基于多智能体遗传聚类算法的图像分割方法

文档序号:6508270阅读:915来源:国知局
专利名称:基于多智能体遗传聚类算法的图像分割方法
技术领域
本发明属于图像处理技术领域,涉及图像分割方法,可用于模式识别和计算机视 觉等领域。
背景技术
图像分割是后续图像分析和图像理解的基础,在实际中有着非常广泛的应用,例 如对图像目标的提取、测量都离不开图像分割,分割的准确性直接影响后续任务的有效性, 因此具有十分重要的意义。图像分割又是一种特殊的图像处理技术,其实质是一个按照像素属性即灰度、纹 理、颜色进行分类的过程。聚类是无监督分类的一种,被广泛地应用于工程、生物、计算机视觉和遥感等领 域。聚类是将一组分布未知的数据进行分类,尽可能地使得同一类中的数据具有相同的性 质,而不同类的数据其性质各异,其目的是寻找隐藏在数据中的结构。基于此,许多聚类算法被应用于图像分割领域并取得了较为满意的效果。但由于 图像数据的特殊性,并不是所有的聚类算法都能直接应用于图像分割,有的算法需要改进, 有的算法根本不适合这个领域。几种常用的聚类技术包括分层聚类算法,最近邻域聚类 算法,模糊聚类算法,人工神经网络聚类算法,遗传聚类算法。其中,经常被用于图像分割的 典型的聚类算法是模糊C均值FCM算法。但这种FCM算法的缺点是对初始值敏感及对噪 声数据敏感,容易陷入局部最优。为解决这类问题,许多研究人员提出采用遗传算法与FCM 结合,得到了比较满意的结果,例如国内的高新波教授在其著作《模糊聚类分析及其应用》 (西安电子科技大学出版社,2004年出版)中曾对此做过大量的研究,但由于传统遗传算法 全局进化机理的局限,使得这种遗传算法与FCM结合后的方法GA-FCM仍然具有收敛速度慢 和容易陷入局部极值等缺陷,导致图像分割质量的下降和分割效果稳定性的降低。另外,前 面所述的FCM以及遗传算法与FCM结合后的方法在分割图像时利用的是图像灰度直方图特 征,二者均没有充分的考虑图像像素的空间信息,因此图像分割质量容易受到图像中噪声 的影响,不利于后续的图像分析和理解。

发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于多智能体遗传聚类算 法的图像分割方法,以充分考虑图像像素的空间信息,抑制噪声对图像分割的影响,改善了 图像分割效果。为实现上述目的,本发明包括以下步骤(1)输入待分割图像,(2)提取待分割图像的二维灰度信息(2a)对待处理的当前像素点(0ι,σ2),选取该点3X3邻域内各点值的中值代替 (σι; ο2),将此均值作为二维灰度信息的第一维;
(2b)对待处理的当前像素点(O1, 02),选取该点(5X5)邻域内各点的均值代替 (σι; o2),将此均值作为二维灰度信息的第二维;(3)应用多智能体遗传聚类算法对图像二维灰度信息进行聚类(3a)确定聚类数目c和模糊权重m,随机初始化聚类原型,每个聚类原型代表一个 智能体,确定种群大小,令进化代数t = O ;(3b)利用如下隶属度公式对隶属度进行更新
权利要求
一种基于多智能体遗传聚类算法的图像分割方法,包括(1)输入待分割图像,(2)提取待分割图像的二维灰度信息(2a)对待处理的当前像素点(σ1,σ2),选取该点3×3邻域内各点值的中值代替(σ1,σ2),将此均值作为二维灰度信息的第一维;(2b)对待处理的当前像素点(σ1,σ2),选取该点(5×5)邻域内各点的均值代替(σ1,σ2),将此均值作为二维灰度信息的第二维;(3)应用多智能体遗传聚类算法对图像二维灰度信息进行聚类(3a)确定聚类数目c和模糊权重m,随机初始化聚类原型,每个聚类原型代表一个智能体,确定种群大小,令进化代数t=0;(3b)利用如下隶属度公式对隶属度进行更新 <mrow><msub> <mi>u</mi> <mi>ik</mi></msub><mo>=</mo><mfrac> <mn>1</mn> <mrow><msubsup> <mi>&Sigma;</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>c</mi></msubsup><msup> <mrow><mo>(</mo><mfrac> <mrow><mo>|</mo><mo>|</mo><msub> <mi>x</mi> <mi>k</mi></msub><mo>-</mo><msub> <mi>v</mi> <mi>i</mi></msub><mo>|</mo><mo>|</mo> </mrow> <mrow><mo>|</mo><mo>|</mo><msub> <mi>x</mi> <mi>k</mi></msub><mo>-</mo><msub> <mi>v</mi> <mi>j</mi></msub><mo>|</mo><mo>|</mo> </mrow></mfrac><mo>)</mo> </mrow> <mrow><mn>2</mn><mo>/</mo><mrow> <mo>(</mo> <mi>m</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow></msup> </mrow></mfrac><mo>,</mo> </mrow>其中i和j表示聚类类别,v为聚类中心,vi表示第i类的聚类中心,vj表示第j类的聚类中心,k表示当前待聚类数据的标号,uik表示第k个待聚类数据隶属于第i类的隶属度,x为待聚类的图像二维灰度信息,xk表示待聚类的图像二维灰度信息的第k个数据;(3c)利用如下公式计算种群中智能体的能量Energy(V) <mrow><mi>Energy</mi><mrow> <mo>(</mo> <mi>V</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <mrow><munderover> <mi>&Sigma;</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>c</mi></