[发明专利]基于免疫克隆和模糊核聚类的图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，主要涉及图像分割，具体是一种基于免疫克隆和模糊核聚类的图像分割方法，可用于人工合成图像，医学图像和自然图像等各种图像的分割。

背景技术

图像分割是计算机视觉领域中重要的内容之一，是模式识别的首要问题，是图像处理的经典难题。只有在图像分割的基础上才能对目标进行提取和识别，图像分割质量的优劣直接影响更高层的图像分析和理解。因此对图像分割的研究具有非常重要的意义。

目前已经提出了很多基于模糊C均值聚类(FCM)的图像分割方法，FCM适合于图像中的不确定性和模糊性等特点，是一种无监督分类方法，分割过程不需要任何人工的干预，适合应用于自动分割的领域，因此FCM分割方法具有自适应性强，收敛速度快等特点，FCM的不足之处是，FCM算法对初始聚类中心值敏感，易收敛到局部最优值，未考虑像素的空间领域信息，对噪声敏感，鲁棒性低。

Stelios Krinidis and Vassilios Chatzis在论文“A Robust Fuzzy Local Information C-Means Clustering Algorithm”(IEEE TRANSACTIONS ON IMAGE PROCESSING,VOL.19,NO.5,MAY 2010)中提出了一种改进的模糊C均值聚类图像分割方法。该方法与传统的模糊C均值聚类算法相比，目标函数中引入了加权模糊因素，加权模糊因素中包含图像的领域信息，使得在分割过程中更多的考虑了图像的细节信息，不足之处是其用到的初始聚类中心随机初始化给出，随机初始化得到的初始聚类中心使得聚类中心更新过程中陷于局部最优，无法得到全局最优的聚类中心，且该方法只考虑了图像的邻域信息，没有考虑的图像的像素点的非局部信息，所以对噪声图像的分割率低，鲁棒性差。

南京师范大学在其申请的专利“一种结合邻域信息的快速鲁棒模糊C均值图像分割方法”(专利申请号：CN201210193248.5，公开号：CN102750700A)中公开了一种模糊聚类图像分割方法。该方法对待分割图像的像素点计算其领域像素和中心像素点的相似性度量得到线性加权图像，在加权图像上执行快速模糊C均值分割算法。该方法的隶属度公式中距离度量是欧式距离，欧式距离是一种鲁棒性差的距离度量，所以对噪声点仍比较敏感，鲁棒性较差，分割正确率低，而且其中的初始聚类中心也随机给出，使得聚类中心更新过程中易陷于局部最优。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于免疫克隆和模糊核聚类的图像分割方法，以避免聚类中心更新过程中陷入局部最优，同时提高图像的分割精度和增强对噪声的鲁棒性。

实现本发明技术目的技术方案，说明如下

本发明是一种基于免疫克隆和模糊核聚类的图像分割方法，其特征在于，包括有以下步骤：

(1)读入一副图像，测量图像的大小，将其转化为灰度图像，得到图像的像素点组成的矩阵I＝{x₁,x₂,...,x_n}；

(2)模糊聚类方法的参数设置：

设置模糊聚类方法的聚类中心总数目c＝4,终止条件e＝0.01,模糊参数m＝2和最大迭代次数T＝500，滤波后的图像项的控制参数α＝5.5，对输入图像分割之前目测得到图像的初始分类数目即聚类中心总数目c；得到了模糊核聚类算法的参数用于步骤(5)的聚类中心的更新；

(3)对输入图像的灰度图像利用自动调节滤波参数的非局部均值滤波方法得到滤波后图像

(4)利用免疫克隆方法对输入的灰度图像的所有像素点进行优化，即对布骤1得到的图像进行优化，得到最优的c个值作为模糊核聚类方法的聚类中心v₁，该聚类中心共有c个值，c为聚类的数目。该聚类中心v₁为更新前的聚类中心；

(5)首先利用本发明的带有滤波的隶属度矩阵公式对输入的灰度图像优化得到所有像素点的最终隶属度矩阵u_ki，接着用带有滤波的聚类中心公式对输入的灰度图像优化得到最终聚类中心v₂，具体过程包括：

(5a)设置初始迭代次数counter＝1，同时对输入图像和滤波后图像的像素点的数据用本发明方法的带有滤波的隶属度矩阵公式计算图像的隶属度矩阵，第一次迭代时计算中涉及到的聚类中心为步骤(4)得到的初始聚类中心v₁,后续迭代时计算中涉及到的聚类中心为步骤(5c)中更新后得到的聚类中心v₁；