当前位置: 首页 > 专利查询>湖南大学专利>正文

基于改进多目标和声搜索算法的交通图像分割方法技术

技术编号:11979276 阅读:217 留言:0更新日期:2015-09-02 09:43
本发明专利技术公开了基于改进多目标和声搜索算法的交通图像分割方法,主要解决现有交通图像分割技术中评价指标单一、抗噪声能力弱、分割准确率不高、需人为确定图像分割类别数的问题。其实现步骤主要包括:读入灰度图像,统计灰度直方图;初始化和声记忆库;产生一群新解,个数等于和声记忆库大小;更新和声记忆库;判断是否满足终止条件;根据PBM评价指标,从和声记忆库中选取最优聚类中心;根据最优聚类中心,对图像中各像素分类,得到分割结果。本发明专利技术与现有交通图像分割技术相比,评价指标多元化,分割准确率高,抗噪声能力强,能自动确定图像中的分割类别数,可用于对交通图像的分割。

【技术实现步骤摘要】

本专利技术属于图像处理
,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。
技术介绍
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。 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。 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。 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。
技术实现思路
本专利技术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,本专利技术同时优化=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。 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 ; (2)初始化和声记忆库; (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; (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; (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; (3)生成一个新解:(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: 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; (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; (3c)对解向量X-ut执行随机操作,生成解向量Xand. (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; (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 ; (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; (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。 本专利技术的实现还在于: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。 本专利技术的实现还在于: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 本专利技术的实现还在于: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; 其中bWm",bWmi。为音调调节步长的上下界,9为一个正常数。 在本专利技术中,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。 本专利技术的实现还在于:步骤(3b)中对新产生的和声XD6W执行变异操作,其过程包 括: (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; 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 (3b.。若变异后变量xf的值超出范围,则将与xf"接近的边界值赋给 X?*; (3b. 3)本文档来自技高网
...

【技术保护点】
一种基于改进多目标和声搜索算法的交通图像分割方法,其特征在于包括有如下步骤:(1)输入待分割灰度图像I,统计图像I的灰度直方图GH={hl,l=0,1,...,255},hl为灰度级l的像素点出现的次数,设置迭代计数器t,初始值为1;(2)初始化和声记忆库:(2a)随机初始化和声记忆库HM中的和声Xi所表示的聚类中心的分割类别数Ki,i=1,...,HMS,HMS为和声记忆库大小,Ki∈[Kmin,Kmax],Ki为整数,Kmin为图像I最小分割类别数,Kmax为最大分割类别数;(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的聚类中心Ci,Ci={ck=Lb+(Ub‑Lb)*r,k=1,...,Ki},ck为第k类的聚类中心,Lb、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;(2c)将每个聚类中心Ci随机编排到对应和声Xi中,Xi是一个Kmax维向量;(2d)找出HM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心Ci,评估聚类中心Ci的三个适应度函数值f1,f2,f3,并将这三个适应度函数值作为对应和声Xi的适应度值;(3)生成一个新解:(3a)即兴创作一个和声新创作的和声中的每一个变量都是经过以下三种机理产生,即保留和声记忆库中分量,音调微调,随机选择音调,n=Kmax,该过程描述为:其中r1、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;(3b)对新产生的和声Xnew执行变异操作,生成变异后的解向量Xmut;(3c)对解向量Xmut执行随机操作,生成解向量Xrand;(3d)按照步骤(2d)的方式,评估新生成的解向量Xrand的三个适应度函数值f1,f2,f3;(4)重复步骤(3),直到生成HMS个新解;(5)将新生成的HMS个解与和声记忆库HM中的解组合在一起,形成一个具有2×HMS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;(6)删除HM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;(7)判断当前迭代次数t是否大于最大迭代次数tmax,如果满足该条件,则执行步骤(8),否则返回步骤(3),t=t+1;(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心,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心作为最优聚类中心;(9)计算图像I各像素的灰度值与最优聚类中心的欧式距离,把该像素划分到距离它的欧氏距离最小的聚类中心的类别中,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。...

【技术特征摘要】

【专利技术属性】
技术研发人员:袁小芳戴香山向永忠王耀南
申请(专利权)人:湖南大学袁小芳
类型:发明
国别省市:湖南;43

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1