[发明专利]基于免疫克隆选择聚类的图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及该技术在图像分割领域的应用，具体地说是一种基于免疫克隆选择Immune Clone Selection，ICS聚类Clustering的图像分割方法，即ICSC。该方法可用在图像分割技术领域中。

背景技术

图像分割是图像处理过程中的一个重要步骤。图像分割的任务是将输入图像分割为一些独立的区域，使同一区域具有相同的属性，而使不同的区域具有不同的属性。对于图像分割问题，研究者已经提出了很多方法，但是鉴于图像种类多、数据量大、变化多端的特点，迄今为止还没有一种图像分割的方法适合于所有的情况。数据聚类作为一种图像分割的手段，得到了广泛的应用。

聚类是新兴学科数据挖掘中的一个重要概念，它是按照一定的要求和规律对数据进行区分和分类的过程。FCM聚类是比较常用的一种聚类方法。虽然FCM聚类分割方法具有简单快速的优点，但是有两个主要的缺点限制着其性能：

其一是传统的FCM聚类方法对于初始聚类中心和噪声敏感而导致鲁棒性较低。研究者将一些并行搜索方法引入聚类来解决这个问题，比如：日本的Yuukou Horita等人将遗传算法GA引入K均值聚类，参见Yuukou Horita，Tadakuni Murai and Makoto Miyahara，《Region Segmentation using K-mean Clustering and Genetic Algorithms》，IEEE InternationalConference on Image Processing，vol.3，Nov.1994P：1016-1020。在传统聚类方法中，如果初始化的时候给定的是一个不恰当的初始聚类中心，就很有可能对聚类结果的准确性造成较大的影响。有时候，即使给定了一个合适的聚类中心，算法也不能保证收敛到最优解。然而，进化算法是一种并行的搜索技术，它可以在一次的运行过程中产生多个初始值和多个搜索结果，并且选择最优的结果作为最终结果。进化算法恰好可以解决传统聚类方法对初始聚类中心敏感的缺点，并且提高其收敛到全局最优解的概率。以前有关进化聚类的文献应用的进化算法大部分都是经典遗传算法。但是，进化算法发展迅速，到目前为止，已经有很多新的进化算法的性能超越了它。比如：量子进化算法、协同进化算法、免疫克隆选择算法等等。本发明将免疫克隆选择算法引入FCM方法中以达到更好的聚类性能，并针对图像分割为其设计了一种新的变异算子。和经典的遗传算法相比，免疫克隆选择算法有着更好的局部搜索性能，而这可以在一定程度上防止算法陷入局部最优。

其二是传统的FCM聚类方法没有考虑像素之间的空间关系。它们将像素灰度之间的距离被作为唯一的度量标准，这将导致灰度信息相似而不属于同一类的像素被聚集到同一类中。尤其是当图像受到较为严重的噪声干扰时，往往分割的结果就会比较差。对于这一缺点的改进，中国的Ming Li和印度的Swagatam Das等人分别将像素间的空间关系用于调整FCM的隶属度函数，参见Ming Li，Yun-song Li，《Fuzzy-C-Means Clustering Based On TheGray And Spatial Feature For Image Segmentation》，2006 International Conference onComputational Intelligence and Security，Volume 2，3-6Nov.2006，p1641-1646.以及SwagatamDas，Ajith Abraham and Amit Konar，《Spatial Information Based Image Segmentation Using aModified Particle Swarm Optimization Algorithm》，ISDA′06，2006。埃及的M.N.Ahmed等人将像素间的空间关系用于修改FCM的目标函数，参见M.N.Ahmed，S.M.Yamany，N.Mohamed，Farag，and T.Moriarty，《A modified fuzzy C-means algorithm for bias fieldestimation and segmentation of MRI data》，IEEE Trans.Med.Imaging，vol.21，Mar.2002.p193-199.

由于上述FCM聚类分割方法存在的缺点，所以不能得到广泛的应用，因此，研究一种行之有效的图像分割方法是本技术领域科技人员的当务之急。