本发明属于数字图像处理,具体涉及一种图像分割方法,可用于自然图像的识别和计算机视觉的预处理。
背景技术:
1、图像分割是计算机视觉领域中一个重要的研究方向,是图像处理到图像分析的关键步骤,一直以来备受学者关注。其通过将图像细分为多个子区域或对象,进而提取出人们感兴趣的信息。这使得图像中的信息更加明确、突出,从而有助于后续的图像分析和处理。近年来,图像分割技术在自动驾驶、医学图像分析、机器人感知和遥感辅助农业等领域发挥着至关重要的作用。随着实际应用场景的复杂性不断增加,人们对图像分割技术的性能要求也日益提高。因此,近年来涌现出了众多新型的图像分割算法,包括基于阈值的分割方法、基于区域的分割方法和基于聚类的分割方法等。其中,基于聚类的图像分割方法因其自适应性强、计算复杂度低、无需先验知识等优点,得到了广泛研究及应用。在此基础上发展的粗糙聚类通过引入粗糙集理论中上近似集和下近似集的概念,对聚类过程进行改进,有效地解决了图像中不完整、不精确或不确定信息对分割任务的影响并具有良好的稳定性。
2、mohapatra等人在2012年提出了核诱导的粗糙c均值聚类算法用于人体淋巴细胞图像分割,其利用非线性映射函数先对特征向量进行转换,再进行粗糙聚类以实现对于淋巴细胞图像的分割。该方法在实现图像分割时存在两个方面的问题:第一个问题是该算法对初始中心敏感、易陷入局部最优。这可能会导致算法在迭代过程中出现震荡或者停滞不前的情况,从而无法得到理想的聚类结果。第二个问题是该算法聚类准则单一,无法从多个角度去衡量图像的分割结果。
3、针对第一个问题,wang和luo在2013年提出了基于粒子群优化的粗糙聚类算法,其设计了自适应边界权重策略并利用粒子群算法优化得到最终图像分割结果。增强了全局搜索能力,有效降低了陷入局部最优的可能。但该算法由于在计算适应度函数时,对上、下近似集中的所有样本使用相同的权重,而忽略了不同样本对聚类中心的影响,故导致分割效果欠佳。
4、针对第二个问题,zhao等人在2022年提出了基于粒子竞争机制的多目标粗糙聚类图像分割算法,其构造了融合图像非局部空间信息的粗糙聚类适应度函数并结合可分性函数共同评价聚类结果。并通过成对竞争的粒子权重更新策略改进基于竞争机制的多目标粒子群算法,对这两个适应度函数进行优化,以得到最终聚类结果。然而,由于该算法在每一次迭代中都要进行大量昂贵的函数计算,因而导致算法运行时间过长,效率低下。
技术实现思路
1、本发明的目的在于针对上述现有技术的不足,提出一种多代理辅助多目标粒子群优化粗糙聚类的图像分割方法,以提升分割性能,减小运行时间,提高分割效率。
2、实现本发明目的的技术思路是;通过充分利用样本的密度和距离信息构造粗糙聚类适应度函数,并结合构造的类间可分性函数,从多个角度评估聚类结果,提升分割性能;通过使用改进的代理辅助优化框架对适应度函数值进行预测,减小运行时间,提高分割效率,
3、根据上述思路,本发明的技术方案包括如下步骤:
4、(1)输入待分割图像x,并设置初始参数值,即聚类数目k,空间半径r,下近似权重ωlow,种群规模n,初始当前迭代次数t=1,最大迭代次数t,精英集粒子数目ψ,新代理所添加粒子数目mu,分类模型参数h;
5、(2)获取待分割图像的密度信息的度量tm;
6、(3)将图像特征的密度信息和距离信息融入到粗糙聚类中,构成基于密度和距离加权的粗糙类内紧致性目标函数j1;
7、(4)利用粗糙聚类中类间的不平衡比,构造基于粗糙体积的类间可分性函数j2;
8、(5)采用拉丁超立方采样方法生成粒子数为n的初始种群p,根据粗糙类内紧致性目标函数j1和类间可分性函数j2计算种群中各粒子的适应度值;
9、(6)根据粒子的适应度值,计算粒子的非支配排序值rank及拥挤度距离crowdis;
10、(7)将非支配排序值为1的粒子标记为正样本,其余粒子为负样本;根据粒子特征及其标记的正、负类别样本选择knn分类代理模型,通过该模型对粒子进行分类;
