基于多目标智能体进化聚类算法的图像分割方法与流程

本发明隶属于图像处理技术领域，主要涉及图像分割方法，具体是一种基于多目标智能体进化聚类算法的图像分割方法，可用于模式识别和计算机视觉等领域。

背景技术：
图象分割是图象处理中的一项关键技术，其在图像处理研究中有着非常广泛的应用，例如对目标识别、目标测量都是以图像分割为基础的，分割结果直接影响到后续任务的进行，因此图像分割的研究具有十分重要的意义。图像分割其实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。基于聚类的方法是无监督分类的一种，被广泛地应用于工生物医学、计算机视觉和遥感图像处理等领域。聚类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，其实质上是为了发现隐藏在数据中的规律。基于此，各种各样的聚类算法被应用到图像分割领域并且也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，甚至于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。初期研究人员常常用于图像分割的聚类是分层聚类。其优点是简单，易于操作，但同时它也带来了很多不便：如，算法鲁棒性较差，容易陷入局部最优，聚类结果不是很理想等等。为了解决这类问题，许多研究人员进行了很多尝试，提出采用遗传算法GA与其相结合，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聚类结果不稳定和容易陷入局部最优值等缺陷，导致图像分割结果的质量下降和分割效果稳定性的降低，不利于后续的图像分析和理解。

技术实现要素：
本发明的目的在于克服上述易陷入局部最优以及算法鲁棒性不高的不足，提出一种基于多目标智能体进化聚类算法的图像分割方法，以增强分割方法的鲁棒性以及图像分割结果的稳定性，改善图像分割效果。本发明的技术方案是，基于多目标智能体进化聚类算法的图像分割方法，其特征是：包括有如下步骤：步骤1输入待分割图像，提取待分割图像的灰度信息，若输入图像不是灰度图像需进行预处理将之转化成灰度图像，灰度信息标记为data。步骤2设定初始聚类数目c和迭代上限次数T，对图像灰度信息进行聚类原型的随机初始化，聚类原型即为图像灰度信息的初始聚类结果，聚类原型的随机初始化是指随机指定c个像素值为聚类中心，将图像的像素分类给像素值差距最小的聚类中心，每一种灰度信息的聚类原型作为一个图像智能体，则对于图像智能体Ly，L的下标y是指图像智能体的编号，y＝1,2,…,Lsize×Lsize，Ly＝{ep}，ep是图像智能体Ly中的元素，p是图像智能体中元素下标，1≤p≤c，设定图像智能体生存网格Lt大小为Lsize×Lsize，竞争概率为P0，变异概率为Pm，令当前进化代数t＝0。步骤3计算图像智能体Ly的能量ErengyLy＝(E1,E2)，y是指图像智能体的编号，y＝1,2,…,Lsize×Lsize，能量ErengyLy包括能量1分量Ly(E1)和能量2分量Ly(E2)。步骤4根据所有图像智能体的能量值，对图像智能体网格Lt中图像智能体Ly进行非支配排序操作，令不受任何其它图像智能体支配的图像智能体为第一层，保存到集合level1中，令其余所有图像智能体保存到集合level2中；步骤5将邻域竞争算子作用在集合level2中的图像智能体上，并将得到的新的图像智能体与集合level1中的图像智能体合并共同组成新的图像智能体网格Lt+1/2。步骤6主动产生一个0到1的随机数R(0,1)，将变异概率Pm与R(0,1)相比较，若变异概率pm大于R(0,1)，则将高斯变异算子依次作用在图像智能体网格Lt+1/2中的智能体上，得到下一代图像智能体网格Lt+1。