專利名稱：基于多智能體遺傳聚類算法的圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及圖像分割方法，可用于模式識別和計(jì)算機(jī)視 覺等領(lǐng)域。
背景技術(shù)：
圖像分割是后續(xù)圖像分析和圖像理解的基礎(chǔ)，在實(shí)際中有著非常廣泛的應(yīng)用，例 如對圖像目標(biāo)的提取、測量都離不開圖像分割，分割的準(zhǔn)確性直接影響后續(xù)任務(wù)的有效性， 因此具有十分重要的意義。圖像分割又是一種特殊的圖像處理技術(shù)，其實(shí)質(zhì)是一個(gè)按照像素屬性即灰度、紋 理、顏色進(jìn)行分類的過程。聚類是無監(jiān)督分類的一種，被廣泛地應(yīng)用于工程、生物、計(jì)算機(jī)視覺和遙感等領(lǐng) 域。聚類是將一組分布未知的數(shù)據(jù)進(jìn)行分類，盡可能地使得同一類中的數(shù)據(jù)具有相同的性 質(zhì)，而不同類的數(shù)據(jù)其性質(zhì)各異，其目的是尋找隱藏在數(shù)據(jù)中的結(jié)構(gòu)?；诖?，許多聚類算法被應(yīng)用于圖像分割領(lǐng)域并取得了較為滿意的效果。但由于 圖像數(shù)據(jù)的特殊性，并不是所有的聚類算法都能直接應(yīng)用于圖像分割，有的算法需要改進(jìn)， 有的算法根本不適合這個(gè)領(lǐng)域。幾種常用的聚類技術(shù)包括分層聚類算法，最近鄰域聚類 算法，模糊聚類算法，人工神經(jīng)網(wǎng)絡(luò)聚類算法，遺傳聚類算法。其中，經(jīng)常被用于圖像分割的 典型的聚類算法是模糊C均值FCM算法。但這種FCM算法的缺點(diǎn)是對初始值敏感及對噪 聲數(shù)據(jù)敏感，容易陷入局部最優(yōu)。為解決這類問題，許多研究人員提出采用遺傳算法與FCM 結(jié)合，得到了比較滿意的結(jié)果，例如國內(nèi)的高新波教授在其著作《模糊聚類分析及其應(yīng)用》 (西安電子科技大學(xué)出版社，2004年出版)中曾對此做過大量的研究，但由于傳統(tǒng)遺傳算法 全局進(jìn)化機(jī)理的局限，使得這種遺傳算法與FCM結(jié)合后的方法GA-FCM仍然具有收斂速度慢 和容易陷入局部極值等缺陷，導(dǎo)致圖像分割質(zhì)量的下降和分割效果穩(wěn)定性的降低。另外，前 面所述的FCM以及遺傳算法與FCM結(jié)合后的方法在分割圖像時(shí)利用的是圖像灰度直方圖特 征，二者均沒有充分的考慮圖像像素的空間信息，因此圖像分割質(zhì)量容易受到圖像中噪聲 的影響，不利于后續(xù)的圖像分析和理解。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于多智能體遺傳聚類算 法的圖像分割方法，以充分考慮圖像像素的空間信息，抑制噪聲對圖像分割的影響，改善了 圖像分割效果。為實(shí)現(xiàn)上述目的，本發(fā)明包括以下步驟(1)輸入待分割圖像，(2)提取待分割圖像的二維灰度信息(2a)對待處理的當(dāng)前像素點(diǎn)(0ι，σ2)，選取該點(diǎn)3X3鄰域內(nèi)各點(diǎn)值的中值代替 (σι; ο2)，將此均值作為二維灰度信息的第一維；
(2b)對待處理的當(dāng)前像素點(diǎn)(O1, 02)，選取該點(diǎn)(5X5)鄰域內(nèi)各點(diǎn)的均值代替 (σι; o2)，將此均值作為二維灰度信息的第二維；(3)應(yīng)用多智能體遺傳聚類算法對圖像二維灰度信息進(jìn)行聚類(3a)確定聚類數(shù)目c和模糊權(quán)重m，隨機(jī)初始化聚類原型，每個(gè)聚類原型代表一個(gè) 智能體，確定種群大小，令進(jìn)化代數(shù)t = O ；(3b)利用如下隸屬度公式對隸屬度進(jìn)行更新
權(quán)利要求
一種基于多智能體遺傳聚類算法的圖像分割方法，包括(1)輸入待分割圖像，(2)提取待分割圖像的二維灰度信息(2a)對待處理的當(dāng)前像素點(diǎn)(σ1，σ2)，選取該點(diǎn)3×3鄰域內(nèi)各點(diǎn)值的中值代替(σ1，σ2)，將此均值作為二維灰度信息的第一維；(2b)對待處理的當(dāng)前像素點(diǎn)(σ1，σ2)，選取該點(diǎn)(5×5)鄰域內(nèi)各點(diǎn)的均值代替(σ1，σ2)，將此均值作為二維灰度信息的第二維；(3)應(yīng)用多智能體遺傳聚類算法對圖像二維灰度信息進(jìn)行聚類(3a)確定聚類數(shù)目c和模糊權(quán)重m，隨機(jī)初始化聚類原型，每個(gè)聚類原型代表一個(gè)智能體，確定種群大小，令進(jìn)化代數(shù)t＝0；(3b)利用如下隸屬度公式對隸屬度進(jìn)行更新 <mrow><msub> <mi>u</mi> <mi>ik</mi></msub><mo>=</mo><mfrac> <mn>1</mn> <mrow><msubsup> <mi>&Sigma;</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>c</mi></msubsup><msup> <mrow><mo>(</mo><mfrac> <mrow><mo>|</mo><mo>|</mo><msub> <mi>x</mi> <mi>k</mi></msub><mo>-</mo><msub> <mi>v</mi> <mi>i</mi></msub><mo>|</mo><mo>|</mo> </mrow> <mrow><mo>|</mo><mo>|</mo><msub> <mi>x</mi> <mi>k</mi></msub><mo>-</mo><msub> <mi>v</mi> <mi>j</mi></msub><mo>|</mo><mo>|</mo> </mrow></mfrac><mo>)</mo> </mrow> <mrow><mn>2</mn><mo>/</mo><mrow> <mo>(</mo> <mi>m</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow></msup> </mrow></mfrac><mo>,</mo> </mrow>其中i和j表示聚類類別，v為聚類中心，vi表示第i類的聚類中心，vj表示第j類的聚類中心，k表示當(dāng)前待聚類數(shù)據(jù)的標(biāo)號，uik表示第k個(gè)待聚類數(shù)據(jù)隸屬于第i類的隸屬度，x為待聚類的圖像二維灰度信息，xk表示待聚類的圖像二維灰度信息的第k個(gè)數(shù)據(jù)；(3c)利用如下公式計(jì)算種群中智能體的能量Energy(V) <mrow><mi>Energy</mi><mrow> <mo>(</mo> <mi>V</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <mrow><munderover> <mi>&Sigma;</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>c</mi></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>k</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><msubsup> <mi>u</mi> <mi>ik</mi> <mi>m</mi></msubsup><msup> <mrow><mo>|</mo><mo>|</mo><msub> <mi>x</mi> <mi>k</mi></msub><mo>-</mo><msub> <mi>v</mi> <mi>i</mi></msub><mo>|</mo><mo>|</mo> </mrow> <mn>2</mn></msup><mo>+</mo><mi>&zeta;</mi> </mrow></mfrac><mo>,</mo> </mrow>其中V表示種群中的智能體，n為待聚類圖像二維灰度信息的數(shù)目，ζ為常數(shù)；(3d)根據(jù)(3c)中計(jì)算的種群中智能體的能量，將領(lǐng)域競爭算子作用在智能體網(wǎng)格Lt中的每個(gè)智能體上，獲得智能體網(wǎng)格Lt+1/3；(3e)設(shè)R(0，1)是0到1之間的隨機(jī)數(shù)，如果R(0，1)小于領(lǐng)域正交交叉操作概率Pc，將領(lǐng)域正交交叉算子作用在智能體網(wǎng)格Lt+1/3中的智能體上，產(chǎn)生新的智能體網(wǎng)格Lt+2/3；如果R(0，1)小于高斯變異算子操作概率Pm，將變異算子作用在新的智能體網(wǎng)格Lt+2/3中的智能體上，得到下一代智能體網(wǎng)格Lt+1；(3f)從下一代智能體網(wǎng)格Lt+1中找到能量最大的智能體CBestt+1，將自學(xué)習(xí)算子作用在該智能體CBestt+1上，如果滿足Energy(CBestt+1)＞Energy(Bestt)，則Bestt+1←CBestt+1，否則，Bestt+1←Bestt，CBestt+1←Bestt，其中Bestt為L0，L1，...，Lt中能量最大的智能體；(3g)如果滿足終止條件，輸出隸屬度矩陣和聚類原型并且停止，否則t←t+1轉(zhuǎn)向步驟(3b)；(3h)根據(jù)(3g)輸出的隸屬度矩陣，按最大隸屬度原則輸出聚類標(biāo)簽；(3i)根據(jù)(3h)輸出的聚類標(biāo)簽，對圖像像素進(jìn)行分類，實(shí)現(xiàn)圖像分割，并輸出分割后的圖像。
