基于免疫多目标聚类的图像分割方法

文档序号:6605071阅读:172来源:国知局
专利名称:基于免疫多目标聚类的图像分割方法
技术领域
本发明属于图像处理技术领域,涉及图像分割的方法,可应用于目标识别。
背景技术
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。

发明内容
本发明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。本发明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。本发明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 J
it^i^j)
XB =
_ y=li=l
n x minll
izi~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。本发明与现有的基于聚类的图像分割方法相比具有以下优点(1)本发明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)本发明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)本发明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,使得本发明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,本发明方法与现有的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。


图1是本发明的总流程图;图2是本发明对多目标优化的子流程图;图3是用本发明在一幅3类纹理图像上的仿真分割结果图;图4是用本发明在一幅4类纹理图像上的仿真分割结果图;图5是用本发明在一幅2类SAR图像上的仿真分割结果图;图6是用本发明在一幅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,本发明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;其次根据灰度共生 矩阵选择4个方向,分别为0°、45°、90°和135°,沿着每个方向提取三个二次统计量作 为纹理特征量,三个统计量分别为同质区、角二阶矩和相关性,共计12维特征信息;加上前 面得到的10维小波特征共组成22维特征;为了减小计算量,采用分水岭方法对其进行初分 割,得到远小于图像像素点的块数,用每一块中所有像素点的特征的均值代表该块的特征, 得到待聚类的数据。步骤二、设定最大迭代次数T为30,当前迭代次数t = 0,抗体群B。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,A =0,cQ =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B。。
步骤三、对抗体群Bt进行如下优化,得到近似Pareto解集,实现该步骤的具体过 程如下(3. 1)计算目标函数并更新优势种群;根据分割要求,使用的两个目标函数如下 所示 、
其中n为带聚类的数据个数,K为聚类类别数,z为聚类中心,D为数据点到其聚类 中心的欧式距离。计算目标函数时,数据点所属的类别根据其到聚类中心的距离确定,将其 归类到距离最近的中心的一类。(3. 2)更新优势种群;通过下面的操作实现在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(表示为DTt+1);如果DTt+1规模不大于nd, 令Dt+1 = DTt+1。否则,计算所有个体的拥挤距离值,选择拥挤距离值较大的前%个个体组 成DTt+1 ;—个个体d G D的拥挤距离,可以按照如下公式计算 和yr1分别是当前种群中第i个目标的最大值和最小值,I^d, D)的定义如 下
「0048
其中d为抗体,f(d)为该抗体的目标函数,i为目标函数的序号;(3. 3)对优势抗体群进行非支配近邻选择操作以组成活性种群At ;非支配近邻选 择是指从优势抗体中选出活性抗体,具体的说,如果Dt规模不大于活性种群规模na,令活性 种群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na个个体组成 活性种群At;(3. 4)对活性种群At比例克隆操作,得到种群Ct ;比例克隆操作是将具有较大拥挤距离的个体更多次的被复制,每个个体被复制的 次数1的值按下式计算其中n。是克隆规模,I为拥挤距离,A为要进行克隆操作的抗体种群,|A|为抗体 种群A的规模,「指对所求数值取上整数(3. 5)对活性种群At执行HCS局部搜索,得到局部搜索后新的抗体群Nt ;(3. 5. 1)判断搜索条件,如果当前迭代次数t为10的整数倍,并且满足搜索概率,则执行局部搜索,否则,结束局部搜索,并设乂 = 0 ;(3. 5. 2)设置最大迭代次数Nnd为5,输入抗体X,并在x的邻域内随机产生一个新 抗体new ;(3. 5. 3)如果新抗体new支配抗体X,则局部搜索后的抗体为Xnew = x+h*v,其中 v = new-x, h为搜索步长,h的大小根据二次插值方法确定;(3. 