量化后的灰度值等于s ；2a3)根据得到的灰度共生矩阵，分别得到该矩阵四个方向上的同质区H、角ニ阶矩E和对比度C值；2a4)将四个方向的所述同质区H、角ニ阶矩E、对比度C值依次排列，得到每个像素的前12维纹理特征向量；
2b)用小波分解方法提取图像的后10维纹理特征向量，即对图像进行窗口大小为16X16的三层小波分解，得到由子带系数所构成的小波特征向量，作为每个像素的后10维纹理特征向量；2c)由步骤2a)得到每个像素纹理特征向量D的前12维纹理特征向量，由步骤2b)得到每个像素点纹理特征向量D的后10维纹理特征向量，从而得到N个D维的纹理特征向量，其中N为图像的像素个数，D为22。步骤3、对待分割图像进行分水岭预分割，得到待聚类数据。进行分水岭预分割的目的是把对像素的操作变成对区域块的操作，减少了聚类数据规模，降低聚类算法的时间复杂度；根据分水岭块数过多，会增加时间复杂度，块数过少会导致区域内的纹理特征一致性较差的特性，要合理控制分水岭分割块数NI的数量，对于不同纹理特性的图像，NI的值是不固定的，本实例中NI值为1500 ；
由分水岭预分割得到NI个不重叠的区域块后，对每一个区域块所包含像素点的纹理特征向量取平均值，得到每个区域块的D维纹理特征向量，从而得到NI个D维的纹理特征向量；将NI个D维的纹理特征向量作为聚类的输入数据样本。步骤4、利用聚类数样本据初始化第一个种群a。第一个种群a有30个个体,每个个体的基因个数是NI,即个体的长度为NI,NI为分水岭预分割的块数，每个个体基因点上的值是一个类标值，类标值为I到K之间的数，K为待分割图像的分类数；为了增加第一个种群a的多样性将它分为两部分进行初始化4a)第一部分种群al根据最小生成树MST原理，按如下步骤生成4al)计算聚类数据中两两数据之间的不相似度，得到一个N1*N1的不相似矩阵，不相似度是两个数据之间的欧氏距离，NI为分水岭预分割的块数；4a2)根据最小生成树MST原理和不相似矩阵生成NI个数据点的连接图；4a3)随机的断开连接图的K_1处，K为图像分割类别数，并把每一部分包含的区域块赋予类标，得到一个个体；4a4)对步骤4a3)重复操作MP次得到第一部分种群al，MP为用最小生成树产生个体比例与第一个种群a的大小的乘积；4b)第二部分种群a2中的个体是随机产生的，每个个体基因位上的值是I到K之间的随机数，K为待分割图像的分类数；4c)把由4a)产生的第一部分种群al和由4b)产生的第二部分种群a2放在一起，组成第一个种群a。步骤5、对第一个种群a中的个体按照如下公式计算适应度值。
fitness = K m m---
ΣΣΣ dis^Pyk Jni) jT I
1=1 j=l k=l ,dis{pi]k,TH1) = Pljkg -mig)2RNi是第i类包含的区域块数，PNi是第i类中第j个区域块包含的像素点数，Pijk为第i类中第j区域块的第k个像素点，Hli是第i类的聚类中心，巧&为第i类中第j区域块的第k个像素点的第g个特征为第i类聚类中心的第g个特征，D为用灰度共生矩阵方法与小波分解方法提取待分割图像的纹理特征维数之和；为了使图像分割结果更精确，在计算适应度值fitness时从对区域块的操作返回到对像素点的操作，由上面公式可以看出适应度值fitness越大说明个体越好。步骤6、由第一个种群a及其适应度值产生第二个种群b。第二个种群b有5个抗体，每个抗体的长度为DXK，其中DXK表示K类与每一类聚类中心的D维纹理特征向量的乘积，K为待分割图像的分类数，D为用灰度共生矩阵方法与小波分解方法提取待分割图像的纹理特征向量维数之和；计算出第一个种群a中所有个体的适应度值后，将适应度值由高到低排序，取前d个个体的聚类中心作为第二个种群b的抗体，聚类中心是相同类标所包含区域块的平均值，每一个个体的聚类中心长度是DXK。将前d个个体对应的适应度值作为第二个种群b 中抗体的亲和度值，d为第二个种群b中抗体的个数，d等于5。