[发明专利]基于多目标智能体进化聚类算法的图像分割方法

摘要

本发明公开了一种基于多目标智能体进化聚类算法的图像分割方法，主要解决图像分割技术中容易陷入局部最优、算法鲁棒性不高问题。将图像分割问题转化为一个全局优化聚类问题。过程包括：提取待分割图像像素点灰度信息；参数初始化并建立图像智能体网格；计算图像智能体的能量，进行非支配排序；进行邻域竞争操作；进行高斯变异操作；计算图像智能体的能量，非支配排序；进行自学习操作，根据拥挤距离选出最优聚类结果，输出聚类标签；实现图像分割。本发明将图像处理过程多目标化，不仅收敛效果好，而且增强了方法的鲁棒性，能改善图像分割的质量和增强分割效果的稳定性，有利于图像目标的提取、识别以及其它一些后续处理。

主权项

一种基于多目标智能体进化聚类算法的图像分割方法，其特征在于，包括有如下步骤：步骤1输入待分割图像，提取待分割图像的灰度信息，灰度信息标记为data；步骤2设定初始聚类数目c和迭代上限次数T，对图像灰度信息进行聚类原型的随机初始化，每一种灰度信息的聚类原型作为一个图像智能体，则对于图像智能体L_y，L的下标y是指图像智能体的编号，y＝1,2,…,L_size×L_size，L_y＝{e_p}，e_p是图像智能体L_y中的元素，p是图像智能体中元素下标，1≤p≤c，设定图像智能体生存网格L^t大小为L_size×L_size，竞争概率为P₀，变异概率为P_m，令当前进化代数t＝0；步骤3计算图像智能体L_y的能量ErengyL_y＝(E₁,E₂)，L的下标y是指图像智能体的编号，y＝1,2,…,L_size×L_size，能量ErengyL_y包括能量1分量L_y(E₁)和能量2分量L_y(E₂)；步骤4根据所有图像智能体的能量值，对图像智能体网格L^t中图像智能体L_y进行非支配排序操作，令不受任何其它图像智能体支配的图像智能体为第一层，保存到集合level1中，令其余所有图像智能体保存到集合level2中；步骤5将邻域竞争算子依次作用在集合level2中的图像智能体上，并将得到的新的图像智能体与集合level1中的图像智能体合并共同组成新的图像智能体网格L^t+1/2；步骤6主动产生一个0到1的随机数R(0,1)，将变异概率P_m与R(0,1)相比较，若变异概率p_m大于R(0,1)，则将高斯变异算子依次作用在图像智能体网格L^t+1/2中的智能体上，得到下一代图像智能体网格L^t+1；步骤7对下一代图像智能体网格L^t+1中图像智能体执行步骤3到步骤4，得到一组非支配图像智能体L_a，a是指非支配图像智能体的编号，a＝1,2,...,A，1≤A≤L_size×L_size；步骤8对非支配图像智能体L_a依次进行自学习算子操作，得到第二代非支配解集，包含第二代非支配图像智能体L_b，b是指第二代非支配图像智能体的编号，b＝1,2,...,A，1≤A≤L_size×L_size；步骤9判断迭代是否结束：若进化代数t不小于终止代数T，跳转步骤10，若进化代数t小于终止代数T，t＝t+1,返回步骤3；步骤10根据步骤8中得到的第二代非支配图像智能体L_b，依次计算各图像智能体的拥挤距离dis，$\mathrm{dis}\left(L_b\right)=\sqrt{{(L_{b-1}\left(E_1\right)-L_{b+1}\left(E_1\right))}^2+{(L_{b-1}\left(E_2\right)-L_{b+1}\left(E_2\right))}^2}$式中，b＝1，2,3,…,A，对拥挤距离按照最大拥挤距离原则选出最优图像智能体L_Best并输出该图像智能体对应的最优聚类标签；步骤11依据最优聚类标签对输入图像进行像素分类，将同类像素点作为一个像素块，所有的像素块组成分割图像，输出输入图像的分割结果。