[发明专利]基于迭代自组织和多智能体遗传聚类算法的图像分割方法

摘要

本发明公开了一种基于迭代自组织和多智能体遗传聚类算法的图像分割方法，主要解决现有技术中分割结果过分依赖初始参数、容易陷入局部最优的问题。其分割步骤为：1)提取待分割图像的灰度信息；2)将迭代自组织算法ISODATA算法思想作用到待分割图像上，获得最优聚类数目；3)根据最优聚类数目，利用多智能体的算法框架对待分割图像进行聚类，获得最优聚类标签；4)根据最优聚类标签，对待分割图像像素分类，实现图像分割。本发明不需明确确定聚类数目，且收敛效果好，容易得到全局最优值，能够改善图像分割的质量、增强了分割结果的稳定性，可用于图像目标的提取和识别以及其它后续处理。

主权项

一种基于迭代自组织和多智能体遗传聚类算法的图像分割方法，包括如下步骤：(1)输入待分割图像，提取待分割图像的灰度信息，标记为data；(2)对数据data进行迭代自组织处理，输出最优聚类数目c：(2a)令聚类数目为c₀，最大迭代次数为T₀，最大类内标准差为θ_s，最小聚类中心距离为θ_c，随机初始化聚类原型，令迭代次数t＝0；(2b)利用下式修正聚类原型的各聚类中心$z_j=\frac{1}{N_j}\underset{x\&Element;S_j}{\&Sigma;}x,j=1,2,...,c_0;$式中，z_j为第j类聚类集聚类中心，N_j为第j类聚类集中的像素点数目，S_j为第j类聚类集，x为第j类内的对应数据值，c₀为聚类数目；(2c)计算聚类原型中的总类内平均距离以及第j类聚类集的类内平均距离和类内标准差d_j，其中j＝1,2,...,c₀；(2d)将类内标准差d_j与最大类内标准差θ_s进行比较，如果d_j>θ_s且则执行步骤(2e)，否则跳转步骤(2f)；(2e)将S_j平均分成两个新的聚类集，更新聚类数目c₀，返回步骤(2b)；(2f)计算聚类原型中第j个聚类集S_j和第j+1个聚类集S_j+1的聚类中心的距离D_j,j+1；并将其与最小聚类中心距离θ_c相比较，如果D_j,j+1<θ_c则执行步骤(2g)，否则，跳转步骤(2h)；(2g)将所述的两个聚类集S_j和S_j+1合并成一个聚类集，更新聚类数目c₀，返回步骤(2b)；(2h)将迭代次数t与最大迭代次数T₀相比较，如果t＝T₀，输出最优聚类数目c＝c₀,终止迭代操作，否则令t＝t+1，返回步骤(2b)；(3)根据最优聚类数目c，应用多智能体遗传聚类算法，对图像灰度信息数据data进行聚类，输出最优聚类标签：(3a)随机初始化聚类原型，每个聚类原型作为一个智能体，确定智能体种群大小,最大进化代数T，竞争概率为P₀，变异概率为p_m，令进化代数t＝0；(3b)利用如下公式计算种群中智能体的能量Energy(V)：$Energy\left(V\right)=\frac{1}{\underset{j=1}{\overset{c}{\&Sigma;}}\underset{x\&Element;S_j}{\&Sigma;}|x-z_j{|}^2}$式中V表示种群中的单个智能体，c为最优聚类数目，S_j为第j类聚类集，x为聚类集S_j内像素点的灰度值，z_j为对应聚类中心；(3c)根据种群中智能体的能量Energy(V)，将邻域竞争算子作用在智能体网格L^t中的每个智能体上，获得智能体网格L^t+1/2，所述邻域竞争算子，是指按如下两种策略之一产生一个新的智能体策略1：按下式产生新智能体其中p＝1,2,…,c，e_p为中的元素，x_p为智能体网格中智能体元素数值的下界，为智能体网格中智能体元素数值的上界，m_p为智能体中位于p处的值，l_p为智能体L_ii,jj中位于p处的值，c为聚类数目，R(‑1,1)为‑1到+1之间的随机数；策略2，按如下步骤产生新智能体第一步，按下式将中所有元素m_p映射到区间[0,1]上，得到新的元素:用这些元素构成中间智能体$L_{ii,jj}^{{\mathrm{new}}^{\&prime;}}=(m_1^{\&prime;},m_2^{\&prime;},...,m_{i_1-1}^{\&prime;},m_{i_2-1}^{\&prime;},...,m_{i_1+1}^{\&prime;},m_{i_1}^{\&prime;},m_{i_2+1}^{\&prime;},m_{i_2+2}^{\&prime;},...,m_p^{\&prime;}),$其中p＝1,2,…,c，1<i₁<c，1<i₂<c，i₁<i₂，c为最优聚类数目，m_p为智能体中位于p处的值，x_p为智能体网格中智能体元素数值的下界，为智能体网格中智能体元素数值的上界；第二步，根据下式将智能体映射回区间上，得到新智能体$e_p={\underset{\&OverBar;}{x}}_p+m_p^{\&prime;}({\stackrel{\&OverBar;}{x}}_p-{\underset{\&OverBar;}{x}}_p),p=1,2,...,c$e_p为中的元素，x_p为智能体网格中智能体元素数值的下界，为智能体网格中智能体元素数值的上界，c为聚类数目；所述的两种不同策略根据竞争概率P₀进行选择：首先，产生0到1之间的随机数R(0,1)；其次，令R(0,1)与竞争概率P₀相比较，如果R(0,1)>P₀，则选择策略1，否则，选择策略2；(3d)设R(0,1)是0到1之间的随机数，如果R(0,1)小于变异概率p_m，将高斯变异算子作用在智能体网格L^t+1/2中的智能体上，得到下一代智能体网格L^t+1；(3e)从下一代智能体网格L^t+1中找到能量最大的智能体CBest^t+1，将自学习算子作用在该智能体CBest^t+1上，更新智能体网格得到更新后的智能体网格L^t+1，检查当前代数t是否达到最大进化代数T，如果t＝T，输出最优聚类标签并停止，否则，t←t+1返回步骤(3b)；(4)根据最优聚类标签，对输入的待分割图像的像素点进行分类，将每一类像素点作为一个图像块，得到分割图像。