一种基于遗传特性的人物目标边缘图像提取方法与流程

本发明涉及图像处理，具体涉及一种基于遗传特性的人物目标边缘图像提取方法。

背景技术：

1、边缘图像，是对原始图像进行边缘提取后得到的图像。边缘图像提取，在图像描述和分类中是不可缺少的，通过边缘图像提取将一幅图像分割成若干个独立的不重叠的区域并且任意两个相邻区域不相同。由于图像的多样性和复杂性，边缘图像提取工作是相当困难的。图像的感光、对比度、噪声等因素都影响着提取工作。目前有如下几种提取方法：阈值提取方法、模板匹配、区域增长、边缘检测等方法，这些方法在某些类型的图像上表现出很好的提取效果，但对噪声很敏感，并且没有考虑像素点的位置信息。如何设计更合理、准确率度更高、干噪性更好的边缘图像提取方法是智能图像处理计算领域的重要方向之一。

2、基于阈值的方法在阈值的选取上至今没有找到一种合理的方法，该方法对噪声很敏感，并且没有考虑像素点的位置信息。模板匹配方法的计算量较大不适应于大图像的处理。边缘检测方法根据图像特征差异检测边缘，但噪声往往被当成图像边缘，即边缘检测方法没有很好的抗噪性能。

3、传统的边缘图像提取方法准确性和抗噪性较差，具体来讲有以下几方面不足：一是随着成像设备分辨率的不断提高，传统方法会损失图像的细节边缘特性，丢失图像的重要信息数据；二是固定的聚类器，对样本进行的是硬性划分，一个样本仅属于某一个具体的类（簇），但类（簇）边缘样本往往表现出属于多个类（簇）的可能性，易造成聚类准确度低；三是传统模糊聚类方法，当样本数目、维数和类别数较大时，会出现早熟现象，即过早的收敛于局部极优点的现象。聚类问题的规模越大，早熟越容易发生。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于遗传特性的人物目标边缘图像提取方法，将遗传特性和模糊聚类方法相结合，提出新的遗传进化过程，构造基于新遗传机制的模糊聚类方法，以提升目标聚类准确性和抗噪性。

2、本发明的目的是通过以下技术方案来实现的：

3、一种基于遗传特性的人物目标边缘图像提取方法，包括以下步骤：

4、步骤1：建立待处理人物目标图像的数据模型，将图像转换为人物目标图像矩阵，图像每个像素点的灰度值对应矩阵中相应位置的元素值；

5、步骤2：利用具有遗传特性的模糊聚类方法对人物目标图像矩阵中每个像素点进行聚类处理，生成用于标记每个像素点所属类的标记矩阵；

6、步骤3：利用标记矩阵和人物目标图像矩阵之间的对应关系，将同一类里的所有像素点灰度值重置为该类的平均灰度值，形成人物目标聚类图；

7、步骤4：利用8邻域方法，对人物目标聚类图进行边缘提取，形成人物目标边缘图像。

8、进一步地，所述的步骤1的过程为：

9、步骤11：读取原始图像分辨率大小属性，生成对应的空矩阵；

10、步骤12：采用高斯卷积滤波方法对原始人物目标图像进行降噪处理，消除噪声点；

11、步骤13：对空矩阵进行处理，遍历原始人物目标图像，将与空矩阵对应的元素值设置为原始人物目标图像像素灰度值，生成用于聚类的人物目标图像矩阵。

12、进一步地，所述的步骤2的过程为：

13、步骤21，对人物目标图像矩阵中每个像素点进行聚类处理，利用随机概率方法初始化每个像素点所属目标类的概率；

14、步骤22，计算每个像素点的适宜度值；

15、步骤23，对适宜度值按从小到大的顺序进行排序；

16、步骤24，选择要进行交叉的父体；

17、步骤25，获得交叉后的个体；

18、步骤26，计算交叉后的适宜度值；

19、步骤27，对交叉后的适宜度值进行排序，适宜度值最小的个体，即为最优个体，该个体不参与后面的变异计算；

20、步骤28，对需要参加变异计算的个体进行变异进化计算；

21、步骤29，计算变异进化后所有个体的适宜度值和，该值作为衡量每一轮进化过程中个体进化的好坏程度。

22、进一步地，所述的步骤21至步骤29在一轮进化过程中重复进行，随着进化程度的不断推进，所有个体的适宜度值和呈现递减趋势，直至趋于稳定值，寻找到人物目标图像中像素点的最优聚类划分。

23、进一步地，所述的步骤21中，对人物目标图像矩阵中每个像素点进行聚类处理的具体步骤为：

24、步骤211，对于邻域中的所有像素点 p(i,j)，计算与该像素点的邻域灰度值差异分量 n，初始值为0，如果差值大于某一阈值 t，则 n=n+1，直到每个像素点都获得一个 n值；

25、步骤212，采用灰度值、梯度、 n作为人物目标图像像素点的特征，构造特征向量 v；

26、步骤213，采用计算两个特征向量 v i ，v j的相似度，其中 v ik表示第i个向量的第 k维分量， s( v i ,v j)值越小表示 v i ，v j越相似。

27、进一步地，所述的步骤22中，利用多维空间的欧式距离计算方法计算每个像素点的适宜度值：

28、

29、其中 u ji表示第 j个样本属于第 i簇的概率， m表示模糊因子， n表示样本数， x j表示第 j个样本向量， z i表示一个个体中第 i个簇的中心点向量。

30、进一步地，所述的个体中第 i个簇的中心点 z i向量计算方法如下：

31、

32、其中 u ji表示第 j个样本属于第 i簇的概率， m表示模糊因子， n表示样本数， x j表示第 j个样本向量。

33、进一步地，所述的步骤24中，利用单点交叉方法产生一个[1,l]的随机交叉点作为新个体样本，l为个体的长度。

34、进一步地，所述的步骤28中，利用最近中心点距离的变异方法，计算变异点样本到各簇中心点的距离，最后改变该样本的隶属概率使之到最近簇的隶属概率增大，到其它簇的隶属概率减小。

35、进一步地，所述的步骤4中的过程为：

36、步骤41：设置同一簇内的像素点灰度值：在像素点聚类结果中，完成了基于灰度值的像素点聚类及将灰度值相似的像素点划分成一类，并将同一类像素点的灰度值重新设置成该类的灰度均值并取整；

37、步骤42：图像边缘点确定：遍历所有像素点，取像素点 p(i,j)的8邻域，计算像素点 p (i,j)与它的8邻域中灰度值不相等的像素点个数，当不灰度值不相等的像素点个数大于6个时，该像素点即为图像边缘点。

38、本发明的有益效果是：

39、1）利用遗传特性高度的随机性、能够搜索更广空间的特点提出一种基于随机变异、交叉方法的模糊聚类方法，解决基于迭代的方法在整个解空间里不能进行广泛的搜索导致找到的解与全局最优解相差太大，从而影响了最终的聚类效果。

40、2）通过选取灰度、梯度、领域灰度差异特征作为人物目标图像像素点的特征向量，解决不同维度特征难以选择的问题。

41、3）通过计算聚类后每个像素点的8邻域中灰度值不相等的像素点个数，解决确定边缘点的问题。