[发明专利]基于同时聚类和分类的灰度图像分割方法

说明书

技术领域

本发明属于图像处理领域，涉及一种灰度图像分割方法，可用于目标识别、变化监测。

背景技术

随着计算机技术的发展，图像在各行各业的应用日益广泛。灰度图像分割是以图像的形式获得信息的基础，是人们研究的热点，是图像处理技术应用的重要内容之一。灰度图像分割在目标识别、变化监测等方面应用广泛。灰度图像分割方法有多种，例如，基于灰度级单阈值分割，基于灰度级多阈值分割、区域增长和聚类等。

基于灰度级单阈值分割和基于灰度级多阈值分割是灰度图像分割中最基本的方法，具有实现简单，计算量小的优点，但其适用范围较小，仅适用于灰度分布比较集中的灰度图像分割。区域增长是一个通过图像像素点灰度信息进行迭代求解出灰度图像分割的算法，区域增长能得到很好的边界信息，但存在计算代价大，容易产生图像分割结果过分割的缺点。K-means聚类算法，是一种典型的基于距离的聚类算法，1967年由J.B.MacQueen提出的。K-means聚类算法是一种经典聚类算法，是到目前为止应用最广泛最成熟的一种聚类分析方法。已被广泛应用于图像分割领域。但该方法的不足之处是，当图像中的某一类或者几类像素较少时，该方法得出的图像分割容易造成细节部分的丢失。

发明内容

本发明针对上述已有方法的缺点，提出一种基于同时聚类和分类的灰度图像分割方法，以保留图像分割中的细节部分，提高图像分割效果。

实现本发明目的技术方案，包括如下步骤：

(1)读入一幅大小为P的灰度图像，P=256×256，并对该灰度图像的灰度值矩阵G进行阈值处理；

(2)随机初始化灰度图像的聚类中心并进行初始设定：

(2a)设迭代次数t=1，随机产生父代种群V(t-1)和子代种群V(t)为灰度图像的聚类中心，这两个种群的个体数均为M，M＝40；

(2b)设定最大迭代次数t_max=40；

(3)将父代种群V(t-1)和子代种群V(t)合并，得到种群个体数为2M的合并种群V_c(t)；

(4)根据灰度图像的灰度值矩阵G和合并种群V_c(t)，计算聚类目标函数f₁和分类目标函数f₂：

f1=2Σj=1nΣi=1P([1-T(gi,wc,j)]-1Σj=1n[1-T(gi,wc,j)]-1)2[1-T(gi,wc,j)],]]>