基于改进多目标和声搜索算法的交通图像分割方法
【技术领域】
[0001] 本发明属于图像处理技术领域，具体是一种基于改进多目标和声捜索算法的交通 图像分割方法。
【背景技术】
[0002] 图像分割结果的好坏直接地影响后续图像处理的质量，因此，图像分割是图像理 解领域中的重点和难点之一，该一艰难的任务给研究人员带来了巨大的挑战。图像分割的 目的是将一幅图像分割成若干个互不重叠的具有特定意义的区域，同一区域具有相似的特 性，不同区域差别较大。
[0003] 现有的图像分割方法主要可W划分为基于边缘的分割方法，基于区域的分割方 法，基于聚类的分割方法等。大多数聚类方法，其实质是目标函数的最优化问题。由于传统 的聚类方法存在易陷入局部最优、对初始聚类中屯、敏感等缺点，使得基于进化聚类的分割 方法成为当前图像分割方法中的热点，并广泛应用于各类图像的分割中。它很好的将进化 计算与聚类技术结合在一起，成功克服了传统聚类方法的不足，另外进化计算方法可W同 时优化多个目标，使得多目标进化聚类技术成为可能。鉴于进化计算的优点，研究合适的智 能优化算法，使其与聚类技术更好的结合，已成为一个备受关注的研究方向。
[0004] 和声捜索算法是用于解决全局最优问题的智能优化算法，具有控制参数少、简单 易懂、易于实现等优点，现已成功运用到各个领域。目前，基于多目标优化聚类的图像分割 方法大多只考虑两个分割标准，而每类图像都有各自的特点，因此存在应用面小，分割结果 不理想，分割正确率低等缺点。
[0005] 现有交通图像分割方法中，无论是多阔值分割方法，还是聚类分割方法，都需要人 为的设定分割目标的数目，而智能交通中基于视觉的智能车导航技术，需要计算机自动将 道路、车辆、障碍物等目标分离出来，显然传统的图像分割方法无法满足该一特定的要求。
【发明内容】
[0006] 本发明的目的在于克服上述已有方法的不足，提出了一种基于改进多目标和声捜 索算法的交通图像分割方法，本发明同时优化=个目标函数，并将动态聚类的算法融入到 多目标和声捜索算法中，提高了图像分割精度，实现了自动确定分割类别数，为后续交通图 像处理提供了较好的信息基础。
[0007] 基于改进多目标和声捜索算法的交通图像分割方法，包括如下步骤：
[000引 （1)输入待分割灰度图像I，统计图像I的灰度直方图GH=化1，1 = 0, 1，...，255}，hi为灰度级1的像素点出现的次数，设置迭代计数器t，初始值为1 ;
[0009] (2)初始化和声记忆库；
[0010] (2a)随机初始化和声记忆库歷中的和声Xi所表示的聚类中屯、的分割类别数K1， 1 = 1，...，歷5，歷8为和声记忆库大小，町￡怔。化，1^]，町为整数，1(。化为图像1最小分割 类别数，Km"为最大分割类别数；
[0011] (2b)根据图像I中像素灰度值范围，随机生成分割类别数为Ki的聚类中屯、Ci，。 ={Ck=化+帅-Lb)*r，k= 1，. ..，KJ，却为第k类的聚类中心U3、Ub分别是图像I中所 有像素值中的最小值、最大值，r是随机产生的一个0到1之间的实数；
[001引 （2c)将每个聚类中屯、。随机编排到对应和声X冲，Xi是一个KmJ隹向量；
[0013] (2d)找出歷中每个和声Xi中所有值不等于NOTcenter的分量作为该和声所表示 的聚类中屯、。，评估聚类中屯、。的S个适应度函数值f1，f2，f3，并将该S个适应度函数值作 为对应和声Xi的适应度值；
[0014] (3)生成一个新解：
[00巧](3a)创作的新和声X胃=(xr，xr，...，xr)中的每一个变量xr都是经过^下； 种机理产生，即保留和声记忆库中分量，音调微调，随机选择音调，n=Km"，该过程描述为：
[0016]
[0017] 其中ri、r2均为随机产生的0到1之间的实数，HMCR、PAR、bw分别为和声忆库保 留概率、音调调节概率、音调调节步长；
[0018] (3b)对新产生的和声XD6W执行变异操作，生成变异后的解向量X-ut;
[0019] (3c)对解向量X-ut执行随机操作，生成解向量Xand.