5. 4)如果新抗体new被抗体x支配,则局部搜索后的抗体为Xnew = new+h*v, 其中v = x-new, h为搜索步长,h的大小根据二次插值方法确定;(3. 5. 5)如果新抗体new和抗体x互相不支配,就从抗体x的邻域内重新随机产生 新抗体new进行搜索,转到步骤(4c);(3. 5. 6)如果迭代次数达到Nnd时,只能找到互不支配的解,则局部搜索后的抗体 为Xnew = x+h*va。。,其中h为搜索步长,其大小由二次插值方法确定,va。。根据下面的公式 计算 式中,Nnd表示会最大迭代次数;(3. 5. 7)对活性种群At中的每个抗体都执行上述步骤(4a) (4f)操作,得到的 Xnew组成局部搜索后的抗体群Nt,并输出。(3. 6)对比例克隆后的抗体群Ct进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)合并变异后的抗体群Ct'、局部搜索产生的新抗体群Nt以及原优势种群Dt 组成Bt,转到(3. 1);(3.8)当迭代次数达到T时,输出(3.2)中的优势抗体Dt+1作为Pareto解集。步骤四、从近似Pareto解中选取PBM指标最大的个体最为最优个体,作为聚类结 果;PBM指标定义如下 K为聚类类别数,N为待聚类数据个数,
Z为聚类中心。步骤五、根据步骤一得到的分水岭初分割的结果以及步骤四得到的聚类结果对图 像的每个像素点进行标记,也就是将聚类结果中每一块的类标分配到该块中的每个像素 上,从而得到每个像素点的类标,由此得到图像的最终分割结果。本发明的效果可以通过以下实验进一步说明。1、实验内容应用本发明方法以及现有的k均值方法和基于遗传的聚类方法分别对四幅图像 进行分割实验,其中2幅纹理图像和2幅SAR图像,对纹理图像计算分类正确率,对SAR图 像从区域一致性、边缘保持等方面来评价这些方法的性能。2、实验结果(1)对纹理图像的分割结果
用本方法以及现有的k均值方法、遗传聚类方法对两幅纹理图像进行分割,三种 方法分别独立运行10次,该两幅图像的平均分类正确率如表1所示,从表1中可看出,相比 于k均值方法和遗传聚类方法,本方法对于两幅图像都取得了最高的正确率,说明本方法 对于纹理图像分割能够得到理想的分割结果,本方法相比遗传聚类方法和k均值方法,对 图像一的平均分割正确率分别提高了 0. 1453和0. 2344,对图像二的平均分割正确率分别 提高了 0. 0957 和 0. 1859。表1纹理图像平均分割正确率比较 对三类纹理图像图像一的仿真结果如图3所示。其中图3(a)为图像一原图,图 3(b)为图像一标准参考图,图3(c)为本发明方法得到的仿真分割结果图,图3(d)为遗传 聚类方法得到的仿真分割结果图,图3(e)为k均值方法得到的仿真分割结果图。由图3看 出,本方法对边缘细节信息保存更完整。相比之下,遗传聚类方法和k均值方法得到的分割 结果轮廓辨析性不好。对四类纹理图像图像二的仿真结果如图4所示。其中图4(a)为图像二原图,图 4(b)为图像二标准图,图4(c)为本发明方法得到的仿真分割结果图,图4(d)为遗传聚类方 法得到的仿真分割结果图,图4(e)为k均值方法得到的仿真分割结果图。从图4中看出, 本方法对图像二分割的边缘细节保存完整,而遗传聚类方法和k均值方法则得到了错误的 分割结果。(2)对SAR图像的分割结果用本发明方法以及现有的k均值方法、遗传聚类方法对两幅SAR图像进行分割,对 SAR图像图像三的分割结果如图5所示,其中图5(a)为图像三的原图,图5 (b)为本发明得 到的仿真分割结果图,图5(c)为遗传聚类方法得到的仿真分割结果图,图5(d)为k均值方 法得到的仿真分割结果图。从图5中可以看出,本发明方法得到的细节信息最清晰,遗传聚 类方法对于图像三港口的凹陷的区域未能做出准确分割,而k均值方法得到的边缘信息则 不够清晰准确。对SAR图像图像四的分割结果如图6所示,其中图6(a)为图像四的原图,图6 (b) 为本发明得到的仿真分割结果图,图6(c)为遗传聚类方法得到的仿真分割结果图,图6(d) 为k均值方法得到的仿真分割结果图。从图6中可以看出本发明方法的优势最为明显,对 于图像四中的桥梁和树的细节信息,本发明方法能够对该细节进行清晰的辨别,而遗传聚 类方法和k均值方法则对该细节信息保存不够完整。
权利要求
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B0的规模nd为50,克隆种群规模nc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 <mrow><mi>J</mi><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>k</mi><mo>=</mo><mn>1</mn> </mrow> <mi>K</mi></munderover><mi>D</mi><mrow> <mo>(</mo> <msub><mi>z</mi><mi>k</mi> </msub> <mo>,</mo> <msub><mi>x</mi><mi>j</mi> </msub> <mo>)</mo></mrow> </mrow> <mrow><mi>XB</mi><mo>=</mo><mfrac> <mrow><munderover> <mi>&Sigma;</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>k</mi><mo>=</mo><mn>1</mn> </mrow> <mi>K</mi></munderover><msup> <mi>D</mi> <mn>2</mn></msup><mrow> <mo>(</mo> <msub><mi>z</mi><mi>k</mi> </msub> <mo>,</mo> <msub><mi>x</mi><mi>j</mi> </msub> <mo>)</mo></mrow> </mrow> <mrow><mi>n</mi><mo>&times;</mo><munder> <mi>min</mi> <mrow><mi>i</mi><mo>&NotEqual;</mo><mi>j</mi> </mrow></munder><mo>|</mo><mo>|</mo><msub> <mi>z</mi> <mi>i</mi></msub><mo>-</mo><msub> <mi>z</mi> <mi>j</mi></msub><mo>|</mo><mo>|</mo> </mrow></mfrac> </mrow>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na,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na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(1)的初分割的结果以及步骤(4)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。FSA00000192764800011.tif
2.根据权利要求1所述的基于免疫多目标聚类的图像分割方法,其中步骤(3.2)所说 的拥挤距离,按照如下公式计算 i为目标函数的序号,k为目标函数的个数,/max和yr1"分别是当前种群中第i个目标的2最大值和最小值,Ii (d,D)的定义如下I(d D)= Uif f,(d) = minifXd) | d'eDjor f,(d) = max{f,(d) | d'e D} ‘'~ lmin^W)ID :f,(ci,’) < f,(d) < f,(d')},otherwise其中d为抗体,f(d)为该抗体的目标函数,i为目标函数的序号;
3.根据权利要求1所述的基于免疫多目标聚类的图像分割方法,其中步骤(3.4)所述 的对活性种群At比例克隆操作,是将At中具有较大拥挤距离的个体复制更多的次数,每个 抗体被复制的次数Qi按下式计算I(a A) q( = nc χ ,其中η。是克隆规模,I为拥挤距离,A为要进行克隆操作的抗体种群,|Α|为抗体种群 A的规模,「"1指对所求数值取上整数。
4.根据权利要求1所述的基于免疫多目标聚类的图像分割方法,其中步骤(3.5)所述 的对活性种群At执行局部搜索,包括如下步骤(4a)判断搜索条件,如果当前迭代次数t为10的整数倍,并且满足搜索概率,则执行局 部搜索,否则,结束局部搜索,并设代=0 ;(4b)设置最大迭代次数Nnd为5,输入抗体X,并在χ的邻域内随机产生一个新抗体new ;(4c)如果新抗体new支配抗体X,则局部搜索后的抗体为Xnew = x+h*v,其中ν = new-x, h为搜索步长,h的大小根据二次插值方法确定;(4d)如果新抗体new被抗体χ支配,则局部搜索后的抗体为Xnew = neW+h*V,其中ν =x-new, h为搜索步长,h的大小根据二次插值方法确定;(4e)如果新抗体new和抗体χ互相不支配,就从抗体χ的邻域内重新随机产生新抗体 new进行搜索,转到步骤(4c);(4f)如果迭代次数达到Nnd时,只能找到互不支配的解,则局部搜索后的抗体为Xnew = x+h*va。。,其中h为搜索步长,其大小由二次插值方法确定,Va。。根据下面的公式计算 _ 1 new-x VaCC Nnd i\\new-x\\ Nnd为最大迭代次数;(4g)对活性种群At中的每个抗体都执行上述步骤(4a) (4f)操作,得到的Xnew组 成局部搜索后的抗体群Nt,并输出。
5.根据权利要求1所述的基于免疫多目标聚类的图像分割方法,其中步骤(4)所述的 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,是通过如下 公式计算(l Ε VPBM= —x—^-xDK \Κ Εκ J其中& =ΣΣ|Κ·-^I 'Dk =max||z.-z ||,K为聚类类别数,η为待聚类数据个数,χ为聚类数据, Z为聚类中心。
全文摘要
本发明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。
文档编号G06N3/12GK101866489SQ20101021461
公开日2010年10月20日 申请日期2010年6月30日 优先权日2010年6月30日
发明者于昕, 尚荣华, 张娟, 朱虎明, 李阳阳, 焦李成, 王爽, 钟桦, 马文萍 申请人:西安电子科技大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1