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>k</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><msubsup> <mi>u</mi> <mi>ik</mi> <mi>m</mi></msubsup><msup> <mrow><mo>|</mo><mo>|</mo><msub> <mi>x</mi> <mi>k</mi></msub><mo>-</mo><msub> <mi>v</mi> <mi>i</mi></msub><mo>|</mo><mo>|</mo> </mrow> <mn>2</mn></msup><mo>+</mo><mi>&zeta;</mi> </mrow></mfrac><mo>,</mo> </mrow>其中V表示种群中的智能体,n为待聚类图像二维灰度信息的数目,ζ为常数;(3d)根据(3c)中计算的种群中智能体的能量,将领域竞争算子作用在智能体网格Lt中的每个智能体上,获得智能体网格Lt+1/3;(3e)设R(0,1)是0到1之间的随机数,如果R(0,1)小于领域正交交叉操作概率Pc,将领域正交交叉算子作用在智能体网格Lt+1/3中的智能体上,产生新的智能体网格Lt+2/3;如果R(0,1)小于高斯变异算子操作概率Pm,将变异算子作用在新的智能体网格Lt+2/3中的智能体上,得到下一代智能体网格Lt+1;(3f)从下一代智能体网格Lt+1中找到能量最大的智能体CBestt+1,将自学习算子作用在该智能体CBestt+1上,如果满足Energy(CBestt+1)>Energy(Bestt),则Bestt+1←CBestt+1,否则,Bestt+1←Bestt,CBestt+1←Bestt,其中Bestt为L0,L1,...,Lt中能量最大的智能体;(3g)如果满足终止条件,输出隶属度矩阵和聚类原型并且停止,否则t←t+1转向步骤(3b);(3h)根据(3g)输出的隶属度矩阵,按最大隶属度原则输出聚类标签;(3i)根据(3h)输出的聚类标签,对图像像素进行分类,实现图像分割,并输出分割后的图像。
2.根据权利要求1所述的基于多智能体遗传聚类算法的图像分割方法,其中步骤(3d) 所述的智能体网格,大小定义为LsizeXLsize,其中,Lsize为整数,每个智能体固定在一个格点上,记处于第i行、第j列的智能体为Liij,i,j = 1,2, A,Lsize,,则智能体Liij的邻域为jneighbors _ ( T T T T / J.- 1 / J. ‘ · - / J. ■! - / J. “ · - / J. -H ι其中i = l' \Lslze J = 1' I 1 1 = L,Ze ' I 1 j = Lst:
3.根据权利要求1所述的基于多智能体遗传聚类算法的图像分割方法,其中步骤(3d) 所述的邻域竞争算子,是按如下两种策略产生的新智能体 在策略ι中,按下式产生新智能体^e^ =χ.(m +i (-l,l)x(m -/ ))<χ—pq'v PI vy Pi Pi'' —pq'χ pi,(mpq + 1) x (mpq - Ipq)) > xpq, = l,2,...,c.其中,eMmpq+R(-^1) x^fq-1PqIotherwise,q = \,2,...,s.为^中的元素,xM为初始智能体网格中智能体数值的下界,为初始智能体网格中智能 体数值的上界,mM为邻域能量最大的智能体^丨了中位于(p,q)处的值,Im为智能体Liij中 位于(P,q)处的值,c为聚类数目,s为图像二维灰度信息维数,R(_l,l)为-1到+1之间的 随机数;在策略2中,按下式产生新智能体^w :首先,按下式将^ Γ中元素mM映射到区间W,l]上,得到新的元素m' pq, mPCl-^pq 尸=1,2,…,c.mVd =Xpq — ^pq ? — 1, 2, ..., S.new'然后,根据下式确定映射区间
上的智能体A _p = l,2,K,c,l<i1<s,l<i2<s,i1<i2;最后,根据下式将巧T7映射回区间[χΜ,χΜ],得到新智能体= {^JePqρ = 1, 2,, c, q = 1, 2,, So
4.根据权利要求1所述的基于多智能体遗传聚类算法的图像分割方法,其中(3e)所述 高斯变异算子,是通过下式产生一个新的变异智能体义=={<"},mute =pqipq, Rm) <ψ P = \2,ACIpq+G(OMt), 否则, ? = 1,2,Λ S其中,%为^7中的元素,G(0,l/t)是高斯分布的随机数,R(0,1)是0到1之间的随机 数,T为总进化代数,t是当前进化代数。
5.根据权利要求1所述的基于多智能体遗传聚类算法的图像分割方法,其中步骤(3f) 所述的自学习算子,是按如下步骤产生一个新的智能体首先,利用智能体网格生成的方法产生一个自学习智能体网格sL,其大小为 SLsizeX SLsize,其上的所有智能体 SLi, ,j, , i' , j' = 1,2,..., SLsize 根据下式产生
全文摘要
本发明公开了一种基于多智能体遗传聚类算法的图像分割方法,主要解决现有技术对初始聚类中心敏感,收敛速度慢及容易陷入局部极值的问题。本方法将图像的聚类分割转化为一个全局优化问题,其实现步骤为首先,提取待分割图像像素点的邻域中值和邻域均值二维灰度信息,构造一个新的二维直方图;其次,将多智能体遗传算法MAGA和模糊C均值聚类算法FCM相结合,利用多智能体遗传算法的全局优化能力获得最优聚类中心和隶属度矩阵;根据最大隶属度原则输出聚类标签,进而实现图像分割。本方法抗噪声能力强,收敛速度快,能够改善图像分割的质量和分割效果的稳定性,可用于图像目标的提取和识别。
文档编号G06T7/00GK101980298SQ201010530968
公开日2011年2月23日 申请日期2010年11月4日 优先权日2010年11月4日
发明者刘若辰, 刘静, 李阳阳, 焦李成, 王爽, 耿久雷, 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