步骤7、通过对第一个种群a进行交叉操作、变异操作、个体学习操作和选择操作来对第一个种群a进行进化。7a)用基于同类之间交叉方法对第一个种群a中的个体进行交叉操作7al)从第一个种群a中选择两个个体A和B作为父代个体，其中，个体A为第一个种群a中的第η个个体，个体B为第一个种群a的第m个个体，η从I到PS，m为PS_n+l，PS为第一个种群a的大小，这两个父代个体A和B都分为K类，分别为Ct^a2... Qi... a k和β 1; β 2. . . β i. . . β k, a j为第一个父代个体A属于第i类的区域块的集合，β i为第二个父代个体B属于第i类的区域块的集合；7a2)分别计算出第一个父代个体A和第二个父代个体B中的每一类模值，对模值进行从小到大排列，并把模值对应的类也重新排序，得到排序后的两个父代个体A'和B'，模值为每类中的区域块到所属类的聚类中心的欧氏距离之和；7a3)随机产生一个O到I之间的数r，如果r小于设定的交叉概率CP，则执行步骤7al)，否则执行步骤7a4)，CP为O. 05 ;7a4)用第一个父代个体A'交叉第二个父代个体B',从第一个父代个体A'的\类开始随机选择小于该类所包含区域块数个区域块a ' i，把a'中取出并放在子代个体C的第一类Y' ，并把取出a' i后的Ci1记作α " i，找α " 1与^相交的区域块放在Y " i中，把Y ' i与Y " !相并作为子代个体C的第一类Y i，重复操作上面所述步骤到K-I类，得到Y1, Y Jyih，把剩下的区域块放在“中，得到子代个体C;7a5)n加I,返回执行步骤7al)直到η等于PS ;上述基于同类之间交叉方法不仅实现了交叉过程，还能保持个体类别数不变，对于类别数确定的图像分割有重要意义。7b)用单点变异方法对交叉操作后的第一个种群a中的个体进行变异操作7bl)在第一个种群a中选择一个个体E，Ei为个体E的第i个基因，i为I到NI，NI为分水岭分割块数；7b2)如果i小于NI则随机产生一个O到I之间的随机数r，如果r大于设定的变异概率MP,执行步骤7b3)，否则i加I后执行7b2)，MP为O. 005 ；7b3)把基因Ei上的基因值随机的变成其他的类标值，然后对i加1，执行步骤7b2)。7c)用个体学习方法对变异操作后的第一个种群a中的个体进行局部搜索7cl)从第一个种群a中选择一个个体F，f1； ^KfiKfs, 为个体F属于第i类的区域块的集合，I从I到K，K为图像的分类数；7c2)如果i小于K则随机产生一个O到I之间的随机数r，如果r大于设定的学习强度LI，执行步骤7b3)，否则i加I后执行7b2)，LI为O. 5 ;7c3)计算&中的每个区域块到&的聚类中心的欧氏距离记作Q1, Θ2ΚΘ j, j为fi的区域块数，从Θ丨，θ 2· · · Θ」中找到最大值，记作max Θ，并找到max Θ对应仁类中的区
域块fimax,计算区域块fimax到其他类的聚类中心的欧氏距离μ1; μ2Κμκ_，从μ1; U2KUih
中找到最小值π ημ，并把A类中的区域块归到fimax所对应的类中，然后对i加1，执行步骤7c2)；上述个体学习的目的是为了提高相似区域块归并到同一类的速度和准确度；学习强度LI要设置合理，如果太大，那么就浪费时间还容易陷入局部最优解，如果太小，学习就起不到应有的作用，这里LI设置为O. 5 ；7d)用精英联赛机制对个体学习操作后的第一个种群a中的个体进行选择操作精英联赛机制是精英策略与联赛机制的结合，这种选择算法既不会破坏种群的最优个体，又可以保证算法的全局搜索，其实现步骤为7dl)通过精英策略找到个体学习后的第一个种群a中最大适应度值对应的个体，并存放到精英种群c中同时存放到种群anew中；7d2)通过联赛机制从个体学习后的第一个种群a中随机的取两个个体，比较它们的适应度值，把适应度值大的个体放在种群anew中；7d3)重复步骤7d2)29次，此时种群d有30个个体；7d4)把由步骤7dl)和7d3)得到的种群anew中个体替换第一个种群a中个体，做到更新第一个种群a。步骤8、通过对第二个种群b进行克隆操作、变异操作和克隆选择操作来对第二个种群进行进化。8a)对第二个种群b中的抗体进行比例克隆操作，其克隆比例为
