[发明专利]一种基于改进遗传算法和K-均值算法的图像分割方法

说明书

本发明提供了一种基于改进遗传算法和K‑均值算法的图像分割方法，其特征在于：将图像进行去噪处理和转换颜色空间后，使用改进的遗传算法搜索全局的最优解，再利用K‑均值算法进行局部寻优，并以得到的最优解作为K‑均值算法初始聚类中心。解决了遗传算法易陷入局部最优解和K‑均值算法初始聚类中心设定困难的问题，提供了一种可以更快收敛速度和更高分割精度的图像分割方法。

技术领域

本发明属于图像分割技术领域，具体涉及一种基于改进遗传算法和K-均值算法的图像分割方法。

背景技术

图像分割是再保留了原图像一些特性的基础上，将图像划分为不同的区域，选择我们想要的部分，有效的减少了后续对图像处理的工作量，提高了图像处理的效率。近些年随着图像处理技术的飞速发展，图像分割术也越来越受到人们的关注。

已有很多学者提出了新的思想，不断完善着人们对图像分割领域的认知，而聚类技术的出现极大的扩充了图像分割领域，为人们提供了更多的选择。上世纪六十年代MacQueen提出了K-均值聚类算法，K-均值聚类算法是目前最被人熟知和应用的聚类分析算法，在局部寻优的能力突出，具有效率高、伸缩性好等优点。K-均值聚类算法这些优秀的特性也被使其广泛应用到图像分割领域。目前已有人提出了一种基于K-均值聚类与区域合并的彩色分割方法，针对彩色图像的分割有了很大的提升；K-均值聚类算法还被应用于含噪声的图片分割，提高了K-均值聚类算法在不同情况下的图像分割能力。但同时K-均值聚类算法对聚类中心的选取比较困难，且易陷入局部收敛而错过全局最优解。

鉴于K-均值聚类算法的缺点，研究人员提出了通过全局优化算法对其进行改进优化，遗传算法是一种优秀的全局最优解搜索方法，但标准的遗传算法易陷于局部最优解，对全局最优解的搜索不利。

发明内容

本发明方法的目的在于提供一种基于改进遗传算法和K-均值算法的图像分割方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于改进遗传算法和K-均值算法的图像分割方法，将图像进行去噪处理和转换颜色空间，使用改进的遗传算法搜索全局的最优解；利用K-均值算法进行局部寻优，以得到的最优解作为K-均值算法初始聚类中心，实现对图像的更快收敛速度和更高分割精度的图像分割。

作为一种优选的实施方式，所述的改进的遗传算法搜索全局的最优解，具体包括如下步骤：

(1)编码和种群划分：将单个种群分为双种群。

(2)选择：分别挑选两个种群中更加优秀的个体，再将优秀个体的优秀特性通过遗传和在交配的方式留给下一代个体。

(3)交叉：使用单点交叉，保证种群1的交叉位数大于种群2的交叉位数。

(4)变异：对两个种群分别设定不同的变异概率S1和S2，并保证S1的值大于S2。

(5)变异接受判断：根据模拟退火算法中的Metropolis准则进行判断是否接受变异产生的个体。

(6)适应度函数判断：根据适应度函数H()对种群个体进行判断，将适应度更好的的个体保留下来。

(7)交换个体：将不同种群得到的最优个体进行交换。

(8)算法终止判断：两个种群最优个体与目标函数最优解之间是否满足求解的精度，若不满足则转到步骤(2)；否则，算法终止，返回当前最优解。

作为一种优选的实施方式，所述的再利用K-均值算法进行局部寻优，以得到的最优解作为K-均值算法初始聚类中心，具体包括如下步骤：

(1)聚类中心的确定：将改进的遗传算法所得到的全局最优解作为K-均值聚类中心。