[发明专利]基于免疫克隆和模糊核聚类的图像分割方法

摘要

本发明公开了一种基于免疫克隆和模糊核聚类的图像分割方法，主要解决模糊C均值聚类方法对初始聚类中心敏感，易陷局部最优，分割正确率低等技术问题。实现步骤是读入一副图像，测图像大小，并转化为灰度图像；设置模糊核聚类方法参数；用可自动调节参数的非局部均值滤波方法对灰度图像滤波得到滤波后图像；利用免疫克隆方法对输入图像的灰度图像优化得到初始聚类中心；用带有滤波的隶属度矩阵公式得到最终隶属度矩阵uki，用带有滤波的聚类中心公式得到最终聚类中心值v2；去模糊化输出分割后图像。本发明具有不会陷于局部最优，分割准确率高和鲁棒性好的优点，可用于人工合成图像，医学图像和自然图像等各种图像的分割。

主权项

一种基于免疫克隆和模糊核聚类的图像分割方法，其特征在于，包括有以下步骤步骤1读入一幅图像，测量图像的大小，将其转化为灰度图像，得到图像的像素点组成的矩阵I＝{x1,x2,...,xn}；步骤2模糊聚类方法的参数设置设置模糊聚类方法的聚类中心总数目c＝4,终止条件e＝0.01,模糊参数m＝2和最大迭代次数T＝500，滤波后的图像项的控制参数α＝5.5；步骤3对灰度图像利用自动调节滤波参数的非局部均值滤波方法得到滤波后图像步骤4利用免疫克隆方法对输入的灰度图像的所有像素点进行优化，得到最优的灰度图像的聚类中心v1，该聚类中心为更新前聚类中心，共有c个值；步骤5首先利用带有滤波的隶属度矩阵公式对输入的灰度图像优化得到所有像素点的最终隶属度矩阵uki，接着用带有滤波的聚类中心公式对输入的灰度图像优化得到最终聚类中心值v2，具体过程包括：5a)设置初始迭代次数counter＝1，用带有滤波的隶属度矩阵公式计算图像的隶属度矩阵，计算中涉及到的聚类中心为聚类中心v1；5b)用带有滤波的聚类中心公式计算图像的聚类中心v2，完成对聚类中心的一次更新，计算中涉及到的隶属度矩阵为步骤5a)得到的隶属度矩阵；5c)更新后聚类中心v2和更新前聚类中心v1之差用于判断聚类中心更新是否终止，由于聚类中心中共有c个值，只要c个差值中有一个满足终止条件即可，终止条件是：v2和v1之差小于等于e或者达到最大迭代次数T，若不满足，则令counter＝counter+1，将聚类中心v2赋给v1，转到步骤5a)；若满足，则输出最终隶属度矩阵uki和最终聚类中心v2，执行步骤6；步骤6利用得到的最终隶属度矩阵uki和最终聚类中心v2产生分割图像，该 图像是输入图像的最终分割结果图，具体步骤包括：6a)从最终隶属度矩阵uki中找出输入图像中的每一个像素点所对应的最大隶属度值,并给该像素点标记上最大隶属度值在隶属度矩阵中的位置作为类标号；6b)将步骤5得到的最终聚类中心v2中的每一聚类的聚类中心值作为每一类类标号对应的灰度值；6c)将具有相同灰度值的像素点划分成同一聚类，作为待分割图像的一类；6d)显示待分割图像的每一类，产生分割图像。