步骤7对下一代图像智能体网格Lt+1中图像智能体执行步骤3到步骤4，得到一组非支配图像智能体La，a是指非支配图像智能体的编号，a＝1,2,...,A，1≤A≤Lsize×Lsize，这组非支配图像智能体是指不受支配的第一层中的图像智能体。步骤8对非支配图像智能体La依次进行自学习算子操作，得到第二代非支配解集，包含第二代非支配图像智能体Lb，b是指第二代非支配图像智能体的编号，b＝1,2,...,A，1≤A≤Lsize×Lsize；步骤9判断迭代是否结束：若进化代数t不小于终止代数T，跳转步骤10，若进化代数t小于终止代数T，t＝t+1,返回步骤3；步骤10根据步骤8中得到的第二代非支配图像智能体Lbb＝1,2,...,A，1≤A≤Lsize×Lsize，依次计算各图像智能体的拥挤距离dis，式中，b＝1，2,3,…,A，对拥挤距离按照最大拥挤距离原则选出最优图像智能体LBest并输出该图像智能体对应的最优聚类标签；步骤11依据最优聚类标签对输入图像进行像素分类，将同类像素点作为一个像素块，所有的像素块按图像原位置组成分割图像，输出输入图像的分割结果。与现有技术相比，本发明的优点是克服了传统图像分割的限制，实现了：1)因为本发明借鉴了多目标思想的算法框架，聚类过程中设计使用了快速非支配排序算子和拥挤距离选择等操作，克服了迭代过程中最优结果单一，种群样本单一等缺点，使得图像分割过程的种群更加多样化，分割结果更接近最优结果。2)因为本发明采用了智能体网格结构、邻域竞争算子、高斯变异算子和自学习算子等操作，因此克服了易陷入局部最优值和分割结果不稳定等缺点，使得图像分割结果的准确性更高，也提高了图像分割效果的稳定性。通过本发明可以实现在图像分割中聚类过程的种群更加多元化，并且该发明打破了常规图像分割方法的局限性，开创性的将多目标思想与多智能体进化算法相结合，提出了一种基于多目标智能体的进化聚类算法，实现了对分割结果准确性的提高，并增强了分割效果的稳定性。附图说明图1本发明方法的实现流程图；图2智能体生存的网格环境；图3本发明方法应用到两类灰度图像的仿真分割结果；图4本发明方法、Kmeans聚类分割和FCM聚类分割应用到sar河流图像的仿真结果；图5本发明方法、Kmeans聚类分割和FCM聚类分割应用到sar机场图像的仿真结果；具体实施方式下面结合附图对本发明详细说明：基于多目标智能体进化聚类算法的图像分割方法，其关键步骤是多目标思想和多智能体进化算法的结合，并用于聚类优化完成图像分割。基于多目标智能体进化聚类算法的图像分割方法的特征是：首先提取待分割图像的灰度信息，然后用多目标智能体进化算法对其进行聚类并优化，然后按照最终输出的聚类标签对像素进行分类进而实现图像的分割。实施例1参照图1，本发明是一种基于多目标智能体进化聚类算法的图像分割方法，具体实现步骤如下：步骤1，输入待分割图像，提取待分割图像的灰度信息，若输入图像不是灰度图像需进行预处理将之转化成灰度图像，灰度信息标记为data。步骤2，设定初始聚类数目c和迭代上限次数T，对图像灰度信息进行聚类原型的随机初始化，聚类原型即为图像灰度信息的初始聚类结果，聚类原型的随机初始化是指随机指定c个像素值为聚类中心，保存到图像智能体中，将图像的像素分类给像素值差距最小的聚类中心，每一种聚类原型作为一个图像智能体，则对于图像智能体Ly，L的下标y是指图像智能体的编号，y＝1,2,…,Lsize×Lsize，Ly＝{ep}，ep是图像智能体Ly中的元素，p是图像智能体中元素下标，1≤p≤c，设定图像智能体生存网格Lt，t是指当前进化代数，网格大小为Lsize×Lsize，竞争概率为P0，变异概率为Pm，令当前进化代数t＝0；