一种图像分割方法、装置、设备及计算机存储介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种图像分割方法、装置、设备及计算机存储介质。


背景技术：

2.图像分割是指根据图像中像素的灰度值、纹理、颜色等，将该图像分割为若干个互不相干的区域。目前，已经有很多算法被提出并应用在图像分割领域，但是待分割图像各不相同，因此不同的图像分割算法也各有优缺点。
3.在相关技术中，最常用的图像分割算法为模糊c-均数(fuzzy c-means，fcm)分类算法，但是模糊c-均数分类算法对初始值敏感及对噪声敏感，容易陷入局部最优，导致最终的图像分割结果不够精确。


技术实现要素：

4.本技术提供了一种图像分割方法、装置、设备及计算机存储介质，在考虑空间信息的基础上对初始聚类中心和初始隶属度矩阵进行修正，能够提高分割结果的精确性。
5.本技术的技术方案是这样实现的：
6.第一方面，本技术实施例提供了一种图像分割方法，该方法包括：
7.根据待分割图像，确定初始聚类中心和初始隶属度矩阵；
8.基于预设空间算法和初始隶属度矩阵，确定空间协调参数；
9.利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，确定目标聚类中心和目标隶属度矩阵；
10.基于目标聚类中心和目标隶属度矩阵，对待分割图像进行分割处理。
11.第二方面，本技术实施例提供了一种图像分割装置，该图像分割装置包括确定单元、计算单元和分割单元；其中，
12.确定单元，配置为根据待分割图像，确定初始聚类中心和初始隶属度矩阵；
13.计算单元，配置为基于预设空间算法和初始隶属度矩阵，确定空间协调参数；
14.计算单元，还配置为利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，确定目标聚类中心和目标隶属度矩阵；
15.计算单元，配置为基于目标聚类中心和目标隶属度矩阵，对待分割图像进行分割处理。
16.第三方面，本技术实施例提供了一种电子设备，该电子设备包括存储器和处理器；其中，
17.存储器，用于存储能够在处理器上运行的计算机程序；
18.处理器，用于在运行计算机程序时，执行如第一方面方法的步骤。
19.第四方面，本技术实施例提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，该计算机程序被执行时实现如第一方面所述方法的步骤。
20.本技术实施例提供了一种图像分割方法、装置、设备及计算机存储介质，根据待分割图像，确定初始聚类中心和初始隶属度矩阵；基于预设空间算法和初始隶属度矩阵，确定空间协调参数；利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，确定目标聚类中心和目标隶属度矩阵；基于目标聚类中心和目标隶属度矩阵，对待分割图像进行分割处理。这样，在确定出初始聚类中心和初始隶属度矩阵之后，利用预设空间算法和初始隶属度矩阵计算空间协调参数，并利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正，得到用于进行图像分割的目标聚类中心和目标隶属度矩阵，从而将空间信息引入了聚类中心和隶属度矩阵的修正过程，能够得到更加准确的目标聚类中心和目标隶属度矩阵，进而提高了图像分割的精确性。
附图说明
21.图1为本技术实施例提供的一种图像分割方法的流程示意图；
22.图2为本技术实施例提供的另一种图像分割方法的流程示意图；
23.图3为本技术实施例提供的一种图像分割装置的组成结构示意图；
24.图4为本技术实施例提供的一种电子设备的硬件结构示意图；
25.图5为本技术实施例提供的另一种电子设备的组成结构示意图。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关申请相关的部分。
27.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
28.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
29.需要指出，本技术实施例所涉及的术语“第一\第二\第三”仅是用于区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本技术实施例能够以除了在这里图示或描述的以外的顺序实施。
