[发明专利]基于改进多目标和声搜索算法的交通图像分割方法

摘要

本发明公开了基于改进多目标和声搜索算法的交通图像分割方法，主要解决现有交通图像分割技术中评价指标单一、抗噪声能力弱、分割准确率不高、需人为确定图像分割类别数的问题。其实现步骤主要包括：读入灰度图像，统计灰度直方图；初始化和声记忆库；产生一群新解，个数等于和声记忆库大小；更新和声记忆库；判断是否满足终止条件；根据PBM评价指标，从和声记忆库中选取最优聚类中心；根据最优聚类中心，对图像中各像素分类，得到分割结果。本发明与现有交通图像分割技术相比，评价指标多元化，分割准确率高，抗噪声能力强，能自动确定图像中的分割类别数，可用于对交通图像的分割。

主权项

一种基于改进多目标和声搜索算法的交通图像分割方法，其特征在于包括有如下步骤：(1)输入待分割灰度图像I，统计图像I的灰度直方图GH＝{h_l,l＝0,1,...,255}，h_l为灰度级l的像素点出现的次数，设置迭代计数器t，初始值为1；(2)初始化和声记忆库：(2a)随机初始化和声记忆库HM中的和声X_i所表示的聚类中心的分割类别数K_i，i＝1,...,HMS，HMS为和声记忆库大小，K_i∈[K_min,K_max]，K_i为整数，K_min为图像I最小分割类别数，K_max为最大分割类别数；(2b)根据图像I中像素灰度值范围，随机生成分割类别数为K_i的聚类中心C_i，C_i＝{c_k＝Lb+(Ub‑Lb)*r，k＝1,...,K_i}，c_k为第k类的聚类中心，Lb、Ub分别是图像I中所有像素值中的最小值、最大值，r是随机产生的一个0到1之间的实数；(2c)将每个聚类中心C_i随机编排到对应和声X_i中，X_i是一个K_max维向量；(2d)找出HM中每个和声X_i中所有值不等于NOTcenter的分量作为该和声所表示的聚类中心C_i，评估聚类中心C_i的三个适应度函数值f₁，f₂，f₃，并将这三个适应度函数值作为对应和声X_i的适应度值；(3)生成一个新解：(3a)即兴创作一个和声新创作的和声中的每一个变量都是经过以下三种机理产生，即保留和声记忆库中分量，音调微调，随机选择音调，n＝K_max，该过程描述为：其中r₁、r₂均为随机产生的0到1之间的实数，HMCR、PAR、bw分别为和声忆库保留概率、音调调节概率、音调调节步长；(3b)对新产生的和声X^new执行变异操作，生成变异后的解向量X^mut；(3c)对解向量X^mut执行随机操作，生成解向量X^rand；(3d)按照步骤(2d)的方式，评估新生成的解向量X^rand的三个适应度函数值f₁，f₂，f₃；(4)重复步骤(3)，直到生成HMS个新解；(5)将新生成的HMS个解与和声记忆库HM中的解组合在一起，形成一个具有2×HMS个解的组合和声记忆库，并根据各个解的适应度函数值，采用NSGA‑II中的快速非支配排序策略，对组合和声记忆库中所有的解进行排序；(6)删除HM中原有的和声，根据NSGA‑II中拥挤比较操作，从组合和声记忆库中选取最优的HMS个解保存到和声记忆库HM中，形成新的和声记忆库HM；(7)判断当前迭代次数t是否大于最大迭代次数t_max，如果满足该条件，则执行步骤(8)，否则返回步骤(3)，t＝t+1；(8)从迭代结束后得到的和声记忆库中找出每个和声中所有值不等于NOTcenter的分量作为该和声所表示的聚类中心，计算其聚类有效性指标PBM值，选取PBM值最大的对应的聚类中心作为最优聚类中心；(9)计算图像I各像素的灰度值与最优聚类中心的欧式距离，把该像素划分到距离它的欧氏距离最小的聚类中心的类别中，得到每一个像素所属的类别，从而得到灰度图像的分类结果。