) (3b. 2)执行，得到经过变异操作 后的解向量x?t;
[0094] (3c)对解向量r"销行随机操作，生成解向量Xand,其过程包括操作过程包括；统 计解向量rut中值不为NOTcenter的分量的个数K，K表示分割类别数，若K>Kmi。，X-ut保 持不变，即r^=xmut，否则随机生成分割类别数K，KG怔并在[化，化]范围内随 机生成分割类别数为K的聚类中屯、C，按步骤（2c)中所述的随机编码方式将C随机编码到 Xrand中；
[009引 （3d)按照步骤（2d)的方式，评估新生成的解向量^^的立个适应度函数值fI，f2， fg。
[0096]在本实施例中，HMCR=0. 95,PAR=0. 45,bWm化=1，bWmax= 0.IX(化-化），pmut =1/Kmax，kx= 20。
[0097] 步骤4,重复按照步骤3,直到生成歷S个新解。
[009引步骤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。
[0099] 步骤6,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 中选取最优的歷S个解保存到和声记忆库歷中，形成新的和声记忆库歷。
[0100] 步骤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8,否则返回步骤3,t=t+1。
[0101] 在本实施例中，最大迭代次数tm"= 150。
[0102] 步骤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：
[010引其中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。
[0106] 步骤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。还原的分类结果参见图2化）。
[0107] 本发明的对比实验为K-means、模糊C-均值图像分割方法，由于K-means、模糊 C-均值图像分割方法都需要人为设定分割类别数，为便于比较，将其分割类别数均设置为 本发明方法最后分割结果所得的分割类别数。图2(a)为交通图像Ii的原始灰度图像，图 2化）、图2 (C)、图2 (d)分别为采用本发明方法、K-means、模糊C-均值方法得到的分割结 果图，从图2(b)可W看出，本发明方法自动将交通图像Ii划分成了立类，车辆为一类，道路 为一类，道路上的分道线为一类，该发明方法很好的将车道和车辆分割出来。从图2化）、图 2 (C)、图2 (d)可W看出，本发明很好的将车牌上的数字及字母分割出来了，而K-means、模 糊C-均值分割方法均存在分割不完整情况，同时，本发明克服了该两种方法均需人为设置 分割类别数的缺点。
[010引实施例2
[0109] 基于改进多目标和声捜索算法的交通图像分割方法同实施例1，在实施例2中， 对比实验为K-means、模糊C-均值图像分割方法，K-means、模糊C-均值图像分割方法的 分割类别数K均设置为3。实施例2中输入有道路、车辆、障碍物的交通图像I,，其大小为 276X223像素，灰度级为256。义用本发明得到最终分类结果图参见3化）。
[0110] 图3(a)为交通图像12的原始灰度图像，图3化）、图3(c)、图3(d)分别为采用本 发明方法、K-means、模糊C-均值方法得到的分割结果图。从图3(b)可W看出，本发明自动 将图像12划分成=类，车辆及障碍物为一类，道路为一类，道路两边的树木为一类，很好的 将障碍物、车辆从道路上分割出来。从图3 (a)、图3化）、图3 (C)、图3 (d)可W看出，本发明 方法有更好的抗噪能力，原灰度图3(a)中路面灰尘较多，K-means、模糊C-均值方法均存在 较多的将该些灰尘误分为障碍物，而本发明方法明显地减少了误分区域，具有更高的分割 准确率。
[0111] 实施例3
[0112] 基于改进多目标和声捜索算法的交通图像分割方法同实施例1，在实施例3中，对 比实验为K-means、模糊C-均值图像分割方法，K-means、模糊C-均值图像分割方法的分割 类别数K均设置为3。实施例3中输入有道路的交通图像l3,其大小为318X245像素，灰 度级为256。采用本发明得到最终分类结果图参见4化）。
[0113] 图4(a)为交通图像Is的原始灰度图像，图4化）、图4(c)、图4(d)分别为采用本 发明方法、K-means、模糊C-均值方法得到的分割结果图。从图4(b)可W看出，本发明自 动将图像13划分成=类，道路为一类，道路边线及分道线为一类，道路两旁的树木为一类， 很好的将道路从图像中分割出来。从图4化）、图4(c)、图4(d)可W看出，本发明得到了与 K-means、模糊C-均值图像分割方法相似的结果。
[0114] 实施例4
[0115] 基于改进多目标和声捜索算法的交通图像分割方法同实施例1，在实施例4中，对 比实验为K-means、模糊C-均值图像分割方法，K-means、模糊C-均值图像分割方法的分割 类别数K均设置为2。实施例4中输入有道路、单车辆的交通图像14,其大小为278X244像 素，灰度级为256。采用本发明得到最终分类结果图参见5化）。
[0116] 图5(a)为交通图像L的原始灰度图像，图5化）、图5(c)、图5(d)分别为采用本发 明方法、K-means、模糊C-均值方法得到的分割结果图。从图4(b)可W看出，本发明自动 将图像L划分成二类，车辆为一类，分道线为一类，很好的将车辆从图像中分割出来。从图 5化）、图5 (C)、图5 (d)可W看出，本发明得到了与K-means、模糊C-均值图像分割方法相似 的结果。
[0117] 实施例5
[0118] 基于改进多目标和声捜索算法的交通图像分割方法同实施例1，在实施例5中，对 比实验为K-means、模糊C-均值图像分割方法，K-means、模糊C-均值图像分割方法的分割 类别数K均设置为2。实施例5中输入高斯噪声为（0, 0.01)的交通标志图像Ig，其大小为 499X495像素，灰度级为256。采用本发明得到最终分类结果图参见6(c)。
[0119] 图6(a)为无噪声交通标志图像Is的原始灰度图像，图6化）是高斯噪声为 (0, 0.01)的交通标志图像le的原始灰度图像，图6(c)、图6(d)、图6(e)分别为采用本发明 方法、K-means、模糊C-均值方法得到的分割结果图。从图6(c)可W看出，本发明自动将图 像I。划分成二类，圆中的矩形为一类，圆中除去矩形的部分为一类，符合分割要求，体现了 本发明方法良好的抗噪能力。从图6(c)、图6(d)、图6(e)及表1可W看出，本发明方法误 分像素的个数要少于其他两种方法，具有更强的抗噪能力及更高分割准确率。
[0120] 表种算法性能比较
[0121]
[0122] 实施例6
[0123] 基于改进多目标和声捜索算法的交通图像分割方法同实施例1，在实施例6中，对 比实验为K-means、模糊C-均值图像分割方法，K-means、模糊C-均值图像分割方法的分割 类别数K均设置为2。实施例6中输入高斯噪声为化0.015)的交通标志图像le，其大小 为499X495像素，灰度级为256。采用本发明得到最终分类结果图参见7化）。
[0124] 图7(a)为高斯噪声为化0.015)交通标志图像le的原始灰度图像，图7化）、图 7(c)、图7(d)分别为采用本发明方法、K-means、模糊C-均值方法得到的分割结果图。从图 7(b)可W看出，本发明自动将图像le划分成二类，圆中的