30.随着图像处理技术的发展，在图像分割的过程中，需要根据图像中像素的灰度值、纹理、颜色等将该图像分割为若干个互不相干的区域，但是实际上每个像素点并非完全隶属于某一个区域。目前已经有很多算法被提出并应用在图像分割领域，但是待分割图像各不相同，因此适用的算法也各有优缺点。目前，图像分割方法主要有如下几类：基于边缘检测分割法，基于阈值分割法，基于区域分割，基于形态学分水岭分割法，基于聚类分割法，基于神经网络或根据超像素等特定理论的分割方法等。
31.近年来，模糊聚类被广泛的应用在人工智能、模式识别、图像处理中。自从拉特飞
·
扎德(lotfi zadeh)于1965提出模糊集的想法并使用隶属函数来描述数据隶属某类的
程度以来，模糊集的概念已被广泛地研究，并成功应用在图像分割等许多领域。
32.在相关技术中，模糊c-均数分类(又称为模糊聚类)算法是最常使用的方法，但该算法的缺点是对初始值敏感及对噪声敏感，容易陷入局部最优，导致图像分割结果精度不高。
33.基于此，本技术实施例提供了一种图像分割方法，该方法的基本思想为：根据待分割图像，确定初始聚类中心和初始隶属度矩阵；基于预设空间算法和初始隶属度矩阵，确定空间协调参数；利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，确定目标聚类中心和目标隶属度矩阵；基于目标聚类中心和目标隶属度矩阵，对待分割图像进行分割处理。这样，在确定出初始聚类中心和初始隶属度矩阵之后，利用预设空间算法和初始隶属度矩阵计算空间协调参数，并利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正，得到用于进行图像分割的目标聚类中心和目标隶属度矩阵，从而将空间信息引入了聚类中心和隶属度矩阵的修正过程，能够得到更加准确的目标聚类中心和目标隶属度矩阵，进而提高了图像分割的精确性。
34.下面将结合附图对本技术各实施例进行详细说明。
35.在本技术的一实施例中，参见图1，其示出了本技术实施例提供的一种图像分割方法的流程示意图。如图1所示，该方法可以包括：
36.s101：根据待分割图像，确定初始聚类中心和初始隶属度矩阵。
37.需要说明的是，本技术实施例提供的图像分割方法应用于多种电子设备，例如电子设备可以是诸如计算机、智能手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(personal digital assistant，pda)、导航装置、服务器等等，本技术实施例对此不作具体限定。
38.在本技术实施例中，将模糊聚类算法和种群遗传算法进行结合，以实现图像分割。因此，针对待分割图像，需要随机确定初始聚类中心和初始隶属度矩阵，以便于后续利用种群遗传算法和模糊聚类算法对聚类中心和隶属度矩阵进行修正。在这里，初始聚类中心可以包括一个或多个具体的聚类中心。
39.还需要说明的是，在本技术实施例中，需要对原始图像进行一定的预处理，得到待分割图像，然后确定待分割图像的特征值数据和所述初始聚类中心的特征值数据，避免干扰信息。因此，在一些实施例中，该方法还可以包括：
40.获取原始图像；
41.对原始图像进行边缘提取处理，得到处理后图像；
42.对所述处理后图像进行局部特征消除处理，得到所述待分割图像。
43.需要说明的是，针对原始图像后，依次利用索贝尔算子(sobel)进行边缘提取处理，并消去局部纹理特征，从而得到待分割图像。
44.这样，通过对原始图像进行预处理，得到了待分割图像，然后从待分割图像中随机确定初始聚类中心和初始隶属度矩阵。
45.s102：基于预设空间算法和初始隶属度矩阵，确定空间协调参数。
46.需要说明的是，本技术实施例提供了预设空间算法，通过预设空间算法和初始隶属度矩阵，能够确定空间协调参数。这样，通过引入空间协调参数，在图像分割中引入了空间信息，提高了分类准确性。
47.s103：利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，确定目标聚类中心和目标隶属度矩阵。
48.需要说明的是，在确定空间协调参数后，利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，确定目标聚类中心和目标隶属度矩阵。这样，由于在修正处理过程中需引入了空间协调参数，所以能够提高修正处理的合理性，进而提高了目标聚类中心和目标隶属度矩阵的准确性。
