基于动态局部搜索和免疫克隆自动聚类的图像分割方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及一种自动聚类图像分割方法，特别涉及一种 基于动态局部搜索和免疫克隆自动聚类的图像分割方法，可用于对图像中特征目标的提取 和对目标的识别跟踪。
【背景技术】
[0002] 图像分割的过程就是把每个像素点作为一个数据点，分割的结果是为这些数据点 赋予一个类标，具有同样类标的像素点分成一类，从而实现对图像的分割。聚类分析是数据 挖掘的主要技术之一，将各种聚类方法应用于图像分割是近年来在图像分割领域的一个热 门研究方向。
[0003] 从人工参与的程度来看，图像分割可分为人工、半自动、自动三种类型。其中人工 分割完全由操作者利用鼠标等工具勾画出分割区域的轮廓，容易受操作者主观因素的影 响，并且费时费力重复性差;半自动分割需要针对具体图像和任务确定参数的选取问题，包 括设定阈值、分割目标的数目等，实际上多数分割方法都属于半自动分割。自动分割就是利 用自动聚类分析实现图像的分割，其中自动聚类分析就是在自动搜索到数据集最优聚类个 数的同时找到其最合理的划分。
[0004] 由于大多数自动聚类算法没有充分考虑待分割图像的全局信息，尤其是在针对多 区域的图像时，这类分割方法对噪声点比较敏感，导致图像分割的鲁棒性较差，算法的适应 范围较小。为解决这些问题，近些年来研究人员将一些进化算法引入到自动聚类方法中，但 由于这些进化算法本身在收敛性方面的不足且容易陷入局部最优分割方案，导致分割图像 过程中分割的精确度低，收敛速度比较慢。
[0005] 例如，中国专利申请，授权公开号CN 101477686 B，名称为"基于克隆选择的无监 督图像分割方法"中，公开了一种基于克隆选择的无监督图像分割方法，该方法将克隆选择 用于对分割质量的优化，能够在无指定分割区域数目的情况下，有效地对图像进行自动分 害J。该方法虽然解决了传统聚类方法中必须给出指定的分割类别数目的缺陷，减少了分割 过程对先验知识的依赖。但是，该方法仍然存在的不足之处是，其优化的目标函数中未包括 全局紧致性和模糊分离度，没有充分考虑图像的全局信息，导致该方法适应范围小，鲁棒性 差，从而不能正确的分割密度分布不均衡的图像。又如Saha S和Bandyopadhyay S等人在 Appl. Soft Comput ·，2013，13:89-108上发表了 "A generalized automatic clustering algorithm in a multi-objective framework"的论文，文中提出一种基于模拟退火算法 的多目标自动聚类算法，该方法结合了模拟退火算法的框架对聚类的质量进行了优化，实 验结果表明该算法能够检测到适当的聚类个数，并且得到最合理的数据集划分。虽然该算 法的目标函数包含了很多聚类信息，但是由于模拟退火算法收敛速度慢并且算法性能与初 始参数敏感的特点，从而导致聚类质量的不高，收敛速度较慢。
【发明内容】
[0006] 本发明的目的在于克服上述现有技术存在的不足，提出了一种基于动态局部搜索 和免疫克隆自动聚类的图像分割方法，用于解决现有图像分割方法中存在的分割精确度 低、鲁棒性差和收敛速度慢的技术问题。
[0007] 为实现上述目的，本发明采取的技术方案为：
[0008] 一种基于动态局部搜索和免疫克隆自动聚类的图像分割方法，包括如下步骤：
[0009] (1)输入一幅待分割图像；
[0010] (2)采用基于聚类中心的可变长实数编码方式编码抗体，并对该抗体进行初始化， 得到第一抗体种群A(t);
[0011] (3)采用包含全局紧致性和模糊分离度的目标函数，对已得到的第一抗体种群A (t)进行克隆选择操作，得到由非支配抗体组成的第二抗体种群A(1)(t);
[0012] (4)设置对第二抗体种群A(1)(t)进行优化的当前代数t为0,最大优化代数为t max;
[0013] (5)采用人工免疫算法对第二抗体种群A(1)(t)进行优化，实现的步骤为：
[0014] (5a)采用等比例克隆方式对第二抗体种群A(1)(t)中的抗体进行克隆增殖操作，得 到第三抗体种群A (2)(t);
