[发明专利]基于多目标智能体进化聚类算法的图像分割方法

说明书

技术领域

本发明隶属于图像处理技术领域，主要涉及图像分割方法，具体是一种基于多目标智能体进化聚类算法的图像分割方法，可用于模式识别和计算机视觉等领域。

背景技术

图象分割是图象处理中的一项关键技术，其在图像处理研究中有着非常广泛的应用，例如对目标识别、目标测量都是以图像分割为基础的，分割结果直接影响到后续任务的进行，因此图像分割的研究具有十分重要的意义。图像分割其实是一种特殊的图像处理技术，其实质上是按照图像像素属性即灰度、纹理、颜色进行分类的一个过程。

基于聚类的方法是无监督分类的一种，被广泛地应用于工生物医学、计算机视觉和遥感图像处理等领域。聚类是将未知分布的一组数据进行分类，最大程度的使同一类别中的数据具有相同的性质，且不同类的数据具有不同的性质，其实质上是为了发现隐藏在数据中的规律。

基于此，各种各样的聚类算法被应用到图像分割领域并且也取得了越来越满意的效果。但由于图像数据的特殊性与多样性，并非所有的聚类算法都可以直接应用到图像分割领域，很多算法都需要进行包装改进，甚至于一部分算法根本就不适合用于进行图像分割。目前的研究中，常用的聚类技术有以下几种：分层聚类算法，最近邻域聚类算法，模糊聚类算法，人工神经网络聚类算法，遗传聚类算法。初期研究人员常常用于图像分割的聚类是分层聚类。其优点是简单，易于操作，但同时它也带来了很多不便：如，算法鲁棒性较差，容易陷入局部最优，聚类结果不是很理想等等。为了解决这类问题，许多研究人员进行了很多尝试，提出采用遗传算法GA与其相结合，得到了比较满意的结果，但由于传统遗传算法全局进化机理的局限性，结合后的聚类方法仍然具有聚类结果不稳定和容易陷入局部最优值等缺陷，导致图像分割结果的质量下降和分割效果稳定性的降低，不利于后续的图像分析和理解。

发明内容

本发明的目的在于克服上述易陷入局部最优以及算法鲁棒性不高的不足，提出一种基于多目标智能体进化聚类算法的图像分割方法，以增强分割方法的鲁棒性以及图像分割结果的稳定性，改善图像分割效果。

本发明的技术方案是，基于多目标智能体进化聚类算法的图像分割方法，其特征是：包括有如下步骤：

步骤1输入待分割图像，提取待分割图像的灰度信息，若输入图像不是灰度图像需进行预处理将之转化成灰度图像，灰度信息标记为data。

步骤2设定初始聚类数目c和迭代上限次数T，对图像灰度信息进行聚类原型的随机初始化，聚类原型即为图像灰度信息的初始聚类结果，聚类原型的随机初始化是指随机指定c个像素值为聚类中心，将图像的像素分类给像素值差距最小的聚类中心，每一种灰度信息的聚类原型作为一个图像智能体，则对于图像智能体L_y，L的下标y是指图像智能体的编号，y＝1,2,…,L_size×L_size，L_y＝{e_p}，e_p是图像智能体L_y中的元素，p是图像智能体中元素下标，1≤p≤c，设定图像智能体生存网格L^t大小为L_size×L_size，竞争概率为P₀，变异概率为P_m，令当前进化代数t＝0。

步骤3计算图像智能体L_y的能量ErengyL_y＝(E₁,E₂)，y是指图像智能体的编号，y＝1,2,…,L_size×L_size，能量ErengyL_y包括能量1分量L_y(E₁)和能量2分量L_y(E₂)。

步骤4根据所有图像智能体的能量值，对图像智能体网格L^t中图像智能体L_y进行非支配排序操作，令不受任何其它图像智能体支配的图像智能体为第一层，保存到集合level1中，令其余所有图像智能体保存到集合level2中；

步骤5将邻域竞争算子作用在集合level2中的图像智能体上，并将得到的新的图像智能体与集合level1中的图像智能体合并共同组成新的图像智能体网格L^t+1/2。