49.进一步地，修正处理实际是一个循环迭代的过程。在一些实施例中，所述利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，确定目标聚类中心和目标隶属度矩阵，可以包括：
50.设置迭代次数的初始值为0；
51.利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，得到修正后的聚类中心和修正后的隶属度矩阵，并对迭代次数进行加一操作；
52.在迭代次数小于预设次数的情况下，将修正后的聚类中心确定为初始聚类中心，将修正后的隶属度矩阵确定为初始隶属度矩阵，并返回执行基于预设空间算法和初始隶属度矩阵，确定空间协调参数；以及利用所述空间协调参数对所述初始聚类中心和所述初始隶属度矩阵进行修正处理的步骤；
53.在迭代次数达到预设次数的情况下，将修正后的聚类中心确定为目标聚类中心，将修正后的隶属度矩阵确定为目标隶属度矩阵。
54.需要说明的是，在本技术实施例中，需要利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，得到修正后的聚类中心和修正后的隶属度矩阵；然后，利用预设空间算法和修正后的隶属度矩阵，得到修正后的空间协调参数，并根据修正后的空间协调参数执行下一次修正处理，直至迭代次数达到预设次数。
55.在迭代次数达到预设次数后，将最终修正得到的聚类中心确定为目标聚类中心，将最终修正得到的隶属度矩阵确定为目标隶属度矩阵。
56.还需要说明的是，在相关技术中，一般利用模糊聚类算法对初始聚类中心和初始隶属度矩阵进行修正处理，但是这样容易陷入局部最优，而且模糊聚类算法对初始值和噪声敏感，导致最终的图像分割结果不够精确。因此，本技术实施例将模糊聚类算法和种群遗传算法相结合，共同用于初始聚类中心和初始隶属度矩阵的修正处理。
57.基于这样的思想，在一些实施例中，所述利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，得到修正后的聚类中心和修正后的隶属度矩阵，可以包括：
58.根据空间协调参数，确定初始聚类中心的种群适应值；
59.根据初始聚类中心的种群适应值对初始聚类中心进行选择，得到亲代聚类中心；
60.利用种群遗传算法对亲代聚类中心进行交叉变异处理，得到修正后的聚类中心；
61.根据修正后的聚类中心对初始隶属度矩阵进行计算，确定修正后的隶属度矩阵。
62.需要说明的是，在本技术实施例中，修正处理的具体过程是通过种群遗传算法实现的。具体包括以下步骤：(1)根据空间协调参数，计算初始聚类中心的种群适应值；(2)根据初始聚类中心的种群适应值对初始聚类中心进行选择，确定亲代聚类中心；(3)利用种群遗传算法对亲代聚类中心进行交叉变异处理，得到修正后的聚类中心；(4)利用修正后的聚类中心对初始隶属度矩阵进行迭代更新，确定修正后的隶属度矩阵。
63.在这里，从初始聚类中心中挑选亲代聚类中心时可以采用轮盘赌算法，一般来说，种群适应值越大的初始聚类中心成为亲代聚类中心的概率越大。
64.进一步地，在一些实施例中，所述亲代聚类中心的数量为多个1；所述利用种群遗传算法对所述亲代聚类中心进行交叉变异处理，得到所述修正后的聚类中心，可以包括：
65.计算所述亲代聚类中心中每两个亲代聚类中心之间的目标距离，将目标距离大于预设阈值的两个亲代聚类中心确定为一组待繁衍聚类中心，以得到至少一组待繁衍聚类中心；
66.基于预设交叉参数对所述至少一组待繁衍聚类中心分别进行交叉处理，得到交叉后的聚类中心；
67.基于预设变异参数对所述交叉后的聚类中心进行变异处理，得到所述修正后的聚类中心。
68.需要说明的是，在种群遗传算法的处理过程中，针对每两个亲代聚类中心，计算两者之间的目标距离。为了避免近亲繁殖，只有在两者之间的目标距离超过预设阈值时，才允许两者作为一组待繁衍聚类中心进入后续繁衍流程。在这里，目标距离可以参考多种已有的距离算法计算，例如汉明距离。
69.种群遗传算法存在两个重要的预设参数，即预设交叉参数和预设变异参数，其具体取值均可以根据实际应用场景进行。
70.在获得至少一组待繁衍聚类中心后，基于预设交叉参数对每一组待繁衍聚类中心进行交叉处理，得到交叉后的聚类中心；然后，利用预设变异参数对交叉后的聚类中心进行变异处理，所得到的聚类中心即为修正后的聚类中心。
