基于多目标免疫聚类集成的无监督图像分割方法技术

本发明专利技术公开了一种基于多目标免疫聚类集成技术的无监督图像分割方法，主要解决现有技术中全局优化能力不强、评价指标单一、分割方案形式单一和多个分割方案选择困难的问题。其实施步骤是：（１）提取待分割图像的灰度信息及小波能量信息；（２）采用基于区域的采样策略对图采样生成测试样本集；（３）选取不同的特征向量构成若干子测试样本集；（４）采用基于多目标免疫算法的进化聚类，产生初分割方案；（５）集成学习出初分割方案集中的最优分割方案；（６）依据已选择出的分割方案标记图像像素点类别归属；（７）输出图像分割结果。本发明专利技术具有获取图像分割的平均准确率高，鲁棒性强的优点，可用于图像信息获取，图像纹理划分。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及一种人工智能技术在图像处理领域的应用， 具体地说是一种基于多目标免疫聚类集成技术的无监督图像分割方法，该方法可用于图像 理解，及目标识别。
技术介绍
随着图像数据越来越多，人工解译逐渐退出了历史舞台，取而代之的是机器解译。 图像处理扮演着关乎国计民生的重要角色，成为了当前研究的焦点，而图像分割是图像处 理的基本问题之一。在对图像的研究和应用中，通过图像分割可以发现感兴趣的目标区域， 为图像后期的分类和识别奠定了基础，其中目标识别的准确性很大程度上依赖于图像分割 的质量。为了识别和分析图像中的目标，需要将他们从图像中分离提取出来，在此基础上才 有可能进一步对目标进行测量和对图像进行利用。图像工程可以分为三个层次，图像处理，图像分析，图像理解。图像分割是从图像 处理到图像分析过程中的重要步骤，同样也是图像理解的基础。图像分割的任务是把图像 剖分成互不相交的一些区域，每一区域都满足特定的区域一致性，并且是连通的，不同区域 有某种显著的差异性。把这种分割方式用形象化的语言描述出来就是目前最受认可的图像 分割的定义。图像分割方法可分为基于区域和基于边界两类分割方法。基于区域的分割方法 中，阀值分割和空间聚类是最常用的方法。空间聚类分析是研究数据间逻辑上或者物理上 相互关系的技术，是一种无监督的学习方法。其任务是通过一定的规则将数据集划分为在 性质上相似的数据点构成的若干个类，故又称为无监督分类。在现有的方法中，K-均值聚类作为一种基于中心的聚类方法，是最简单使用最普 遍的方法之一。K-均值聚类通过迭代优化寻找最优解，在紧凑的超球形分布的数据集上可 以展现很好的性能。然而，当数据结构是非凸或者存在严重交叠的时候，K-均值聚类往往失 效，并且很难保证收敛到全局最优解。作为全局优化方法，进化算法日益引起学者的关注。 进化算法包括进化策略、遗传算法、以及免疫算法，等等。近年来，很多关于进化算法在聚类 分析中的应用涌现了出来。到目前为止，大多数基于优化的聚类算法只优化一个目标函数。这些评价函数通 常是基于数据集的某一类特征，比如空间分离度，或者类别紧凑度。然而，现实中的绝大多 数问题都涉及多个目标，而这些目标并不是独立存在的，它们往往是耦合在一起的相互竞 争的目标，每个目标具有不同的意义和量纲，它们的竞争性和复杂性使得对其优化变得困难。在单目标优化中问题的最优解已有明确的定义，但这一概念却不能简单推广到多 目标最优解。不同于单目标问题最优解的概念，多目标优化问题不存在唯一的全局最优解， 而是存在多个最优解的集合。多目标问题最优解集中的元素就全体目标而言是不可比较 的，一般称为Pareto最优解集。早在1896年法国经济学家V. Pareto就提出这一观点，所谓Pareto最优解集，是指对于一些不可能进一步优化某一个或几个目标而其他目标不至于劣 化的解，因此也称为非劣最优解集。Pareto最优概念是建立在集合论基础上对多目标解的 一种向量评估方式。基于种群操作的进化算法可以隐式并行地搜索解空间的多个解，并能 利用不同解之间的相似性来提高其并发求解问题效率，进化算法与Pareto最优概念相结 合，可能产生真正基于Pareto最优概念的多目标优化的进化算法，实现对非劣最优解集的 有效搜索。然而现有技术中总提取相对固定的图像特征，因此只能得到形式单一的一批待选 分割方案，导致最终图像分割结果很难达到最优。同时在现有技术中，没有一个有效统一的 策略从一批待选分割方案中选择出最合适的一个方案。 综上，现有基于聚类分析的图像分割方法存在着以下四个问题(1)全局优化能 力不强；(2)评价指标单一；(3)分割方案形式单一；(4)多个分割方案选择困难。图像分割 的效果，即图像分割的准确度，具体包括区域一致性和边缘有效保持两个方面。如果上述问 题得不到很好的解决，针对数据集的聚类分析方法性能就会受到非常大的限制，进而无法 保证图像分割的区域一致性以及边缘有效保持，最终导致图像分割方法的失效。
技术实现思路