权利要求
1.一种基于免疫密母聚类的图像分割方法，包括如下步骤 (1)输入一幅待分割图像； (2)提取待分割图像的纹理特征，用灰度共生矩阵方法提取图像的前12维纹理特征向量，用小波分解方法提取图像的后10维纹理特征向量，得到N个D维的纹理特征向量，其中N为图像的像素个数，D为用灰度共生矩阵方法与小波分解方法提取待分割图像的纹理特征向量维数之和； (3)对待分割图像进行分水岭预分割，得到NI个不重叠的区域块，对每ー个区域块所包含像素点的纹理特征向量取平均值，得到NI个D维的纹理特征向量，作为聚类的输入数据样本，NI为分水岭分割块数； (4)将第一个种群a分为两部分进行初始化 4a)根据最小生成树MST原理生成第一部分种群al ； 4b)随机产生第二部分种群a2，每个个体基因位上的值是I到K之间的随机数，K为待分割图像的分类数； (5)对第一个种群a中的个体按照如下公式计算适应度值
2.根据权利要求I所述的方法，其中步骤(2)中所述的用灰度共生矩阵方法提取图像 的前12维纹理特征向量，按如下步骤进行 2a)将图像矢量化为L = 16个灰度级，L为灰度量级； 2b)依次令两个像素点连线与横轴的方向夹角为0°、45°、90°和135°，按照下式分别计算四个方向的灰度共生矩阵P(i，j) = #{(χι Υι)，(x2，y2) e MXNlfU1, Yi) = r, f (x2, y2) = s}, 其中，P(i，j)为灰度共生矩阵在坐标(i，j)位置上的元素，#为集合{}的元素个数，(x1； Y1)和(x2，I2)为距离等于I的两个像素点坐标，e为集合中的属于操作符号，MXN为图像的大小，I为概率论中的条件操作符号，f(Xl，Y1) = r表示在(Xl，Yl)处像素点矢量化后的灰度值等于r，f(x2, y2) = s表示在(x2，y2)处像素点矢量化后的灰度值等于s ； 2c)根据得到的灰度共生矩阵，分别得到该矩阵四个方向上的同质区H、角ニ阶矩E和对比度C值； 2d)将四个方向的所述同质区H、角ニ阶矩E、对比度C值依次排列，得到每个像素的前12维纹理特征向量。
3.根据权利要求I所述的方法，其中步骤(2)所述的用小波分解方法提取图像的后10维纹理特征向量，是对图像进行窗ロ大小为16X16的三层小波分解，得到由子带系数所构成的小波特征向量，作为每个像素的后10维纹理特征向量。
4.根据权利要求I所述的方法，其中步骤4a)所述根据最小生成树MST原理生成第一部分种群al，按如下步骤进行 4al)计算聚类数据中两两数据之间的不相似度，得到ー个N1*N1的不相似矩阵，NI为分水岭分割块数； 4a2)根据最小生成树MST原理和不相似矩阵生成NI个数据点的连接图； 4a3)随机的断开连接图的K-I处，K为图像分割类别数，并把每一部分包含的区域块赋予类标，得到一个个体； 4a4)对步骤4a3)重复操作MP次得到第一部分种群al，MP为用最小生成树产生个体比例与第一个种群a的大小的乘积。