71.也就是说，在本技术实施例中，将随机确定的初始聚类中心看做是初始种群，利用种群遗传算法对聚类中心和隶属度矩阵进行迭代优化处理，得到目标聚类中心和目标隶属度矩阵。另外，本技术实施例在计算初始聚类中心的种群适应值时纳入了空间协调参数，所以将空间信息引入了图像分割算法，提高了分类准确性。
72.进一步地，在一些实施例中，所述根据所述空间协调参数，确定所述初始聚类中心的种群适应值，可以包括：
73.确定待分割图像的局部相似参数；
74.根据局部相似参数和空间协调参数，利用模糊聚类算法确定初始聚类中心的聚类目标值；
75.根据初始聚类中心的聚类目标值，确定初始聚类中心的种群适应值。
76.需要说明的是，种群适应值需要通过以下步骤计算：(1)获取待分割图像的局部相似参数；(2)利用局部相似参数和空间协调参数，利用模糊聚类算法确定初始聚类中心的聚类目标值；(3)根据初始聚类中心的聚类目标值，确定初始聚类中心的种群适应值。
77.换句话说，本技术实施例利用模糊聚类算法来计算种群遗传算法中“种群适应值”，从而实现了模糊聚类算法和种群遗传算法的结合。另外，本技术实施例还对模糊聚类算法进行了改进，引入了局部相似参数和空间协调参数，提高了模糊聚类算法的准确性，进而提高了修正后得到的目标聚类中心和目标隶属度矩阵的准确性。
78.进一步地，在一些实施例中，所述确定所述待分割图像的局部相似参数，可以包括：
79.获取所述待分割图像的特征值数据和所述初始聚类中心的特征值数据；
80.对所述待分割图像的特征值数据和初始聚类中心的特征值数据进行相似度计算，得到所述局部相似参数。
81.需要说明的是，通过对待分割图像的特征值数据和初始聚类中心的特征值数据进行相似度计算，能够确定局部相似参数。
82.还需要说明的是，在本技术实施例中，通过像素点与相邻像素点的灰度值比较结果，确定每个像素点的特征值，从而对光照变化和噪声干燥都具有一定的鲁棒性。因此，在一些实施例中，所述获取所述待分割图像的特征值数据和初始聚类中心的特征值数据，可以包括：
83.确定待分割图像中每一像素点的灰度值；
84.若第一像素点的灰度值小于第一相邻像素点的灰度值，则确定第一像素点和第一相邻像素点的相对灰度为第一值；
85.若第一像素点的灰度值大于或等于第一相邻像素点的灰度值，则确定第一像素点和第一相邻像素点的相对灰度为第二值；
86.根据第一像素点与第一像素点所有相邻像素点之间的相对灰度，确定第一像素点的特征值；
87.根据待分割图像中每一像素点的特征值，确定待分割图像的特征值数据和初始聚类中心的特征值数据。
88.需要说明的是，为了方便描述，以第一像素点是指示待分割图像中的任意一个像素点，以第一相邻像素点指示第一像素点的任意一个相邻像素点。
89.将第一像素点的灰度值和第一相邻像素点的灰度值进行比较；
90.如果第一像素点的灰度值小于第一相邻像素点的灰度值，则第一像素点和第一相邻像素点的相对灰度为第一值；如果第一像素点的灰度值大于或等于第一相邻像素点的灰度值，则第一像素点和第一相邻像素点的相对灰度为第二值。
91.这样，由于第一像素点周边有多个相邻像素点，所以第一像素点会得到多个相对灰度，根据这些多个相对灰度，确定第一像素点的特征值。
92.示例性地，以第一像素点为中心，确定一3
×
3的窗口，从而得到8个相邻像素点。将第一像素点的灰度值分别与这些相邻像素点的灰度值进行比较，如果第一像素点的灰度值大于或等相邻像素点，则将该相邻位置的相对灰度记为1；反之，则将该相邻位置的相对灰度记为0。按照一定的顺序将相邻位置的相对灰度记录下来，形成二进制序列，将所形成的二进制序列转换为十进制，所得到的值即为第一像素点的特征值。
93.这样，通过以上步骤，利用模糊聚类算法计算初始聚类中心的种群适应值，并利用初始聚类中心的种群适应值，通过种群遗传算法对初始聚类中心和初始隶属度矩阵进行了迭代优化处理，从而将模糊聚类算法和种群遗传算法进行结合以得到目标聚类中心和隶属度矩阵；另外，在模糊聚类算法中引入了空间协调参数和局部相似参数，还实现了将空间信息引入模糊聚类算法，从而提高了图像分割的准确性。
94.s104：基于目标聚类中心和目标隶属度矩阵，对待分割图像进行分割处理。
95.需要说明的是，根据所得到的目标聚类中心和目标隶属度矩阵，对待分割图像进行分割处理，得到图像分割结果。
96.具体地，在一些实施例中，所述基于目标聚类中心和目标隶属度矩阵，对待分割图像进行分割处理，可以包括：
97.利用目标隶属度矩阵和目标聚类中心对待分割图像中每一像素点进行隶属计算，得到每一像素点各自的分类结果；