本例中，聚类数目c＝2，迭代上限次数T＝100，智能体网格大小Lsize＝8，竞争概率P0＝0.2，高斯变异概率Pm＝0.1；图像智能体网格是图像智能体生存的一个网格环境，记为L，大小定义为Lsize×Lsize，其中Lsize为整数，每个图像智能体固定在一个格点上，记处于第ii行、第jj列的图像智能体为Lii,jj，ii,jj＝1,2,…,Lsize，图像智能体Lii,jj的邻域为：其中，每个图像智能体不能移动，只能与其邻域发生相互作用，为图像智能体Lii,jj邻域能量最大的图像智能体；图2给出了图像智能体网格的结构示意图，图中每个圆圈表示一个图像智能体，圆圈中的数字表示该图像智能体在网格中的位置，而有互相连线的两个图像智能体才能发生相互作用。步骤3，利用下列两个公式计算种群中所有图像智能体Ly的能量ErengyLy＝(E1,E2)，L的下标y是指图像智能体的编号，y＝1,2,…,Lsize×Lsize，计算过程包括1分量Ly(E1)的计算和2分量Ly(E2)的计算，其中：图像智能体Ly能量的1分量计算是式中x为聚类图像灰度值，zj为对应聚类中心，图像智能体Ly能量的2分量计算是式中i为一个数据点，m为数据点的个数，j为i的最近邻点，s为最近邻点个数，xi,j为第i个数据点与第j个最近邻点的关系值，其中i,j为同类像素则取值0，不同类则取步骤4，根据所有图像智能体的能量值，对图像智能体网格Lt中图像智能体，y＝1,2,…,Lsize×Lsize进行非支配排序操作，令不受任何其它图像智能体支配的图像Ly智能体为第一层，保存到集合level1中，令其余所有图像智能体保存到集合level2中。具体过程包括：(4.1)初始化参数，令支配智能体Ly的智能体数目nLy＝0。(4.2)按如下公式更新nLy：对于图像智能体Ly，y＝1,2,…,Lsize×Lsize，有图像智能体，i是指图像智能体的编号，i＝1,2,…,Lsize×Lsize，且Li不能是Ly，若图像智能LiLy的能量满足则图像智能体Ly被图像智能体Li所支配，令nLy＝nLy+1，若满足则称图像智能体Ly支配图像智能体Li。(4.3)若图像智能体Ly，y＝1,2,…,Lsize×Lsize的nLy＝0则令图像智能体Ly进入第一层，保存到集合level1中,有nlevel1个个体，若其nLy≠0，令Ly进入第二层，保存到level2中。本发明将不同层次的图像智能体分开保存，是为了方便后续使用。步骤5，将邻域竞争算子依次作用在集合level2中的图像智能体上，将得到的新的图像智能体与集合level1中的图像智能体进行合并，合并后共同组成新的图像智能体网格Lt+1/2。步骤6，主动产生一个0到1的随机数R(0,1)，将变异概率与随机数R(0,1)相比较，若变异概率pm大于随机数R(0,1)，则将高斯变异算子依次作用在图像智能体网格Lt+1/2中的智能体上，得到下一代图像智能体网格Lt+1。高斯变异算子是通过下式产生一个变异图像智能体其中p＝1,2,…,c，c为聚类数目，lp为智能体Lii,jj中位于p处的元素值，G(0,1/t)是高斯分布的随机数；而随机数R(0,1)是0到1之间的随机数，T为总进化代数，t是当前进化代数。步骤7，对下一代图像智能体网格Lt+1中图像智能体执行步骤3到步骤4，得到一组非支配图像智能体La，a是指非支配图像智能体的编号，a＝1,2,...,A，1≤A≤Lsize×Lsize，这组非支配图像智能体是指不受支配的第一层中的图像智能体。步骤8，对非支配图像智能体La,a＝1,2,...A，1≤A≤Lsize×Lsize依次进行自学习算子操作，得到第二代非支配解集，包含第二代非支配图像智能体Lb，b是指第二代非支配图像智能体的编号，b＝1,2,...,A，1≤A≤Lsize×Lsize。