2.根據(jù)權(quán)利要求1所述的基于多智能體遺傳聚類算法的圖像分割方法，其中步驟(3d) 所述的智能體網(wǎng)格，大小定義為LsizeXLsize，其中，Lsize為整數(shù)，每個(gè)智能體固定在一個(gè)格點(diǎn)上，記處于第i行、第j列的智能體為Liij，i，j = 1,2, A，Lsize，，則智能體Liij的鄰域?yàn)閖neighbors _ ( T T T T / J.- 1 / J. ‘ · - / J. ■! - / J. “ · - / J. -H ι其中i = l' \Lslze J = 1' I 1 1 = L,Ze ' I 1 j = Lst:
3.根據(jù)權(quán)利要求1所述的基于多智能體遺傳聚類算法的圖像分割方法，其中步驟(3d) 所述的鄰域競爭算子，是按如下兩種策略產(chǎn)生的新智能體 在策略ι中，按下式產(chǎn)生新智能體^e^ =χ.(m +i (-l,l)x(m -/ ))<χ—pq'v PI vy Pi Pi'' —pq'χ pi,(mpq + 1) x (mpq - Ipq)) > xpq, = l,2,...,c.其中，eMmpq+R(-^1) x^fq-1PqIotherwise,q = \,2,...,s.為^中的元素，xM為初始智能體網(wǎng)格中智能體數(shù)值的下界，為初始智能體網(wǎng)格中智能 體數(shù)值的上界，mM為鄰域能量最大的智能體^丨了中位于(p，q)處的值，Im為智能體Liij中 位于(P，q)處的值，c為聚類數(shù)目，s為圖像二維灰度信息維數(shù)，R(_l，l)為-1到+1之間的 隨機(jī)數(shù)；在策略2中，按下式產(chǎn)生新智能體^w :首先，按下式將^ Γ中元素mM映射到區(qū)間W，l]上，得到新的元素m' pq, mPCl-^pq 尸=1,2,…，c.mVd =Xpq — ^pq ？ — 1, 2, ..., S.new'然后，根據(jù)下式確定映射區(qū)間
上的智能體A _p = l，2，K，c，l<i1<s，l<i2<s，i1<i2;最后，根據(jù)下式將巧T7映射回區(qū)間[χΜ，χΜ]，得到新智能體= {^JePqρ = 1, 2,, c, q = 1, 2,, So
4.根據(jù)權(quán)利要求1所述的基于多智能體遺傳聚類算法的圖像分割方法，其中(3e)所述 高斯變異算子，是通過下式產(chǎn)生一個(gè)新的變異智能體義=={<"}，mute =pqipq, Rm) <ψ P = \2,ACIpq+G(OMt), 否則， ？ = 1,2,Λ S其中，％為^7中的元素，G(0，l/t)是高斯分布的隨機(jī)數(shù)，R(0，1)是0到1之間的隨機(jī) 數(shù)，T為總進(jìn)化代數(shù)，t是當(dāng)前進(jìn)化代數(shù)。
5.根據(jù)權(quán)利要求1所述的基于多智能體遺傳聚類算法的圖像分割方法，其中步驟(3f) 所述的自學(xué)習(xí)算子，是按如下步驟產(chǎn)生一個(gè)新的智能體首先，利用智能體網(wǎng)格生成的方法產(chǎn)生一個(gè)自學(xué)習(xí)智能體網(wǎng)格sL，其大小為 SLsizeX SLsize，其上的所有智能體 SLi, ,j, , i' , j' = 1,2,..., SLsize 根據(jù)下式產(chǎn)生
全文摘要
本發(fā)明公開了一種基于多智能體遺傳聚類算法的圖像分割方法，主要解決現(xiàn)有技術(shù)對初始聚類中心敏感，收斂速度慢及容易陷入局部極值的問題。本方法將圖像的聚類分割轉(zhuǎn)化為一個(gè)全局優(yōu)化問題，其實(shí)現(xiàn)步驟為首先，提取待分割圖像像素點(diǎn)的鄰域中值和鄰域均值二維灰度信息，構(gòu)造一個(gè)新的二維直方圖；其次，將多智能體遺傳算法MAGA和模糊C均值聚類算法FCM相結(jié)合，利用多智能體遺傳算法的全局優(yōu)化能力獲得最優(yōu)聚類中心和隸屬度矩陣；根據(jù)最大隸屬度原則輸出聚類標(biāo)簽，進(jìn)而實(shí)現(xiàn)圖像分割。本方法抗噪聲能力強(qiáng)，收斂速度快，能夠改善圖像分割的質(zhì)量和分割效果的穩(wěn)定性，可用于圖像目標(biāo)的提取和識別。
文檔編號G06T7/00GK101980298SQ201010530968
公開日2011年2月23日 申請日期2010年11月4日 優(yōu)先權(quán)日2010年11月4日
發(fā)明者劉若辰, 劉靜, 李陽陽, 焦李成, 王爽, 耿久雷, 馬文萍 申請人:西安電子科技大學(xué)