98.根据每一像素点各自的分类结果对每一像素点进行标记处理，得到分割后图像。
99.需要说明的是，根据目标隶属度矩阵和目标聚类中心对待分割图像中每一像素点进行隶属计算，能够得到每一像素点隶属于不同目标聚类中心的概率值，将概率值最大的目标聚类中心确定为该像素点的所述类别，并对每一像素点进行标记处理，也就得到了分割后图像。
100.在相关技术中，模糊c-均数分类(fcm)算法是最常使用的方法。但该算法的缺点是对初始值敏感及对噪声敏感，容易陷入局部最优。因此本技术实施例将种群遗传算法与fcm相结合解决局部最优的问题。种群遗传算法是一种模拟自然选择和遗传机制的搜索和优化的过程，具有很强的全局优化能力，不受其他规则所限制，具有很强的鲁棒性。除此之外，由于模糊聚类算法和遗传算法都考虑颜色信息而没有考虑任何空间信息，因此本技术实施例还在图像分割过程中引入了空间信息，从而对传统的算法进行了改进，综合提高了图像分割的准确性。
101.综上所述，本技术实施例将种群遗传算法引入图像分割，并于模糊聚类算法相结合，解决了模糊算法容易陷入局部最优的问题，提出了获取图像相对灰度值并结合空间信息的聚类方法提高了聚类的精确度。本技术实施例通过对图像进行sobel边缘提取，消去局部纹理特征，然后计算图像中相邻像素的比较信息，通过领域计算获得相对灰度分布特征，因此对光照变化和噪声干扰都有一定的鲁棒性。
102.本技术实施例提供了一种图像分割方法，根据待分割图像，确定聚类中心和隶属度矩阵；基于隶属度矩阵，利用模糊聚类算法对聚类中心进行计算，得到聚类中心的种群适应值；根据聚类中心的种群适应值，利用种群遗传算法对聚类中心和隶属度矩阵进行迭代优化处理，得到目标聚类中心和目标隶属度矩阵；基于目标聚类中心和目标隶属度矩阵，对待分割图像进行分割处理。这样，在确定出初始聚类中心和初始隶属度矩阵之后，利用预设空间算法和初始隶属度矩阵计算空间协调参数，并利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正，得到用于进行图像分割的目标聚类中心和目标隶属度矩阵，从而将空间信息引入了聚类中心和隶属度矩阵的修正过程，能够得到更加准确的目标聚类中心和目标隶属度矩阵，进而提高了图像分割的精确性。
103.在本技术的另一实施例中，参见图2，其示出了本技术实施例提供的另一种图像分割方法的流程示意图。如图2所示，该方法可以包括：
104.s201：对原始图像进行预处理，得到待分割图像。
105.需要说明的是，这样，本技术实施例提出了一种遗传聚类算法以实现图像分割，能够将任意一张图像的像素点集合划分成c个类，c为正整数。
106.对于原始图像，对图像进行sobel边缘提取，消去局部纹理特征，得到待分割图像。然后，计算待分割图像中相邻像素的比较信息，即比较一个像素与其周围八个相邻像素的灰度值大小来确定特征值，因此对光照变化和噪声干扰都有一定的鲁棒性。在这里，特征值的变换过程中保留了图像的大致轮廓，反映了图像的局部和全局分布特征，具体计算如式
(1)所示。
[0107][0108]
其中，假设像素点a的灰度值为64，其周边八个相邻像素点的灰度值依次为32/64/96/32/96/32/32/96，将像素点a依次与相邻像素点进行灰度值比较，如果像素点a的灰度值较高，则将该相邻位置记为1；若像素点a的灰度值较低，则将该相邻位置记为0，从而得到二进制序列(11010110)2，将该二进制序列转为十进制序列，就得到了该像素点a的特征值x＝214。
[0109]
s202：确定模糊聚类算法和种群遗传算法的参数。
[0110]
需要说明的是，根据实际应用场景，设置图像分割聚类数c，模糊指数m，设置种群大小popsize、交叉概率pc和变异概率pm，设定遗传最大代数为y
max
。
[0111]
s203：初始化隶属度矩阵和聚类中心。
[0112]
需要说明的是，在待分割图像中，随机初始化隶属度矩阵u＝{μ
ik
|i＝1,2,
…
,n；k＝1,2,
…
c}和聚类中心v＝{v1,v2,
…
vc}。特别地，请参见式(2)，隶属度矩阵中所有元素的和为1。
[0113][0114]
s204：将所确定的聚类中心作为初始种群，并根据适应度函数计算个体适应度值。
[0115]
需要说明的是，将加权模糊聚类算法fcm的聚类中心作为初始种群，并根据适应度函数计算个体适应度值(相当于前述的种群适应值)。种群的适应度函数请参见式(3)。
