[发明专利]一种基于人工黏菌群体智能的图像分割方法

说明书

一种基于人工黏菌群体智能的图像分割方法，所述方法包括：步骤1，进行待分割图像初始化；步骤2，进行黏菌群体参数初始化；步骤3，黏菌群体扩张寻找图像分割区域；步骤4，黏菌群体互相学习分割区域信息；步骤5，更新黏菌群体信息；步骤6，黏菌群体评估图像全局分割区域；步骤7，输出黏菌群体对图像分割结果；本发明采用黏菌群体互相学习的行为对图像进行分割，将图像分割过程描述为黏菌群体使用多个黏变形体四处寻找图像分割区域作为食物源的过程；本发明在图像分割问题求解过程中具有速度快、成本低、鲁棒性好等优势。

技术领域

本发明属于人工智能和图像处理领域，具体说是一种基于人工黏菌群体智能的图像分割方法。

背景技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割，这对图像分割提出了很高要求。

近二十年来,国内外学者提出了成百上千的图像分割算法,在这些算法中,阈值技术是最流行的技术之一。经典的阈值分割算法中,一幅图像通常根据所选择的阈值被分割为对象和背景。然而当图像结构复杂,灰度分布较广,则阈值分割效果不理想。阈值分割技术采用优化算法获得最优阈值后再进行分割,如Otsu算法虽能获得较好的分割结果,但算法中不能反映出图像像素间的空间相关信息,因此很难获得满意的分割效果。针对这一问题,Liu提出二维直方图技术,分别是像素灰度级分布及其邻域平均灰度分布,构成的直方图含有邻域空间信息,基于二维直方图的阈值分割也就是在利用图像像素间的空间相关信息上迈进了一步。Hou提出用Otsu方法获得阈值趋于得到更接近聚类的结果,这种聚类是用一幅图像中大量的像素或方差进行聚类。Hou还提出最小类内方差的方法,这种方法是基于最小化类内像素方差获得的最优阈值当图像受到外界环境的影响或噪声干扰时,这种方法就不是很可靠了。一幅图像中出现歧义性是由图像本性决定的,这种歧义性也来源与不确定性的出现。为了判定一个像素是归类为白还是黑,Huang提出定量衡量图像中呈现的模糊程度。

在基于目标函数的聚类方法中,C均值聚类算法最为常用,其中,由于FCM算法(模糊C均值算法)更加符合实际情况,且具有良好的聚类性能,因此被许多研究人员应用于图像的边缘检测但是用FCM算法进行图像边缘检测时存在对初始化敏感及容易陷入局部极小的两大缺陷。目前解决此问题的方法通常是根据一定的经验准则选取初始参数。在实际应用中,由于初始聚类中心和样本的输入次序对最终结果有重大影响,往往是用若干不同的初始聚类中心和聚类数目分别聚类,然后选择最满意的聚类作为最终结果。这种方法实验的次数和耗时往往令人难以接受,而且也不能保证全局最优。

自上世纪90年代,出现了许多模仿昆虫群体社会行为的新算法,如蚁群算法、粒子群算法、鱼群算法和蜂群算法。如何利用这些群体智能来解决聚类中的问题,也就成了研究热点。Omran等首先将粒子群优化(PSO)引入到聚类算法中,算法中为判断算法性能采用了基于量化误差的适应度衡量方法,实验结果显示基于PSO的方法明显强于k-均值方法。Cui等提出一种基于PSO的混合算法用于对文本进行分类,应用了PSO。K-均值混合PSO聚类算法对四种文本数据集进行聚类,结果显示混合PSO算法能产生更为紧凑的聚类结果和耗费时间更短。ZHANG提出用PSO方法解决带有障碍约束的空间聚类问题。该算法首先基于MAKLINK图表使用PSO算法得到最佳障碍路径,然后将PSO和K-means结合对带有障碍约束的空间数据进行聚类。该方法不仅考虑了如何获得更高的局部收敛速度和全局搜索能力，还考虑了空间数据聚类的障碍约束和实用性问题。