[发明专利]一种基于图论分割过程的多目标粒子群参数优化方法

权利要求书

1.一种基于图论分割过程的多目标粒子群参数优化方法，其特征在于，包括以下步骤：

1)初始化粒子群优化算法的各参数；

2)对每个粒子进行基于图论的RGB图像分割；

3)计算类间方差、类内方差、平均梯度这三个目标函数值；

4)根据多目标评优策略对每个粒子进行评优；

5)根据个体最优和全局最优更新粒子；

6)对步骤2)到步骤5)进行迭代直至满足停止条件。

2.根据权利要求1所述的一种基于图论分割过程的多目标粒子群参数优化方法，其特征在于：在步骤1)中，根据基于图论的RGB分割算法中的两个控制分割效果的正参数α和k的搜索空间的大小，设定所需个数的粒子，然后随机或者有序地初始化各个粒子的位置信息，即α和k的参数组合，而粒子的初始化速度，也是α和k的参数组合，都设为(0，0)，并根据不同需要初始化其它参数。

3.根据权利要求1所述的一种基于图论分割过程的多目标粒子群参数优化方法，其特征在于：在步骤2)中，根据每个粒子的位置信息，也就是α和k的参数组合，对待分割图像进行基于图论的RGB图像分割，得到相应的分割结果，其过程如下：

2.1)应用非线性扩散模型对原始图像进行去噪；

2.2)采用六邻域模板，对去噪后的整个图像进行遍历，包括构造边和边权值计算，建立相应的图G＝(V,E)，其中V表示顶点集合，即像素点集合，E为边集合，

其中，边权值定义为相应两顶点的灰度差，即：

w_ij＝|I(v_i)-I(v_j)|

I(v_i)、I(v_j)分别表示顶点v_i、v_j所对应的像素点的灰度值；

2.3)按边权值大小对边集合E进行非递减排序，初始化所有边为无效边，如果一条边有效，则表示这条边在图中存在，意味着边两端的顶点属于同一个区域；反之，如果一条边无效，则意味着边两端的顶点不互相直接连接，而所有边为无效边意味着每个像素点所对应的顶点都属于不同的子图；

2.4)遍历和融合，即遍历边集合E中的每一条边，并判断其有效性，具体操作为：

2.4.1)令遍历标记q＝1，表示从边权值最小的边开始遍历；

2.4.2)如果该边相应两顶点属于不同子图，且满足区域融合条件，则设置该边为有效边，融合所连接的两个子图为一个更大的子图，并根据更新公式更新融合后子图的均值和标准差；否则，该边仍为无效边，不对两个子图做任何操作；

2.4.3)令q＝q+1，即表示遍历下一条边，如果q<＝N，则重复步骤2.4.2)和步骤2.4.3)，否则，遍历完毕；

2.4.4)遍历完毕后，得到一个与图像相对应的最小生成森林，其中的每棵树即对应着图像中的一个分割区域；

其中，区域融合条件和更新公式如下：

对于图G＝(V，E)的任意两个相邻区域C₁和C₂，刚初始化时C₁,C₂∈V，是否对它们进行融合由区域对比准则D(C₁,C₂)来判定，如果D(C₁,C₂)为真，则判定连接C₁和C₂的边有效，意味着这两个区域能够进行融合；否则，判定连接C₁和C₂的边仍为无效，图的结构不变，区域对比准则D(C₁,C₂)定义如下：

D(C1,C2)=false,ifDif(C1,C2)>MInt(C1,C2)true,other]]>

Dif(C₁,C₂)＝|μ(C₁)-μ(C₂)|

MInt(C₁,C₂)＝min(σ(C₁)+τ(C₁),σ(C₂)+τ(C₂))

τ(C)=k|C|·(1+1α·β),β=μ(C)σ(C)]]>

其中，Dif(C₁,C₂)表示两个子图C₁，C₂之间的差异；MInt(C₁,C₂)表示两个子图C₁，C₂的内部灰度差异的较小者；μ(C)表示区域C内部所有像素点的灰度均值；σ(C)表示区域C内部所有像素点的灰度标准差；τ(C)是门限函数，|C|表示区域C内部所有像素点的个数，α和k是两个控制分割效果的正参数；

两个区域发生融合后，需进行一步重要的操作，那就是更新区域统计信息，为后续的区域对比准则提供新的数据，由区域对比准则可知，区域的均值μ和标准差σ是必需的信息，而它们又是随着区域变动而变动的，因此，需要在两个区域发生融合后根据以下公式对它们进行更新：

μ=n1μ1+n2μ2n]]>

σ2=(n1-1)σ12+(n2-1)σ22n-1+n1n2(μ1-μ2)2n(n-1)]]>

其中，μ₁和μ₂分别表示融合前两个相邻区域C₁和C₂的灰度均值，σ₁和σ₂分别表示这两个区域的标准差，n₁和n₂分别表示这两个区域的像素点数；μ和σ分别表示融合后区域的灰度均值和标准差，n是该融合后区域的像素点数。