步骤9，判断迭代是否结束：若进化代数t不小于终止代数T，跳转步骤(10)，若进化代数t小于终止代数T，t＝t+1,返回步骤3。步骤10，根据步骤8中得到的第二代非支配图像智能体Lb，依次计算各图像智能体的拥挤距离dis，式中，b＝1，2,3,…,A，对拥挤距离按照最大拥挤距离原则选出最优图像智能体LBest并输出该图像智能体对应的最优聚类标签。步骤11，依据最优聚类标签对输入图像进行像素分类，将同类像素点作为一个像素块，所有的像素块按图像原位置组成分割图像，输出输入图像的分割结果。因为本发明借鉴了多目标思想的算法框架，聚类过程中设计使用了快速非支配排序算子和拥挤距离选择等操作，克服了迭代过程中最优结果单一，种群样本单一等缺点，使得图像分割过程的种群更加多样化，分割结果更接近最优结果。实施例2基于多目标智能体进化聚类算法的图像分割方法同实施例1，其中步骤5中组成新的图像智能体网格Lt+1/2的过程是将邻域竞争算子依次作用在集合level2中的图像智能体上，并将得到的新的图像智能体与集合level1中的图像智能体合并，合并之后共同组成新的图像智能体网格Lt+1/2。邻域竞争过程是按邻域竞争算子以两种策略产生新的图像智能体，总的过程包括：邻域竞争算子是按如下两种策略之一产生一个新的图像智能体策略1，按下式产生图像智能体其中p＝1,2,…,c，ep为中的元素，为所有图像智能体元素值的下界，为所有图像智能体元素值的上界，mp为level1中任一图像智能体位于p处的元素值，lp为图像智能体Lii,jj中位于p处的值，c为聚类数目，R(-1,1)为-1到+1之间的随机数。策略2，按如下步骤产生图像智能体第一步，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代图像智能体其中p＝1,2,…,c，1<i1<c，1<i2<c，i1<i2，c为最优聚类数目，mp为level1中任一图像智能体位于p处的元素值，为所有图像智能体元素值的下界，为所有图像智能体元素值的上界；第二步，根据下式将图像智能体映射回区间上，得到图像智能体其中，ep为中的元素，为所有图像智能体元素值的下界，为所有图像智能体元素值的上界，c为聚类数目。上述的两种不同策略根据竞争概率P0进行选择：首先，主动产生一个0到1之间的随机数R(0,1)；其次，令随机数R(0,1)与竞争概率P0相比较，如果随机数R(0,1)＞P0，则选择策略1，否则，选择策略2。实施例3基于多目标智能体进化聚类算法的图像分割方法同实施例1-2，其中步骤8中得到第二代非支配图像智能体Lb，b为第二代非支配图像智能体的编号，b＝1,2,...,A，1≤A≤Lsize×Lsize的过程是通过对非支配图像智能体La，a＝1,2,...,A，1≤A≤Lsize×Lsize依次进行自学习算子操作得到。自学习算子操作过程是通过自学习算子产生一个新的图像智能体，总的过程包括：自学习算子是按如下步骤产生一个图像智能体：(8.1)利用图像智能体网格生成的方法产生一个自学习图像智能体网格sL，其大小为sLsize×sLsize，sLsize为整数，其上的所有的图像智能体sLi′,j′,i′,j′＝1,2,...,sLsize根据下式产生：其中p＝1,2,…,c，为所有图像智能体灰度值的下界；为所有图像智能体灰度值的上界；lp为智能体La,a＝1,2,...A，1≤A≤Lsize×Lsize中位于p处的灰度值，R(1-sR,1+sR)表示1-sR到1+sR之间的随机数，sR∈[0,1]表示搜索半径。(8.2)将邻域竞争算子和变异算子迭代作用在自学习图像智能体网格sL上，最大迭代代数为sG，用自学习图像智能体网格sL中能量最大的图像智能体替代当前图像智能体La,a＝1,2,...A，1≤A≤Lsize×Lsize。