[0116][0117]
其中，fit为种群的适应度，j
ft
为模糊聚类算法的目标函数(相当于前述的聚类目标值)。具体地，j
ft
的计算公式如式(4)。
[0118][0119]
对于式(4)来说，ωi为局部相似参数，计算公式请参见式(5)，为空间协调参数，计算公式请参见式(6)。特别地，因传统的模糊聚类算法只考虑颜色信息而没有考虑任何空间信息，因此将空间信息引入聚类算法用来改善聚类的精确度。
[0120][0121][0122]
在式(5)和式(6)中，λ是比例调节参数，取值范围在0.5～1，ni为点xi周边的相邻像素点集合，mk＝{1,2，3
……
c}/{k}。在其他实施例中，mk也可以认为是vk周边的相邻像素点集合。
[0123]
特别地，隶属度函数的更新算法请参见式(7)，t为迭代次数。
[0124][0125]
s205：对聚类中心构成的种群进行选择操作，得到选择后种群。
[0126]
需要说明的是，以聚类中心为初始种群，对初始种群进行选择操作：首先采用精英保留策略得到优良的父辈，适应度高的繁殖后代的概率高；然后采用轮盘赌策略从种群中选择个体，比较个体之间的适应度值，选择适应度小的个体进行交叉和变异操作。
[0127]
s206：对选择后种群以pc概率进行交叉操作，得到交叉后种群。
[0128]
需要说明的是，采用轮盘赌博的策略在选择后种群中进行双亲选择，每选出两个染色体(相当于亲代聚类中心)，则基于pc概率(相当于前述的预设交叉参数)进行交叉繁殖。为了防止近亲繁殖，只有当个体间汉明距离超过阈值时，才允许二者之间进行交叉操作。在一些实施例中，阈值通常设置为个体间平均距离的20％。
[0129]
s207：对交叉后种群以pm概率进行变异操作，得到变异个体，并计算变异个体的适应度值。
[0130]
需要说明的是，在本技术实施例中，对于交叉后种群，需要基于pm概率(相当于前述的预设变异参数)进行变异操作，得到变异个体(相当于前述的修正后的聚类中心)，并计算变异个体的适应度值，从而对编译个体进行筛选，同时以便进行下一次迭代。
[0131]
这样，通过s205～s207，完成了一次迭代过程。
[0132]
s208：在迭代次数等于最大迭代次数时，输出最优聚类中心和最优隶属度矩阵。
[0133]
需要说明的是，将迭代次数y与最大迭代次数y
max
相比较，如果y＝y
max
，输出最优聚类中心v＝{v1,v2,
…
vc}，终止迭代操作；否则，返回步骤s205。
[0134]
s209：根据最大隶属度原则确定各像素所属的类别，以实现图像分割。
[0135]
需要说明的是，根据最优聚类中心和最优隶属度矩阵，通过公式(8)来确定各像素所属的类别。
[0136][0137]
式中k＝1,2,
…
,c，tk是指像素点xi属于聚类中心vk的概率值。
[0138]
这样，本技术实施例提出了一种遗传聚类算法以实现图像分割，具体可以包括：一方面，将遗传算法与模糊聚类算法相结合运用于图像分割；另一方面，将空间信息运用于遗传聚类；再一方面，通过领域信息获取相对像素灰度值。
[0139]
本技术实施例提供了一种图像分割方法，通过本实施例对前述实施例的具体实施方法进行了详细阐述，从中可以看出，在确定出初始聚类中心和初始隶属度矩阵之后，利用预设空间算法和初始隶属度矩阵计算空间协调参数，并利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正，得到用于进行图像分割的目标聚类中心和目标隶属度矩阵，从而将空间信息引入了聚类中心和隶属度矩阵的修正过程，能够得到更加准确的目标聚类中心和目标隶属度矩阵，进而提高了图像分割的精确性。
[0140]
在本技术的又一实施例中，参见图3，其示出了本技术实施例提供的一种图像分割装置30的组成结构示意图。如图3所示，该图像分割装置30包括确定单元301、计算单元302和分割单元303，其中，
[0141]
确定单元301，配置为根据待分割图像，确定初始聚类中心和初始隶属度矩阵；
[0142]
计算单元302，配置为基于预设空间算法和初始隶属度矩阵，确定空间协调参数；
[0143]
计算单元302，还配置为利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，确定目标聚类中心和目标隶属度矩阵；
[0144]
分割单元303，配置为基于目标聚类中心和目标隶属度矩阵，对待分割图像进行分割处理。
