双路径组合寻优图像分割方法

本发明属于图像处理，特别涉及一种双路径组合寻优图像分割方法。

背景技术：

1、模糊c均值(fcm)算法是一种有效的图像分割算法，它分割速度快且容易操作。但是fcm算法有其局限性，首先，对于图像分割来说，该算法没有利用邻域信息而不能有效分割含噪声的图像；另外，一些图像中不同目标区域的像素数量并不均衡，但是fcm算法在分割时往往更倾向于将图像中的所有像素均分，这种矛盾导致fcm算法对这种类型的图像分割效果很差，对后续的识别与测量造成极大干扰；由于该算法是通过迭代聚类中心和隶属度表达式直至收敛而得到相应的分割结果，不可避免的，该算法会经常陷入局部最优而导致分割结果较差。

技术实现思路

1、有鉴于此，本发明针对模糊聚类图像分割方法在分割无损检测图像时遇到的问题，提供了双路径组合寻优图像分割方法，该方法自适应的利用了图像的邻域信息，给出了原始图像和滤波图像的自适应比例关系，构建聚类中心与所有像素的反向度量表达式，并基于信息熵的概念设计类信息熵聚类模型，将反向度量表达式和类信息熵模型融入模糊聚类方法以均衡化背景和目标差异以及有效度量类的倾向性，解决现有模糊聚类方法对无损检测图像分割精度低的问题。

2、为实现上述目的，本发明所采用的技术方案如下：

3、一种双路径组合寻优图像分割方法，包括如下步骤：

4、s10：获取待分割的灰度图像，构建均值滤波图像、非线性加权图像以及衡量图像中每个像素的灰度值在其邻域内为噪声的可能性；

5、s20：将每一类隶属度的总大小引入至能够进行噪声检测的模糊c均值目标函数中，得到新的目标函数；

6、s30：利用拉格朗日乘子法最小化新构建的目标函数得到新的隶属度和聚类中心；

7、s40：采用双路径组合寻优的方法对图像进行分割：路径一由混沌乌鸦算法产生，路径二由新的隶属度和聚类中心迭代产生，两条路径的最优解进入下一个迭代进程，如此直至迭代结束；

8、s50：采用步骤s40中双路径寻优的方式迭代至结束产生最终的每个像素的隶属度，进而获得最终的图像分割结果并输出。

9、进一步的，步骤s10中，获取待分割的原始灰度图像xj(j＝1，2，…，n)，确定像素的邻域大小q，q表示邻域长度，包含中心像素在内的邻域像素个数为q×q；计算均值滤波图像，非线性加权图像ξj(j＝1，2，…，n)，任一像素xj(j＝1，2，…，n)在其邻域内为噪声的可能性αj(j＝1，2，…，n)。

10、进一步的，步骤s10中，所述非线性加权图像ξj的公式为：

11、

12、

13、

14、其中，sij表示像素xi和xj的相似性度量，(pi，qi)和(pj，qj)分别表示像素xi和xj的二维坐标，λs和λg表示尺度因子，nj为像素xj的邻域像素集合，nr为nj的个数。

15、进一步的，步骤s10中，衡量图像中每个像素的灰度值在其邻域内为噪声的可能性的公式为：

16、

17、其中λα为尺度因子。

18、进一步的，步骤s20中，新的目标函数j(u，v)的公式如下：

19、

20、其中m为模糊因子，||·||表示欧式距离，i(i＝1，2，…，c)为类别数，xj(j＝1，2，…，n)为图像的第j个像素，uij/uis为第j/s个像素属于第i类的隶属度，u为隶属度矩阵，n为像素总数，为所构建的均值滤波图像中的第j个像素，ξj为所构建非线性加权图像的第j个像素，αj为像素xj在其邻域内为噪声的可能性，vi为第i个聚类中心，v为聚类中心矩阵。s(s＝1，2，…，n)为像素的坐标，为第i类的隶属度总大小。

21、进一步的，步骤s30中，由拉格朗日乘子法对新构建的目标函数j(u，v)进行最小化处理得到新的隶属度和聚类中心表达式，如下：

22、

23、

24、其中r也为类别数(r＝1，2，…，c)，vr为第r个聚类中心，urj/urs为第j/s个像素属于第r类的隶属度。

25、进一步的，步骤s40中，两条路径的迭代及产生最优解的步骤如下：

26、步骤s41：假设当前处于第iter代，当乌鸦i随机选择乌鸦j进行跟踪时，如果乌鸦j不知道乌鸦i在跟随，乌鸦i会接近乌鸦j的存储位置，否则乌鸦i会跟随乌鸦j去一个随机的位置，

27、

28、其中ri和rj为满足均匀分布的随机数，区间为(0，1)，fli，iter为乌鸦i的飞行长度，apj，iter为乌鸦j在第iter代的感知概率，vi，iter为第i只乌鸦在第iter代的位置，mj，iter为第j只乌鸦在第iter代时的记忆值；

