[发明专利]基于分水岭-量子进化聚类算法的图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，特别是涉及一种图像分割方法，该方法可用于图像 处理中的目标识别。

背景技术

图像处理是一个跨学科的领域，随着计算机科学技术的不断发展，图像处理和分析 逐渐形成了自己的科学体系。图像分割是图像处理中一个非常重要的步骤，它将图像分 割成为具有相关性强的子区域或对象。图像分割就是依据某种准则将图像分为若干区域 的过程，要求同一区域内的像素具有某种一致性，不同区域的像素之间不存在这种一致 性。图像分割方法一直是图像处理和分析中基本而关键的技术之一，图像分割的结果包 含着对图像理解更为精确的描述，并且支持一些更高级的概念，例如形状、区域、连接 等。图像分割通常用于进一步对图像进行分析、识别、压缩编码等，分割的准确性直接 影响到后续任务的有效性，作为由图像处理到图像分析的关键步骤，图像分割不仅得到 了人们的广泛重视，也在实际中得到了大量的应用。

纹理特征是图像的重要属性，纹理被认为是区分图像间不同属性的重要解译信息。 近三十年来研究学者提出了许多基于纹理特征的分割方法。这些方法主要分为四类：统 计方法，结构方法，模型方法和信号处理方法。以上几种方法在处理图像分割问题时均 采用了有监督的方法，而在不同的图像中，同样属性的目标区域看起来往往会有很大的 不同，即使是处在同一幅图像中也存在着这样的差异。因此，采用有监督方法选择的训 练样本往往不能包含图像中目标区域的所有类属特征。在这种情况下，无监督的分割方 法，通常又叫做聚类方法，就会更加有效。无监督分割方法一般可以分为两类：层次聚类 和划分聚类，其中划分聚类通过最小化特定准则将数据集划分到不同的类属中。因此这 类方法可以看作是最优化问题，将图像分割问题视为组合优化问题。但是已有的优化方 法对于处理优化问题的时候往往耗时很长，并且在搜索过程中容易陷入局部最优，同时 对于复杂图像分割问题往往会存在边缘定位不够准确的缺点，这样势必会影响到图像分 割的区域一致性与边缘保持的性能。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于分水岭-量子进化聚类的 图像分割方法，以快速、有效地搜索到最优聚类中心，准确定位边缘，提高图像区域一 致性和边缘保持性能。

实现本发明的技术方案是将图像分割问题看作组合优化问题，使用分水岭算法将图 像实行分块处理，用量子进化算法计算搜索，使适应度函数最大化的序列组合作为聚类 结果，进而得到最终分割结果。具体实现步骤如下：

(1)输入待分割图像，按照分水岭算法对图像进行分块处理；

(2)对分块后图像的每个像素点提取离散小波能量特征，进而求得区域块特征，将该 特征作为聚类数据集。

(3).设置抗体规模n、类别数k和停机条件，随机产生初始量子染色体Q(t)作为聚 类数据集的初始聚类中心，其中的α_i^t，β_i^t(i＝1，2…m)和所有的q_j^t都以等概率初始 化；

(4).将初始量子染色体Q(t)观测成为二进制染色体p(t)；

(5).计算每个观测后的二进制染色体p(t)与聚类数据集的亲和度函数f_k，保留当前 种群中的最优个体；

(6)将初始量子染色体Q(t)进行量子变异操作，得到量子种群Q_m(t)

(7)将的量子种群Q_m(t)进行量子交叉操作，得到新的量子种群Q_c(t)作为新的聚类 中心；

(8)将新的量子种群Q_c(t)观测成为二进制染色体p_c(t)，计算每个染色体与聚类数据 集的适应度函数值f_c；

(9)对p_c(t)进行选择操作，得到子代染色体p(t+1)；

(10)判断子代染色体是否满足停机条件，如果满足该条件就将子代染色体中亲和度 最高的染色体对应的图像类属划分作为输出结果，否则返回过程(4)，循环执行过程(4)～ (10)，直到满足停止条件。

本发明与现有技术相比具有如下优点：