5.根据权利要求I所述的方法，其中步骤7a)所述的用基于同类之间交叉方法对第一个种群a中的个体进行交叉操作，按如下步骤进行 7al)从第一个种群a中选择两个个体A和B作为父代个体，其中，个体A为第一个种群a中的第η个个体，个体B为第一个种群a的第m个个体，η从I到PS，m为PS_n+l，PS为第一个种群a的大小，这两个父代个体A和B都分为K类，分别为Ct1, α 2. . . αい..a k和β 1; β 2. . . β i. . . β k, a j为第一个父代个体A属于第i类的区域块的集合，β i为第二个父代个体B属于第i类的区域块的集合； 7a2)分别计算出第一个父代个体A和第二个父代个体B中的每ー类模值，对模值进行从小到大排列，并把模值对应的类也重新排序，得到排序后的两个父代个体A'和B'，模值为每类中的区域块到所属类的聚类中心的欧氏距离之和； 7a3)随机产生ー个O到I之间的数r，如果r小于设定的交叉概率CP，则执行步骤7al)，否则执行步骤7a4)，CP为O. 05 ; 7a4)用第一个父代个体A'交叉第二个父代个体B',从第一个父代个体A'的^^类开始随机选择小于该类所包含区域块数个区域块a ' i，把a'鄭丨中取出并放在子代个体C的第一类Y，x中，并把取出a ' i后的a i记作a " i，找a " i与β i相交的区域块放在Y " !中，把Y' i与Y " i相并作为子代个体C的第一类Y1，重复操作上面所述步骤到K-I类，得到Y1, Y Jyih，把剩下的区域块放在Yk中，得到子代个体C; 7a5)n加I,返回执行步骤7al)直到η等于PS。
6.根据权利要求I所述的方法，其中步骤7b)所述的用单点变异方法对交叉操作后的第一个种群a中的个体进行变异，按如下步骤进行 7bl)在第一个种群a中选择ー个个体EJi为个体E的第i个基因，i为I到NI，NI为分水岭分割块数； 7b2)如果i小于NI则随机产生ー个O到I之间的随机数r，如果r大于设定的变异概率MP,执行步骤7b3)，否则i加I后执行7b2)，MP为O. 005 ； 7b3)把基因Ei上的基因值随机的变成其他的类标值，然后对i加I，执行步骤7b2)。
7.根据权利要求I所述的方法，其中步骤7c)所述的用个体学习方法对变异操作后的第一个种群a中的个体进行局部捜索，按如下步骤进行 7cl)从第一个种群a中选择ー个个体F，f1； f2KfiKfK，も为个体F属于第i类的区域块的集合，i从I到K，K为图像的分类数； 7c2)如果i小于K则随机产生ー个O到I之间的随机数r，如果r大于设定的学习强度LI，执行步骤7b3)，否则i加I后执行7b2)，LI为O. 5 ; 7c3)计算も中的每个区域块到も的聚类中心的欧氏距离记作Θいθ 2Κ Θ j, j为も的区域块数，从Q1, θ2... 中找到最大值，记作max θ，并找到max Θ对应も类中的区域块frK，计算区域块·/Tax到其他类的聚类中心的欧氏距离U1, μ2Κμκ_，从μ1; U2Ky1^1中找到最小值min μ，并把fi类中的区域块_/Γχ归到min μ所对应的类中，然后对i加I，执行步骤 7c2)。
8.根据权利要求I所述的方法，其中步骤8a)所述的对第二个种群b中的抗体进行比例克隆操作，其克隆比例为
9.根据权利要求I所述的方法，其中步骤Sb)所述的用均匀变异操作对比例克隆操作后的第二个种群b中的抗体进行变异操作，按如下公式进行
全文摘要
本发明公开了一种基于免疫密母聚类的图像分割方法，主要解决已有聚类技术稳定性差、易陷入局部极值问题。其实现步骤为1)输入一幅待分割图像；2)提取图像纹理特征；3)分水岭预分割图像，产生聚类数据；4)初始化第一个种群a；5)计算第一个种群a中个体适应度值，得到第二个种群b；6)对第一个种群a和第二个种群b同时进行进化操作，对第一个种群a依次进行交叉操作、变异操作、个体学习以及选择操作，对第二个种群b依次进行克隆操作、变异操作及克隆选择操作；7)从精英种群c中取最大适应度值所对应的个体进行标记作为最终的图像分割结果。本发明具有稳定性高、分割结果区域一致性好和保留信息完整的优点，可用于SAR图像目标识别。
文档编号G06T7/00GK102663751SQ201210099828
公开日2012年9月12日 申请日期2012年4月7日 优先权日2012年4月7日
发明者李聪玲, 焦李成, 马文萍, 马晶晶, 黄媛媛 申请人:西安电子科技大学