29、对于任意一只乌鸦来说，对于新位置vi，iter+1计算相应的目标函数，如果iter+1代的目标函数更小，则用新的位置更新该只乌鸦的记忆mi+1；遍历所有的乌鸦后找到并确定乌鸦群里最优位置的乌鸦，其最优位置为v*，iter+1；

30、步骤s42：从位置最好的乌鸦着手，利用其位置v*，iter+1结合新的隶属度表达式更新隶属度，然后利用新的聚类中心表达式更新聚类中心，进而计算目标函数；

31、步骤s43：比较两条路径在iter+1代时所对应的目标函数的大小，产生该代最优的位置，该位置作为最优解进入下一个迭代进程，如此直至迭代结果，进而根据最终的最优位置产生待分割图像的分割结果。

32、进一步的，步骤s50中，双路径寻优方式的具体步骤为：

33、步骤s51：采用混沌映射的方式产生p个乌鸦的位置{v2i，0，i＝1，2，…，p}并假定乌鸦的记忆{mi，0，i＝1，2，…，p}在它们的起始位置，随机初始化每只乌鸦位置对应的隶属度，接着利用所推导的新的隶属度公式更新每只乌鸦的隶属度，记为{u2i，0，i＝1，2，…，p}；

34、步骤s52：利用所构建的新的目标函数j(u，v)计算每只乌鸦的适应度f0＝{f2(u2i，0，mi，0)＝f2(u2i，0，v2i，0)，i＝1，2，…，p}；令f*，0＝f(u2l，0，v2l，0)＝min{f(u2i，0，v2i，0)，i＝1，2，…，p}，m0best＝v*，0＝v2l，0，这里v*，0和f*，0分别表示最佳位置(最优解)和最小目标函数；

35、步骤s53：用k(1≤k≤t)来表示迭代次数，根据第k-1次迭代产生的最优的位置v*，k-1计算新的隶属度u1l，k，然后再利用聚类中心公式计算第k次迭代产生的位置v1*，k，进而利用j(u，v)公式计算相应的适应度f1(u1l，k，v1*，k)；

36、步骤s54：由第k-1代的乌鸦位置{v2i，k-1，i＝1，2，…，p}，利用乌鸦寻优算法计算新的聚类中心{v2i，k，i＝1，2，…，p}，接着利用所推导的新的隶属度公式更新每只乌鸦的隶属度，记为{u2i，k，i＝1，2，…，p}，进而计算各只乌鸦的适应度{f2(u2i，k，v2i，k)，i＝1，2，…，p}；

37、步骤s55：对所有的乌鸦记忆进行更新，更新的方式为：

38、如果f2(u2i，k，v2i，k)<f2(u2i，k-1，mi，k-1)，那么mi，k＝v2i，k，否则mi，k＝mi，k-1；

39、对所有乌鸦的适应度进行更新，更新方式为：

40、fk＝{min[f2(u2i，k，v2i，k)，f2(u2i，k-1，mi，k-1)]，i＝1，2，…，p}；

41、步骤s56：如果f1(u1l，k，v1*，k)<min{fk}，那么最优的乌鸦记忆为mkbest＝v1*，k，最佳位置为v*，k＝v1*，k及相应的适应度为f*，k＝f1(u1l，k，v1*，k)，否则最佳位置为v*，k＝mkbest，及相应的适应度为f*，k＝min{fk}；

42、步骤s57：将v*，t代入新推导的隶属度表达式得到u*，t，遍历所有的隶属度u*，t，输出分割结果。

43、进一步的，步骤s51中利用混沌映射的方式在搜索空间中初始化p个乌鸦的位置{v2i，0，i＝1，2，…，p}，其步骤为：

44、步骤s511：随机产生第一个乌鸦位置v21，0＝{v1，…，vc}；

45、步骤s512：利用vk＝a+b*zk产生剩余的p-1个乌鸦位置，其中k为阶次，a、b均为放大因子，其值皆为255/2，zk为chebyshev混沌映射。

46、本发明与现有技术相比，所取得的技术进步在于：

47、本发明通过原始灰度图像构建均值滤波图像、非线性加权图像以及衡量图像中每个像素的灰度值在其领域内为噪声的可能性，将每一类隶属度的总大小引入至能够进行噪声检测的模糊c均值目标函数中，得到新的模糊c均值目标函数，进而可以得到新的隶属度和聚类中心表达式；采用双路径组合迭代寻优的方式进行图像分割，一个路径采用混沌乌鸦寻优算法，它具有全局搜索能力可以得到分割的最优解，另一个路径采用传统的聚类中心和隶属度反复迭代的结构，具有快速的收敛能力，二者相互配合可以快速达到分割的最优解。本发明具有噪声鲁棒性以及可对抗类的不均衡特性，适用于后续的图像中的目标识别与测量。