[0145]
在一些实施例中，计算单元302，还配置为设置迭代次数的初始值为0；利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，得到修正后的聚类中心和修正后的隶属度矩阵，并对迭代次数进行加一操作；在迭代次数小于预设次数的情况下，将修正后的聚类中心确定为初始聚类中心，将修正后的隶属度矩阵确定为初始隶属度矩阵，并返回执行基于预设空间算法和初始隶属度矩阵，确定空间协调参数；以及利用所述空间协调参数对所述初始聚类中心和所述初始隶属度矩阵进行修正处理的步骤；在迭代次数达到预设次数的情况下，将修正后的聚类中心确定为目标聚类中心，将修正后的隶属度矩阵确定为目标隶属度矩阵。
[0146]
在一些实施例中，计算单元302，还配置为根据空间协调参数，确定初始聚类中心的种群适应值；根据初始聚类中心的种群适应值对初始聚类中心进行选择，得到亲代聚类中心；利用种群遗传算法对亲代聚类中心进行交叉变异处理，得到修正后的聚类中心；根据修正后的聚类中心对初始隶属度矩阵进行计算，确定修正后的隶属度矩阵。
[0147]
在一些实施例中，亲代聚类中心的数量为多个；计算单元302，还配置为计算亲代聚类中心中每两个亲代聚类中心之间的目标距离，将目标距离大于预设阈值的两个亲代聚类中心确定为一组待繁衍聚类中心，以得到至少一组待繁衍聚类中心；基于预设交叉参数对至少一组待繁衍聚类中心分别进行交叉处理，得到交叉后的聚类中心；基于预设变异参数对交叉后的聚类中心进行变异处理，得到修正后的聚类中心。
[0148]
在一些实施例中，计算单元302，还配置为确定待分割图像的局部相似参数；根据局部相似参数和空间协调参数，利用模糊聚类算法确定初始聚类中心的聚类目标值；根据初始聚类中心的聚类目标值，确定初始聚类中心的种群适应值。
[0149]
在一些实施例中，计算单元302，还配置为获取待分割图像的特征值数据和初始聚类中心的特征值数据；对待分割图像的特征值数据和初始聚类中心的特征值数据进行相似度计算，得到局部相似参数。
[0150]
在一些实施例中，计算单元302，还配置为确定待分割图像中每一像素点的灰度值；若第一像素点的灰度值小于第一相邻像素点的灰度值，则确定第一像素点和第一相邻像素点的相对灰度为第一值；其中，第一像素点是待分割图像中的任意一个像素点，第一相邻像素点是第一像素点的任意一个相邻像素点；若第一像素点的灰度值大于或等于第一相邻像素点的灰度值，则确定第一像素点和第一相邻像素点的相对灰度为第二值；根据第一像素点与第一像素点的所有相邻像素点之间的相对灰度，确定第一像素点的特征值；根据待分割图像中每一像素点的特征值，确定待分割图像的特征值数据和初始聚类中心的特征值数据。
[0151]
在一些实施例中，确定单元301，还配置为获取原始图像；对原始图像进行边缘提取处理，得到处理后图像；对处理后图像进行局部特征消除处理，得到待分割图像。
[0152]
在一些实施例中，分割单元303，还配置为利用目标隶属度矩阵和目标聚类中心对
待分割图像中每一像素点进行隶属计算，得到每一像素点各自的分类结果；根据每一像素点各自的分类结果对每一像素点进行标记处理，得到分割后图像。
[0153]
可以理解地，在本实施例中，“单元”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是模块，还可以是非模块化的。而且在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0154]
集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0155]
因此，本实施例提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，计算机程序被多个处理器执行时实现前述实施例中任一项的方法的步骤。
[0156]
基于上述的一种图像分割装置30的组成以及计算机存储介质，参见图4，其示出了本技术实施例提供的一种电子设备40的硬件结构示意图。如图4所示，电子设备40可以包括：通信接口401、存储器402和处理器403；各个组件通过总线设备404耦合在一起。可理解，总线设备404用于实现这些组件之间的连接通信。总线设备404除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线设备404。其中，通信接口401，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