本专利技术的目的在于克服已有技术的不足，提出一种基于多目标免疫聚类集成技术 的无监督图像分割方法，以增强全局搜索能力，全面评价数据集特征信息，增加分割方案的 多样性并选择出最合适分割方案，从而更好的保证图像分割的区域一致性以及边缘有效保 持，进而提高图像分割的效果。实现本专利技术目的的技术思路是将图像分割问题看作聚类优化问题，用基于免疫克 隆计算的多目标优化算法搜索出一系列最优的图像分割方案，找到最优方案中图像像素点 的归属类别，然后采用集成学习的方法学习出一个最满意的分割方案，逼近最佳无监督图 像分割的性能，其具体方案包括如下步骤(1)输入待分割图像，并提取该图像的灰度信息及小波能量信息；(2)利用基于区域的采样策略，选取一部分像素点组成测试样本集(2. 1)设定测试样本集大小Ns，其范围为100 1000 ；(2. 2)读取待分割图像，并计算该图像面积；(2. 3)将待分割图像分为Ns个等面积的图像子区域；(2. 4)在图像的每个子区域中随机选取一个像素点，并将其加入测试样本集；(2. 5)输出该测试样本集，其规模大小为Ns ；(3)提取测试样本集中所有像素点不同的特征信息，获得若干组子测试样本集(3. 1)设定子测试样本集个数K和特征选择概率Pf，取K = 3，Pf = 0. 5或K = 5， Pf = 0. 3 ；(3.2)以概率Pf在步骤(1)中提取的所有特征向量中选择一部分特征向量，赋予 测试样本集中的所有像素点，组成一个子测试样本集数据；(3.3)若子测试样本集的个数达到K，输出K组子测试样本集；否则，返回步骤 (3. 2)；(4)针对每组子测试样本集进行基于多目标免疫算法的进化聚类，产生一系列关于测试样本集像素点的初分割方案，组成初分割方案集；(5)对初分割方案集进行集成学习，得到对于测试样本集像素点的最优的一个分割方案；(6)标记最优的分割方案所对应的像素点的类别归属，计算其余未标记的像素点 与测试样本集中已标记像素点的特征距离，根据特征距离的大小，将未标记像素点进行类 别归属划分；(7)根据图像中所有像素点的类别归属标记，得出最终的图像分割结果。本专利技术与现有技术相比具有如下优点1、运算数据量小。图像分割是一种数据聚类问题，而数据聚类的运算数据量等于图像像素点的总数。因此解决图像分割问题的直接方法是遍历整个图像的像素点以获得最优分割结果，而 对于如此庞大的数据量，现有聚类技术很难有效的处理。为了解决此类问题，本专利技术采用了 基于区域的采样策略，首先将待分割图像均勻地分成等面积的若干子图像，然后在每一个 子图像中随机提取一个像素点组成子测试样本集，最后对子测试样本集中像素点就其目标 函数进行优化，该方法大大降低了数据聚类的运算数据量。2、评价指标多样化。本专利技术采用多目标免疫聚类算法对子测试样本集进行优化处理，该操作能够对提 取不同特征向量的子测试样本集进行优化，得到多样的优化分割方案，分割方案的多样性 影响着分割图像评价指标的多样性，因此评价指标的多样性能够被满足。3、对于多种分割方案，能有效的选取最优的方案。本专利技术采用集成学习的思想，对多种分割方案进行学习，根据构建分割方案集合 的无向规则本文档来自技高网...

【技术保护点】
一种基于多目标免疫聚类集成的无监督图像分割方法，包括如下步骤：（１）输入待分割图像，并提取该图像的灰度信息及小波能量信息；（２）利用基于区域的采样策略，选取一部分像素点组成测试样本集：（２．１）设定测试样本集大小Ｎｓ，其范围为１００～１０００；（２．２）读取待分割图像，并计算该图像面积；（２．３）将待分割图像分为Ｎ↓［ｓ］个等面积的图像子区域；（２．４）在图像的每个子区域中随机选取一个像素点，并将其加入测试样本集；（２．５）输出该测试样本集，其规模大小为Ｎ↓［ｓ］；（３）提取测试样本集中所有像素点不同的特征信息，获得若干组子测试样本集：（３．１）设定子测试样本集个数Ｋ和特征选择概率Ｐ↓［ｆ］，取Ｋ＝３，Ｐ↓［ｆ］＝０．５或Ｋ＝５，Ｐ↓［ｆ］＝０．３；（３．２）以概率Ｐ↓［ｆ］在步骤（１）中提取的所有特征向量中选择一部分特征向量，赋予测试样本集中的所有像素点，组成一个子测试样本集数据；（３．３）若子测试样本集的个数达到Ｋ，输出Ｋ组子测试样本集；否则，返回步骤（３．２）；（４）针对每组子测试样本集进行基于多目标免疫算法的进化聚类，产生一系列关于测试样本集像素点的初分割方案，组成初分割方案集；（５）对初分割方案集进行集成学习，得到对于测试样本集像素点的最优的一个分割方案；（６）标记最优的分割方案所对应的像素点的类别归属，计算其余未标记的像素点与测试样本集中已标记像素点的特征距离，根据特征距离的大小，将未标记像素点进行类别归属划分；（７）根据图像中所有像素点的类别归属标记，得出最终的图像分割结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘若辰，张伟，焦李成，刘芳，公茂果，王爽，侯彪，张向荣，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]