[发明专利]一种基于生物地理优化的图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种可用于图像增强、模式识别、目标跟踪等技术领域中的图像分割方法。

背景技术

图像分割技术一直是机器视觉及多媒体应用技术中难度最大障碍最多的问题之一。这是因为，至今为止研究人员还没有研究出一种通用的、可靠性强的自动分割算法。所谓的图像分割技术，现有的分析方法都仅仅是针对某一领域的图像或者某一种类的图像。因此，在未来的几年内，图像技术领域迫切需要解决的问题，仍然是图像分割的技术突破。

模糊聚类算法在图像分割领域的应用，已经成为一种最广泛的要求。1979年，Coleman等人就提出用聚类算法进行图像分割。经过几十年来人们陆续的实践与学习，研究人员纷纷提出了多种基于模糊聚类的灰度图像分割新方法。这些算法方法在分割纹理图像、遥感图像、序列图像等方面获得了很大的成果。

模糊K均值算法以其计算速度快、局部搜索能力强、设计简单、算法单纯易于理解等先天的优势，得到了图像分割领域的青睐。然而，传统的模糊K均值算法也由于其天生的缺点^[4]，使其在图像分割的应用时，显示出了很大的问题。

一方面，由于传统的模糊K均值算法处理噪声图像的功能很差，也就是鲁棒性差。这是由于该种算法只利用了图像的灰度信息，而没有利用图像的空间信息等其他特征，因而这种分割模型是不完整的，从而造成其只能用于噪声含量很低的图像当中。

另一方面，传统模糊K均值算法的初始聚类中心的选择和确定，对后面的聚类结果有很大的影响，如果初始聚类中心选择有误，则会导致大相径庭的结果。如果初始聚类中心选择不当，目标函数有可能得不到全局最优，而陷入局部极小值；算法本身全局搜索能力也比较差，对于多峰值的数据来说，单纯的模糊K均值算法是很容易陷入局部最小的。这样不稳定的表现，使传统的模糊K均值算法在图像分割的应用中，经常出现分割的错误。

为了克服传统模糊K均值算法在图像分割领域中遇到的麻烦，研究人员做了大量的改进工作。这些改进工作，针对上述的两个问题，也可以分为两方面：针对模糊K均值算法本身的改进，将改进的算法应用于图像分割中，以求获得更好的分割效果；扩大模糊K均值算法的特征提取范围，利用除像素灰度信息外的其他空间特征，以达到更客观和广泛的聚类效果，从而提高图像分割的质量。

由上述聚类中心的选择介绍可知，导致这些缺陷的最主要原因，就是传统模糊K均值算法最终聚类效果对初始聚类中心的选择依赖太强。导致一旦初始聚类中心选择不当，则聚类就会失败。因此，在改进初始聚类中心的同时，找出可以令算法不再依赖初始聚类中心，也是一个算法改进的有力方向。生物智能优化算法，具有无监督学习和全局搜索能力，在与传统模糊K均值算法相结合，改善算法的全局搜索能力方面有很大的作为。目前，已经有学者将蚁群算法以及免疫遗传优化算法用于模糊K均值算法的改进当中，参见：杨立才，赵莉娜，吴晓晴，基于蚁群算法的模糊均值聚类医学图像分割，山东大学学报（工学版），37（3），51-56；孙秀娟，基于遗传算法的K均值聚类算法分析研究，山东师范大学硕士论文，2009。刘宇颖用细菌觅食算法优化模糊K均值的聚类准则函数，参见：细菌聚类算法及其在图像分割的应用，哈尔滨工程大学硕士论文，2011。

基于这些类型的具体改进算法多种多样，在各自的应用范畴中，对于算法的适用性得到了较大的提高。但是，在不同的应用方向下，却并没有一个通用的图像分割算法。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。

发明内容

本发明的目的在于提出一种降低传统聚类分割方法对初始聚类中心的敏感度，使得图像聚类分割结果更稳定、边缘更平滑、区域一致性更好的优化模糊K均值聚类中心以进行图像分割的方法。

本发明的目的是这样实现的：

本发明包括如下步骤：

（1）对类别数C、模糊指数m、群体规模n、迭代次数N、迁入率函数最大值I、迁出率函数最大值E、迁移率p_modify、精英个体留存数k及最大变异概率m_max进行初始化；

（2）输入待分割的图片，彩色图转换为灰度图，将图像信息转换为图像的灰度数据，初始化聚类中心；

（3）计算k个聚类中心隶属度构成的模糊矩阵；

（4）重新计算k个聚类中心；

（5）提取每个聚类中心的适应度值，判断是否满足最大迭代次数T停止条件，如果满足就停止，输出最优解；如果不满足则执行步骤（6）；