11、(8)利用非支配及拥挤度排序的结果计算粒子的优劣指标值s(pz);根据粒子特征及其优劣指标值训练现有的rbf回归代理模型;
12、(9)设计多代理协同辅助的多目标粒子群优化框架,对当前种群进行更新:
13、(9a)对粒子的正、负类别样本及优劣指标值进行预测,利用预测结果选择精英集群;
14、(9b)在更新种群中某个粒子的速度和位置时,从精英集群随机选择两个精英粒子,采用精英竞争策略决出两个粒子中的胜者,通过获胜粒子更新该粒子的速度和位置;
15、(9c)对当前种群中的所有粒子分别执行步骤(9b),得到更新后的种群;
16、(9d)将更新后的种群输入到训练好的分类代理模型,输出更新后各粒子的正、负类别,并判断其数目是否小于设定的添加粒子数目mu:
17、若是,则对类别样本为正的粒子进行真实函数计算,即计算正粒子的粗糙类内紧致性目标函数j1和类间可分性函数j2;
18、否则,将类别样本为正的粒子输入到训练好的回归代理模型,输出类别样本为正粒子优劣指标值的预测结果,并对预测结果最高的mu个粒子进行真实函数计算;
19、(10)更新当前迭代次数t=t+1,判断当前迭代次数是否达到最大迭代次数t:
20、若是,则执行步骤(11);
21、否则,返回步骤(6);
22、(11)通过紧致性度量e(k)和可分性度量d(k)计算聚类有效性指标i,选择聚类有效性指标值最高的粒子作为最优粒子,根据最优粒子对图像的各个像素进行聚类,得到图像像素的聚类标签,输出图像x的分割结果。
23、本发明与现有技术相比,具有以下有益的技术效果:
24、其一,本发明由于构造了基于密度和距离加权的粗糙类内紧致性目标函数和基于粗糙体积的类间可分性函数,可以从不同角度评估聚类结果,提高图像分割的性能。
25、其二,本发明由于设计了多代理协同辅助多目标优化框架,利用分类和回归模型对粒子的类别标签和优劣指标值进行预测,并结合两个模型的预测结果选择精英集群并用于种群更新,可在保证算法收敛性的同时提高分割效率。
26、其三,本发明由于结合分类和回归代理模型的预测结果,共同选择用于真实函数评估的粒子,进而更新代理模型,提升了模型的性能。
1.一种多代理辅助多目标粒子群优化粗糙聚类的图像分割方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤(2)获取待分割图像的密度信息度量tm,公式如下:
3.根据权利要求1所述的方法,其特征在于,步骤(3)中构成基于密度和距离加权的粗糙类内紧致性目标函数j1,表示如下:
4.根据权利要求1所述的方法,其特征在于,步骤(4)中构成基于粗糙体积的类间可分性函数j2,表示如下:
5.根据权利要求1所述的方法,其特征在于,步骤(5)采用拉丁超立方采样方法生成粒子数为n的初始种群p,实现如下:
6.根据权利要求1所述的方法,其特征在于:
7.根据权利要求1所述的方法,其特征在于,步骤(7)中通过knn分类代理模型对粒子进行分类,实现如下:
8.根据权利要求1所述的方法,其特征在于,步骤(8)利用非支配及拥挤度排序的结果计算粒子的优劣指标值s(pz),公式如下:
9.根据权利要求1所述的方法,其特征在于,步骤(8)根据粒子特征及其优劣指标值训练现有的rbf回归代理模型,实现如下:
10.根据权利要求1所述的方法,其特征在于,步骤(9a)对粒子的正、负类别样本及优劣指标值进行预测,利用预测结果选择精英集群,实现如下:
11.根据权利要求1所述的方法,其特征在于,步骤(9b)中采用精英竞争策略决出两个粒子中的胜者,更新该粒子的速度和位置,实现如下:
12.根据权利要求1所述的方法,其特征在于:步骤(11)中通过紧致性度量e(k)和可分性度量d(k)得到聚类有效性指标i,公式如下:
13.根据权利要求1所述的方法,其特征在于:步骤(11)中根据最优粒子对图像的各个像素进行聚类,实现如下: