基于免疫多目标聚类的图像分割方法技术

本发明专利技术公开一种基于免疫多目标聚类的图像分割方法，它涉及图像处理技术领域，主要解决传统方法评价指标单一，且易导致区域一致性差、边界凌乱的问题。其实现步骤为：（１）对待分割图像进行特征提取，并利用控制标记符的分水岭方法对图像进行初分割；（２）设置运行参数并初始化抗体种群；（３）对抗体种群执行结合局部搜索的免疫多目标优化方法，得到近似Ｐａｒｅｔｏ解集；（４）从步骤（３）中得到的近似Ｐａｒｅｔｏ解集中根据ＰＢＭ指标选取最优解；（５）根据步骤（１）得到的初分割结果和步骤（４）得到的聚类结果对图像像素点进行标记，得到最终的分类结果。本发明专利技术具有分割结果区域一致性好、能够保留完整信息且计算速度快的优点，可用于图像目标识别。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及图像分割的方法，可应用于目标识别。
技术介绍
将智能计算技术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， 主要包括神经网络、遗传算法、群智能算法以及人工免疫系统框架。图像分割是将一幅图像 分为多个区域或对象，是图像处理中一项基本的技术。从分割结果的角度看，图像分割的过 程就是给每个像素赋予一个标号，该标号反应像素在分割结果中所属的类别。在基于特征 的图像分割方法中，将每个像素用其图像特征来表示，只要找到这些特征的标号，就能实现 对像素的分类，从而达到图像分割的目的，因此，各种聚类算法就成了解决这个问题的方法 之一。聚类就是指在没有训练样本的情况下将一组特征分成若干个类别的过程，基于聚 类的图像分割的基本思想是将图像中的像素映射成对应的特征空间的点，如果描述不同 对象差压的特征变量选择的合适，特征空间中的点就能够根据一定度量准则划分为不同的 区域，映射回原图像空间，得到分割结果。Coleman和Andrews最早将聚类方法用于图像分割，他们选用灰度值和由灰度值 派生出的一些统计量作为特征变量，采用k均值方法对这些特征点进行聚类，从而得到图 像的分割结果。Nguyen和Colen将图像表示成两个马尔可夫随机场的谱系结构，从每个图 像块中获得一些简单的统计特征形成特征向量，然后利用FCM聚类这些块。潘云鹤将基于 模拟退火的概率聚类算法用于图像分割。上述的聚类方法在进行图像分割时，往往具有以下两个缺点(1)评价指标单一， 仅仅使用一个目标函数，即每一类内的点到其聚类中心的距离之和最小，以此来进行聚类， 从而导致分割结果不够准确；(2)对初始化敏感，如果初始化时随机产生了一些适应度相 对较小的解，最终产生错分割的几率就比较大。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出一种基于免疫多目标聚类的图 像分割方法，使得分割结果具有更好的区域一致性，并保持图像的完整性，以提高图像分割 的质量。本专利技术实现对图像的分割是基于人工免疫系统AIS，AIS是一个来源于生物免疫 机制的自适应系统，在AIS中，问题被当做抗原，问题的解被当做抗体，抗原与抗体、抗体与 抗体的相互作用以及抗体的变异是各种AIS的基本特征。人工免疫系统具有自适应、自组 织、自学习等能力，能够解决许多传统方法难以解决的复杂问题。近年来，AIS受到越来越 多研究学者和工程技术人员的关注，其研究领域已经涉及机器学习、计算机安全、最优化等 许多领域。其中，将人工免疫系统应用于求解多目标优化问题的研究引起了很多学者的兴 趣。将聚类问题转化为对两个目标函数的优化问题，相对于单目标聚类仅仅针对最小化类内距离这一个目标，多目标聚类方法主要使用两个目标函数最小化类内距离以及最大化 类间距离；该聚类技术通过多目标优化方法同时对两个目标函数寻找最优解。值得指出的 是，多目标问题的最优解不是单一的，而是一个Pareto解集，在目标空间内称为Pareto边 界。使用基于免疫多目标聚类的方法进行图像分割，相比于基于单目标聚类的图像分 割能够获得更准确的分割结果，可以克服传统分割方法区域的一致性差、边界凌乱、分割结 果不够准确的缺点，从而提高图像分割的质量。本专利技术的技术方案是将图像分割问题看成是多目标聚类问题，对图像进行特征 提取，将提取出的图像特征作为待聚类的数据，用结合局部搜索的免疫多目标优化方法对 数据进行多目标聚类，得到一组近似Pareto解，最后根据PBM指标从一组解中选出最优解 作为分类结果，达到图像分割的目的。具体实现步骤如下(1)对待分割图像进行特征提取，并利用控制标记符的分水岭方法对图像进行初 分割，根据初分割结果，计算特征均值，得到待聚类的数据样本； (2)设定最大迭代次数T为30，当前迭代次数t = 0，抗体群Bq的规模nd为50，克 隆种群规模n。为50，活性种群规模na为20，聚类类别数K，K的大小根据待分割图像确定； 将优势种群、活性种群以及克隆种群分别初始化为A) =0，戽=0;从待聚类的数据 中随机选择K个样本作为抗体群的一个个体，进行nd次上述操作，得到大小为nd的抗体群B0。(3)对抗体群Bt进行如下优化，得到一个近似Pareto解集； (3. 1)分别计算抗体群Bt中每个抗体的两个目标函数值，该两个目标函数为 n K Jit^i^j)XB =_ y=li=ln x minllizi~4其中n为待聚类的数据样本个数，K为聚类类别数，X为聚类数据样本，z为聚类中 心，D为数据样本到其聚类中心的欧式距离；(3. 2)在抗体群Bt中找到非支配抗体作为优势抗体，复制所有的优势抗体形成临 时优势抗体种群DTt ；如果DTt规模小于等于nd，令优势抗体种群Dt = DTt，否则，计算所有 个体的拥挤距离值，并选择拥挤距离值较大的前nd个个体组成DTt ；(3. 3)从优势抗体群Dt中选择活性抗体组成活性种群At，如果Dt规模不大于活性 种群规模^，令At = Dt ；否则，计算Dt中所有个体的拥挤距离，选择拥挤距离较大的前^个 个体组成活性种群At;(3. 4)对活性种群At比例克隆操作，得到克隆后的抗体群Ct ；(3. 5)对活性种群At执行局部搜索，得到局部搜索后的新抗体群Nt ；(3. 6)对比例克隆后的抗体群Ct执行模拟二进制交叉和多项式变异操作，得到变 异后的抗体群Ct'；(3. 7)将变异后的抗体群Ct'、局部搜索产生的新抗体群Nt以及原优势种群Dt合 并，组成抗体群Bt，转到步骤(3. 1)；(3.8)当迭代次数达到T时，输出步骤(3.2)中的优势抗体Dt+1作为近似Pareto 解集；(4)从步骤(3.8)中得到的近似Pareto解集中选取PBM指标最大的解作为最优 解，将其作为聚类结果；(5)根据步骤⑴的初分割的结果以及步骤⑷的聚类结果对待分割图像的每个 像素点重新分配类标，得到最终分割结果。本专利技术与现有的基于聚类的图像分割方法相比具有以下优点(1)本专利技术对提取出的图像的像素点特征进行聚类时，不仅考虑了类内距离，还同 时考虑了类间距离，通过对这两个指标进行评价，能够得到区域一致性更好的图像分割结^ o(2)本专利技术采用的初始化方法和种群设置，相比同类方法计算速度更快。(3)本专利技术对初始抗体群使用的优化方法，由于采用了 HCS局部搜索策略以及人 工免疫多目标优化的方法，因此得到的Pareto解集具有更好的多样性，通过根据PBM指标 选择最优解，使得本专利技术方法针对不同的图像都能得到较好的分割结果。仿真实验结果表明，本专利技术方法与现有的k均值方法以及基于GAC的图像分割方 法相比，能够得到更精确的图像分割结果。附图说明图1是本专利技术的总流程图；图2是本专利技术对多目标优化的子流程图；图3是用本专利技术在一幅3类纹理图像上的仿真分割结果图；图4是用本专利技术在一幅4类纹理图像上的仿真分割结果图；图5是用本专利技术在一幅2类SAR图像上的仿真分割结果图；图6是用本专利技术在一幅3类SAR图像上的仿真分割结果图。具体实施例方式参照图1和图2，本专利技术的具体实现步骤如下步骤一、对图像进行特征提取并用分水岭方法进行初分割，首先对图像进行三层 小波分解，提取10个子代的特征量，得到每个像素点的小波特征10维；其次根据本文档来自技高网...

