[发明专利]基于同时聚类和分类的灰度图像分割方法

摘要

本发明提出了一种基于同时聚类和分类的灰度图像分割方法，主要解决现有方法很难保留图像分割中图像细节的缺点。实现步骤是：(1)读取灰度图像，并对该灰度图像的灰度值矩阵G进行阈值处理；(2)产生父代种群V(t-1)和子代种群V(t)为灰度图像的聚类中心；(3)将父代种群V(t-1)和子代种群V(t)合并，得到合并种群Vc(t)；(4)根据灰度图像的灰度值矩阵G和合并种群Vc(t)，计算聚类目标函数f1和分类目标函数f2；(5)对合并种群Vc(t)进行非一致性变异操作，得变异种群Vm(t)；(6)对变异种群Vm(t)进行NSGA-II排序；(7)对Vm(t)中个体进行重新排序，组成子代种群V(t+1)；(8)根据输出的子代种群V(t+1)和灰度图像的灰度值矩阵G，计算出灰度图像中各个像素类别，实现灰度图像的分割。本发明具有分割效率高和图像分割效果好的优点。

主权项

一种基于同时聚类和分类的灰度图像分割方法，包括如下步骤：(1)读入一幅大小为P的灰度图像，P=256×256，并对该灰度图像的灰度值矩阵G进行阈值处理；(2)随机初始化灰度图像的聚类中心并进行初始设定：(2a)设迭代次数t=1，随机产生父代种群V(t‑1)和子代种群V(t)为灰度图像的聚类中心，这两个种群的个体数均为M，M＝40；(2b)设定最大迭代次数tmax=40；(3)将父代种群V(t‑1)和子代种群V(t)合并，得到种群个体数为2M的合并种群Vc(t)；(4)根据灰度图像的灰度值矩阵G和合并种群Vc(t)，计算聚类目标函数f1和分类目标函数f2： f 1 = 2 Σ j = 1 n Σ i = 1 P ( [ 1 - T ( g i , w c , j ) ] - 1 Σ j = 1 n [ 1 - T ( g i , w c , j ) ] - 1 ) 2 [ 1 - T ( g i , w c , j ) ] , f 2 = 1 P Σ i = 1 P δ ( f ( g i ) , Q i ) , 其中，T(gi,wc,j)为高斯核函数，表示如下： T ( g i , w c , j ) = exp ( - λ | | g i - w c , j | | 2 max 1 ≤ i ≤ P | | g i - 1 P Σ i = 1 P g i | | 2 ) , 其中，gi为灰度图像的灰度值矩阵G中第i个像素的灰度值，i＝1,...,P，wc,j为合并种群Vc(t)中第q个个体Vc,q中第j个聚类中心，q＝1,2,...,2M，j＝1,...,n，n为聚类类别数，||·||2表示向量2‑范数的平方，λ设为0.05；δ(f(gi),Qi)为损失函数，表示如下： δ ( f ( g i ) , Q i ) = 1 , f ( g i ) ≠ Q i 0 , f ( g i ) = Q i , 其中，Qi为步骤(1)中得到的第i个像素的类标，f(gi)为中间变量，表示如下： f ( g i ) = max 1 ≤ x ≤ n Σ j = 1 n num ( d x ) num ( c x ) [ 1 - T ( g i , w c , j ) ] Σ j = 1 n [ 1 - T ( g i , w c , j ) ] - 1 , 其中，num(·)表示集合的元素个数，集合dx＝{i|Ri＝Qi＝x}，集合cx＝{i|Qi＝x}，x＝1，...，n，Ri为灰度图像的灰度值矩阵G中第i个像素的类别，表示公式如下：Ri＝max(u(gi,1),u(gi,2),...,u(gi,n))，其中，u(gi,α)为中间变量，表示如下： u ( g i , α ) = [ 1 - T ( g i , w α ) ] - 1 Σ α = 1 n [ 1 - T ( g i , w α ) ] - 1 , 其中，wα为父代种群V(t)中第k个个体Vk中第α个聚类中心，k＝1,2,...,M；(5)对合并种群Vc(t)进行非一致性变异操作，得到变异种群Vm(t)；(6)根据灰度图像的灰度值矩阵G和变异种群Vm(t)，按照步骤(4)计算出变异种群Vm(t)的聚类目标函数f1和分类目标函数f2，根据变异种群Vm(t)的聚类目标函数f1和分类目标函数f2对变异种群Vm(t)进行NSGA‑II排序，得到变异种群Vm(t)中第q个个体Vm,q的Pareto等级，q＝1,2,...,2M；(7)根据变异种群Vm(t)中各个个体的Pareto等级，按照从小到大的顺序对变异种群Vm(t)中个体进行重新排序，取前M个个体组成子代种群V(t+1)；(8)判断当前迭代数t是否等于最大迭代次数tmax，如果当前迭代数t等于最大迭代次数tmax，则停止循环，输出最终种群V(tmax)，执行步骤(9)；否则，令t＝t+1，循环执行步骤(3)～步骤(8)，直到满足循环结束条件，执行步骤(9)；(9)根据输出的最终种群V(tmax)和灰度图像的灰度值矩阵G，完成对灰度图像的分割：(9a)计算灰度图像的灰度值矩阵G中第i个像素的灰度值gi的类别Ri，i＝1,...,P：Ri＝max(u(gi,1),u(gi,2),...,u(gi,n))，其中，u(gi,α)为中间变量，表示如下： u ( g i , α ) = [ 1 - T ( g i , w α ) ] - 1 Σ α = 1 n [ 1 - T ( g i , w α ) ] - 1 , 其中，wα为输出的最终种群V(tmax)中第k个个体Vk中第α个聚类中心，k＝1,2,...,M，T(gi,wα)为高斯核函数，表示如下： T ( g i , w α ) = exp ( - λ | | g i - w α | | 2 max 1 ≤ i ≤ P | | g i - 1 P Σ i = 1 P g i | | 2 ) , 其中，||·||2表示向量2‑范数的平方，λ设为0.05，α＝1,...,n；(9b)根据灰度图像中第i个像素的灰度值gi的类别Ri，计算灰度图像中第i个像素的分割灰度值Hi： H i = R i × 255 n , 其中，i＝1,...,P；(9c)输出灰度图像中各个像素的分割灰度值Hi，实现灰度图像分割，i＝1,...,P。