[0015] (5b)采用单点交叉方式对第三抗体种群A⑵⑴中的抗体进行交叉操作，得到第四 抗体种群A (3)(t);
[0016] (5c)采用非一致性变异方式对第四抗体种群A(3)(t)中的抗体进行变异操作，得到 第五抗体种群A (4)(t);
[0017] (5d)采用动态局部搜索算子对第五抗体种群A(4)(t)中的抗体进行局部搜索操作， 得到第六抗体种群A (5\t);
[0018] (6)判断当前代数t是否小于最大优化代数tmax，若是，则将当前代数t加一，用第六 抗体种群A (5)⑴替换第二抗体种群AW(t)，执行步骤(5)，否则，执行步骤(7);
[0019] (7)采用半监督方式对第六抗体种群A(5)(t)中的非支配解集进行选择操作，得到 最优分割中心点；
[0020] (8)利用已得到的最优分割中心点对待分割图像进行分割，实现步骤如下：
[0021] (8a)计算待分割图像中每一个像素点属于最优分割中心点中每个类的隶属度，获 得待分割图像像素点的隶属度矩阵；
[0022] (8b)从待分割图像像素点的隶属度矩阵中找出待分割图像中每个像素点所在列 中的最大隶属度，将这些最大隶属度在隶属度矩阵中位置的行标号，作为这些最大隶属度 所对应的像素点的类标号；
[0023] (8c)显示待分割图像中所有的类，完成图像分割。
[0024] 本发明与现有技术相比，具有以下优点：
[0025] 1.本发明由于采用了包含全局紧致性和模糊分离度的目标函数作为优化目标，与 现有技术中采用单一目标进行图像分割相比，考虑了待分割图像的全局信息，减小了分割 过程对噪声的敏感度，从而提高了图像分割的鲁棒性。
[0026] 2.本发明由于对图像的最优分割中心点进行优化采用了人工免疫算法，将全局搜 索和动态局部搜索相结合，在编码阶段，采用基于聚类中心的可变长实数编码方式编码染 色体，简单高效;在交叉操作中，采用单点交叉方式，保证了交叉后抗体的有效性;在变异操 作中采用非一致性变异方式，有效避免了由于变异操作导致的退化现象;在克隆选择操作 中，同时考虑解的亲和度大小和拥挤度，在保持种群多样性的同时保证了解的均匀性;与现 有技术中采用的仅包括全局搜索进行优化相比，有效的提高了图像分割过程中最优分割中 心点的收敛速度和图像分割的精确度。
【附图说明】
[0027] 图1是本发明的实现流程图；
[0028] 图2是本发明和现有图像分割方法的分割结果对比图。
【具体实施方式】
[0029]下面结合附图和具体实施例，对本发明作进一步描述。
[0030] 参照图1，本发明的分割方法包括如下步骤：
[0031] 步骤1，输入一幅待分割图像；
[0032] 输入一幅大小为244X244人工合成图像。
[0033] 步骤2,采用基于聚类中心的可变长实数编码方式编码抗体，并对该抗体进行初始 化，得到第一抗体种群A(t);
[0034] 步骤2a)设置当前循环次数X为0,设置第一抗体种群A(t)的规模为n，待分割图像 的最大聚类数目为kmax;
[0035] 本实施例中η的取值为100，kmax的取值为25。
[0036]步骤2b)根据设定的图像聚类个数k(2 < k < kmax)，从图像像素点集中随机选取k个 数据对象作为k个聚类中心，记为V= [VI，V2, . . .，Vk]，其中Vi= [Vil，Vi2，…，Vid] (i = 1， 2，···，k)表示v中第i个聚类中心，d为数据对象的维数；
[0037] 步骤2c)将矩阵v转化为行向量，作为一个抗体，即hi(t) = [vi，V2, . . .，Vk](l = l, 2，· · ·，η);
[0038] 步骤2d)判断当前循环次数x是否小于第一抗体种群A(t)的规模n，若是，则执行步 骤2b)，否则，执行步骤2e);
[0039] 步骤2e)将初始化得到的所有抗体组成第一抗体种群A(t)。
[0040] 步骤3,采用包含全局紧致性和模糊分离度的目标函数，对已得到的第一抗体种群 A(t)进行克隆选择操作，得到由非支配抗体组成的第二抗体种群A(1)(t);
[0041 ]目标函数可表示为：
[0042]