本例中，sLsize＝4，sR＝0.3，sG＝8。因为本发明采用了智能体网格结构、邻域竞争算子、高斯变异算子和自学习算子等操作，因此克服了易陷入局部最优值和分割结果不稳定等缺点，使得图像分割结果的准确性更高，也提高了图像分割效果的稳定性。本发明的效果可以通过以下仿真结果进一步说明。实施例4基于多目标智能体进化聚类算法的图像分割方法同实施例1-3，通过仿真实验对本发明的实现过程和技术效果进一步说明。参数设置：聚类数目c＝2，最大进化代数T＝100，智能体网格大小Lsize＝8，竞争概率P0＝0.2，高斯变异概率Pm＝0.1，自学习智能体网格大小sLsize＝4，搜索半径sR＝0.3，自学习变异概率sPm＝0.1，自学习代数sG＝8。仿真内容：应用本发明图像分割方法，分别对一幅两类灰度图像和一幅SAR河流图像进行分割，并给出了结果来说明本发明方法应用于图像分割的性能。仿真内容1，将本发明的图像分割方法应用于两类灰度图像进行分割，其结果如图8所示，其中：图3(a)为原始合成图像，物体灰度值为255，背景灰度值为51，图3(b)为分割结果图。从结果图中可以看出本发明获得了正确的分割结果，成功的分割出了合成的两类灰度图像中的圆形物体，说明本发明方法能够取得正确的分割结果。仿真内容2，将本发明的图像分割方法应用于SAR河流图像进行分割的仿真实验，以及传统分割方法Kmeans聚类分割方法和FCM聚类分割方法的仿真实验，其结果如图4所示，图4(a)为原SAR河流图像，图4(b)为Kmeans聚类分割方法的分割结果图，图4(c)为FCM聚类分割方法的分割结果图，图4(d)为本发明分割方法的分割结果图。从图4(d)可以看出，对于SAR河流图像，本方法的分割结果具有较好的区域一致性，相比图4(c)中传统聚类分割方法Kmeans聚类分割结果和图4(d)中FCM聚类分割结果，本发明方法不仅能成功的分割出图像中的河流，对陆地上建筑物的错分也降低很多，大大降低了噪声点对河流分割的影响。实施例5基于多目标智能体进化聚类算法的图像分割方法同实施例1-3，仿真条件和仿真参数设置同实施例4。仿真内容3，将本发明的图像分割方法应用于SAR机场图像进行分割的仿真实验，以及传统分割方法Kmeans聚类分割方法和FCM聚类分割方法的仿真实验，其结果如图5所示，图5(a)为原SAR河流图像，图5(b)为Kmeans聚类分割方法的分割结果图，图5(c)为FCM聚类分割方法的分割结果图，图5(d)为本发明分割方法的分割结果图。从图5(d)仿真结果看出，对于SAR机场跑道图像，相比图5(b)中的Kmeans聚类分割结果和图5(c)中的FCM聚类分割结果，本发明方法的分割结果具有更好的区域一致性，而且抑制了机场跑道上的噪声对图像分割的影响，同时，对于除主跑道之外的弱目标则给予忽略，更加清晰地分割出机场主跑道。简而言之，本发明的基于多目标智能体进化聚类算法的图像分割方法，主要解决现有图像分割技术中容易陷入局部最优、算法鲁棒性不高等问题。本发明将图像的分割问题转化为一个全局优化的聚类问题，其分割步骤为：提取待分割图像像素点的灰度信息；参数初始化并建立图像智能体网格；计算所有图像智能体的能量并进行非支配排序；依次对第二层图像智能体进行邻域竞争算子操作并与第一层图像智能体合并组成新的图像智能体网格；对新的智能体网格进行高斯变异操作计算；再次对所有图像智能体的能量并进行非支配排序；进行自学习操作；根据拥挤距离选出最优的聚类结果，输出聚类标签；实现图像分割。本发明将图像分割的处理过程多目标化，不仅收敛效果好，而且增强了方法的鲁棒性，所以能够改善图像分割的质量和增强分割效果的稳定性，有利于图像目标的提取、识别以及其它一些后续处理。