【技术保护点】
一种基于免疫多目标聚类的图像分割方法，包括如下步骤：（１）对待分割图像进行特征提取，并利用控制标记符的分水岭方法对图像进行初分割，根据初分割结果，计算特征均值，得到待聚类的数据样本；（２）设定最大迭代次数Ｔ为３０，当前迭代次数ｔ＝０，抗体群Ｂ↓［０］的规模ｎ↓［ｄ］为５０，克隆种群规模ｎ↓［ｃ］为５０，活性种群规模ｎ↓［ａ］为２０，聚类类别数Ｋ，Ｋ的大小根据待分割图像确定；将优势种群、活性种群以及克隆种群分别初始化为Ｄ↓［０］＝＊，Ａ↓［０］＝＊，Ｃ↓［０］＝＊；从待聚类的数据中随机选择Ｋ个样本作为抗体群的一个个体，进行ｎ↓［ｄ］次上述操作，得到大小为ｎ↓［ｄ］的抗体群Ｂ↓［０］。（３）对抗体群Ｂ↓［ｔ］进行如下优化，得到一个近似Ｐａｒｅｔｏ解集；（３．１）分别计算抗体群Ｂ↓［ｔ］中每个抗体的两个目标函数值，该两个目标函数为：Ｊ＝＊＊Ｄ（ｚ↓［ｋ］，ｘ↓［ｊ］）ＸＢ＝＊＊Ｄ↑［２］（ｚ↓［ｋ］，ｘ↓［ｊ］）／ｎ×＊｜｜ｚ↓［ｉ］－ｚ↓［ｊ］｜｜其中ｎ为待聚类的数据样本个数，Ｋ为聚类类别数，ｘ为聚类数据样本，ｚ为聚类中心，Ｄ为数据样本到其聚类中心的欧式距离；（３．２）在抗体群Ｂ↓［ｔ］中找到非支配抗体作为优势抗体，复制所有的优势抗体形成临时优势抗体种群ＤＴ↓［ｔ］；如果ＤＴ↓［ｔ］规模小于等于ｎ↓［ｄ］，令优势抗体种群Ｄ↓［ｔ］＝ＤＴ↓［ｔ］，否则，计算所有个体的拥挤距离值，并选择拥挤距离值较大的前ｎ↓［ｄ］个个体组成ＤＴ↓［ｔ］；（３．３）从优势抗体群Ｄ↓［ｔ］中选择活性抗体组成活性种群Ａ↓［ｔ］，如果Ｄ↓［ｔ］规模不大于活性种群规模ｎ↓［ａ］，令Ａ↓［ｔ］＝Ｄ↓［ｔ］；否则，计算Ｄ↓［ｔ］中所有个体的拥挤距离，选择拥挤距离较大的前ｎ↓［ａ］个个体组成活性种群Ａ↓［ｔ］；（３．４）对活性种群Ａ↓［ｔ］比例克隆操作，得到克隆后的抗体群Ｃ↓［ｔ］；（３．５）对活性种群Ａ↓［ｔ］执行局部搜索，得到局部搜索后的新抗体群Ｎ↓［ｔ］；（３．６）对比例克隆后的抗体群Ｃ↓［ｔ］执行模拟二进制交叉和多项式变异操作，得到变异后的抗体群Ｃ↓［ｔ］′；（３．７）将变异后的抗体群Ｃ↓［ｔ］′、局部搜索产生的新抗体群Ｎ↓［ｔ］以及原优势种群Ｄ↓［ｔ］合并，组成抗体群Ｂ↓［ｔ］，转到步骤（３．１）；（３．８）当迭代次数达到Ｔ时，输出步骤（３．２）中的优势抗体Ｄ↓［ｔ＋１］作为近似Ｐａｒｅｔｏ解集；（４）从步骤（３．８）中得到的近似Ｐａｒｅｔ...

【技术特征摘要】

【专利技术属性】
技术研发人员：马文萍，焦李成，张娟，王爽，钟桦，李阳阳，朱虎明，于昕，尚荣华，
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]