[发明专利]基于动态局部搜索和免疫克隆自动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，涉及一种自动聚类图像分割方法，特别涉及一种基于动态局部搜索和免疫克隆自动聚类的图像分割方法，可用于对图像中特征目标的提取和对目标的识别跟踪。

背景技术

图像分割的过程就是把每个像素点作为一个数据点，分割的结果是为这些数据点赋予一个类标，具有同样类标的像素点分成一类，从而实现对图像的分割。聚类分析是数据挖掘的主要技术之一，将各种聚类方法应用于图像分割是近年来在图像分割领域的一个热门研究方向。

从人工参与的程度来看，图像分割可分为人工、半自动、自动三种类型。其中人工分割完全由操作者利用鼠标等工具勾画出分割区域的轮廓，容易受操作者主观因素的影响，并且费时费力重复性差；半自动分割需要针对具体图像和任务确定参数的选取问题，包括设定阈值、分割目标的数目等，实际上多数分割方法都属于半自动分割。自动分割就是利用自动聚类分析实现图像的分割，其中自动聚类分析就是在自动搜索到数据集最优聚类个数的同时找到其最合理的划分。

由于大多数自动聚类算法没有充分考虑待分割图像的全局信息，尤其是在针对多区域的图像时，这类分割方法对噪声点比较敏感，导致图像分割的鲁棒性较差，算法的适应范围较小。为解决这些问题，近些年来研究人员将一些进化算法引入到自动聚类方法中，但由于这些进化算法本身在收敛性方面的不足且容易陷入局部最优分割方案，导致分割图像过程中分割的精确度低，收敛速度比较慢。

例如，中国专利申请，授权公开号CN 101477686 B，名称为“基于克隆选择的无监督图像分割方法”中，公开了一种基于克隆选择的无监督图像分割方法，该方法将克隆选择用于对分割质量的优化，能够在无指定分割区域数目的情况下，有效地对图像进行自动分割。该方法虽然解决了传统聚类方法中必须给出指定的分割类别数目的缺陷，减少了分割过程对先验知识的依赖。但是，该方法仍然存在的不足之处是，其优化的目标函数中未包括全局紧致性和模糊分离度，没有充分考虑图像的全局信息，导致该方法适应范围小，鲁棒性差，从而不能正确的分割密度分布不均衡的图像。又如Saha S和Bandyopadhyay S等人在Appl.Soft Comput.,2013,13:89-108上发表了“A generalized automatic clustering algorithm in a multi-objective framework”的论文，文中提出一种基于模拟退火算法的多目标自动聚类算法，该方法结合了模拟退火算法的框架对聚类的质量进行了优化，实验结果表明该算法能够检测到适当的聚类个数，并且得到最合理的数据集划分。虽然该算法的目标函数包含了很多聚类信息，但是由于模拟退火算法收敛速度慢并且算法性能与初始参数敏感的特点，从而导致聚类质量的不高，收敛速度较慢。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提出了一种基于动态局部搜索和免疫克隆自动聚类的图像分割方法，用于解决现有图像分割方法中存在的分割精确度低、鲁棒性差和收敛速度慢的技术问题。

为实现上述目的，本发明采取的技术方案为：

一种基于动态局部搜索和免疫克隆自动聚类的图像分割方法，包括如下步骤：

(1)输入一幅待分割图像；

(2)采用基于聚类中心的可变长实数编码方式编码抗体，并对该抗体进行初始化，得到第一抗体种群A(t)；

(3)采用包含全局紧致性和模糊分离度的目标函数，对已得到的第一抗体种群A(t)进行克隆选择操作，得到由非支配抗体组成的第二抗体种群A⁽¹⁾(t)；

(4)设置对第二抗体种群A⁽¹⁾(t)进行优化的当前代数t为0，最大优化代数为t_max；

(5)采用人工免疫算法对第二抗体种群A⁽¹⁾(t)进行优化，实现的步骤为：

(5a)采用等比例克隆方式对第二抗体种群A⁽¹⁾(t)中的抗体进行克隆增殖操作，得到第三抗体种群A⁽²⁾(t)；

(5b)采用单点交叉方式对第三抗体种群A⁽²⁾(t)中的抗体进行交叉操作，得到第四抗体种群A⁽³⁾(t)；

(5c)采用非一致性变异方式对第四抗体种群A⁽³⁾(t)中的抗体进行变异操作，得到第五抗体种群A⁽⁴⁾(t)；