[0020] (3d)按照步骤（2d)的方式，评估新生成的解向量^^嘴立个适应度函数值fI，f2， fs;
[002U (4)重复步骤（3)，直到生成歷S个新解；
[002引 （5)将新生成的歷S个解与和声记忆库歷中的解组合在一起，形成一个具有 2X歷S个解的组合和声记忆库，并根据各个解的适应度函数值，采用NSGA-II中的快速非 支配排序策略，对组合和声记忆库中所有的解进行排序；
[002引 做删除歷中原有的和声，根据NSGA-II中拥挤比较操作，从组合和声记忆库中选 取最优的HMS个解保存到和声记忆库HM中，形成新的和声记忆库HM;
[0024] (7)判断当前迭代次数t是否大于最大迭代次数tm"，如果满足该条件，则执行步 骤巧），否则返回步骤（3)，t=t+1 ;
[0025] (8)从迭代结束后得到的和声记忆库中找出每个和声中所有值不等于NOTcenter 的分量作为该和声所表示的聚类中屯、，计算其聚类有效性指标PBM值，选取PBM值最大的对 应的聚类中屯、作为最优聚类中屯、，其中PBM表示为：
[00測其中El对于同一幅图像是一个常数，Dc= {maxd(c1，Cj),i,j= 1，. . .，K}是各聚 类中屯、间欧式距离最大值，K为分割类别数，d(x。Ck)为图像I中第i个像素点Xi到第k类 的聚类中屯、Ck的欧式距离；
[0029] (9)计算图像I各像素的灰度值与最优聚类中屯、的欧式距离，把该像素划分到距 离它的欧氏距离最小的聚类中屯、的类别中，得到每一个像素所属的类别，从而得到灰度图 像的分类结果。
[0030] 本发明的实现还在于：步骤（2a)中的所述的和声记库大小歷S在80至Ij120之间 取值效果较好。歷S取值过小，不易于保持和声记忆库中解的多样性，从而容易过早成熟， HMS取值过大会造成计算量大，导致计算时间过长，HMS的取值在一定程度上影响着算法的 收敛速度和收敛精度，通过大量实验仿真得出歷S在80至Ij120之间取值，算法能够同时获 得较好的收敛速度和收敛精度。
[0031] 本发明的实现还在于：步骤（2c)中每个聚类中屯、。随机编排到对应和声Xi中，其 过程包括；初始化一个Kmax维的空向量V1=(，，...，），将聚类中屯、C海类的中屯、Ck，k= 1，..，Ki，随机放到Vi中任意一空维，直到聚类中屯、Ci中的所有类中屯、被放完，对于Vi中仍 存在的空维用NOTcenter替代，NOTcenter是一个负常数，表示不是类中屯、，最后将Vi赋给 Xi〇
[0032] 本发明的实现还在于：步骤（3a)中的音调微调采用一种随迭代次数t增加而逐渐 减小的音调调节步长bw，表不为；
[0033]
[0034] 其中bWm"，bWmi。为音调调节步长的上下界，9为一个正常数。
[0035] 在本发明中，采用动态变化的bw使算法在迭代早期有较好的全局捜索能力，而迭 代后期有较好的局部捜索能力。
[0036] 本发明的实现还在于：步骤（3b)中对新产生的和声XD6W执行变异操作，其过程包 括：
[0037] (3b. 1)对和声xnew中变量坤"'进行变异操作，j=1，. .，n，若X胃的值为 NOTcenter，则xf''保持不变，即=x^e'v，否则变异，变异可表示为；
[00%]
[0039] 其中r是随机产生的一个0到1之间的实数，Pmut为变异概率，W〇.Ub~U))是均 kx 值为0,标准差为的正态分布随机产生的一个实数，kx是一个正系数；kx
[0040] (3b.。若变异后变量xf的值超出范围[化化]，则将与xf"接近的边界值赋给 X?*;
[0041] (3b. 3)对和声xnew中每个变量依次按步骤（3b. 1) (3b. 2)执行，得到经过变异操作 后的解向量X?t。
[0042] 在本发明中，对新产生的和声中的每