[0157]
存储器402，用于存储能够在处理器403上运行的计算机程序；
[0158]
处理器403，用于在运行计算机程序时，执行：
[0159]
根据待分割图像，确定初始聚类中心和初始隶属度矩阵；
[0160]
基于预设空间算法和初始隶属度矩阵，确定空间协调参数；
[0161]
利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正处理，确定目标聚类中心和目标隶属度矩阵；
[0162]
基于所述目标聚类中心和所述目标隶属度矩阵，对所述待分割图像进行分割处理。
[0163]
可以理解，本技术实施例中的存储器402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器
(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步链动态随机存取存储器(synchronous link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本技术描述的设备和方法的存储器402旨在包括但不限于这些和任意其它适合类型的存储器。
[0164]
而处理器403可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器403中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器403可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器403读取存储器402中的信息，结合其硬件完成上述方法的步骤。
[0165]
可以理解的是，本技术描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dsp device，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术功能的其它电子单元或其组合中。
[0166]
对于软件实现，可通过执行本技术功能的模块(例如过程、函数等)来实现本技术的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0167]
可选地，作为另一个实施例，处理器403还配置为在运行计算机程序时，执行前述实施例中任一项的方法的步骤。
[0168]
在本技术的再一实施例中，基于上述图像分割装置30的组成示意图，参见图5，其示出了本技术实施例提供的一种电子设备40的组成结构示意图。如图5所示，该电子设备40至少包括前述实施例中任一项的图像分割装置30。
[0169]
对于电子设备40而言，由于其包括图像分割装置30，确定出初始聚类中心和初始隶属度矩阵之后，利用预设空间算法和初始隶属度矩阵计算空间协调参数，并利用空间协调参数对初始聚类中心和初始隶属度矩阵进行修正，得到用于进行图像分割的目标聚类中心和目标隶属度矩阵，从而将空间信息引入了聚类中心和隶属度矩阵的修正过程，能够得到更加准确的目标聚类中心和目标隶属度矩阵，进而提高了图像分割的精确性。
[0170]
以上，仅为本技术的较佳实施例而已，并非用于限定本技术的保护范围。
[0171]
需要说明的是，在本技术中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，
而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0172]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0173]
本技术所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
[0174]
本技术所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
[0175]
本技术所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
[0176]
以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。