[发明专利]基于免疫谱聚类的图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种图像分割方法，可用于对SAR图像处理和计算机视觉领域的图像分割。

背景技术

图像分割是图像处理和计算机视觉中基本而关键的技术之一，是指把图像分成各具特性的区域，图像中的区域是指一个互相连通的、具有一致的“有意义”属性的像元集合。在很多机器视觉和图像处理算法中，对图像特征作了简单的假设：图像局部区域的强度是均匀的，不同的区域具有不同的强度。不过也有不少实际物体的图像并不满足这一假设，例如木材的表面、头发、编织物、草地、沙滩，其图像具有强度的变化，这种变化形成了某种重复的、视觉上可以感知的“纹理”，这时图像中的不同区域是根据纹理而不是形状或强度均匀性来识别的。因此首先要提取图像的纹理特征，以获得一幅图像的特征集合，然后再对这个特征集合进行分割。

对图像的特征集合的分割可以归结为一个聚类问题。聚类就是按照一定的要求和规律对事物进行区分和分类的过程。聚类分析则是指用数学的方法研究和处理给定对象，是多元统计分析的一种，也是无监督模式识别的一个重要分支。它把一个没有类别标记的样本集按某种准则划分成若干个子集，使相似的样本尽可能归为一类，而不相似的样本尽量划分到不同的类中。聚类问题一直是机器学习和模式识别领域一个比较活跃而且极具挑战性的研究方向，近几年产生了大量的解决该问题的相关算法。现有的基于产生式模型的聚类方法由于要使用参数密度估计，不得不简化问题的模型，如假设每一类的分布是高斯分布，就使得这些算法仅在具有凸形结构的数据上有好的效果，不适于具有任意分布的复杂形式的聚类问题。其次，由于对数似然存在局部最小值，因而在获得满意聚类的同时不得不尝试几种初始结构。其它算法如基于中心的聚类算法，即代表性的有k-均值算法，在超球形分布的数据集合上有很好的性能，不适于任意形状聚类，并且利用迭代优化方法寻找最优解，不能保证收敛到全局最优解。

最近一类有效的聚类方法开始受到广泛关注。该类方法建立在谱图理论基础之上，利用数据相似矩阵的特征向量进行聚类，因而统称为谱聚类。谱聚类算法是一种基于两点间相似关系的方法，适用于非测度空间。由于该算法与数据点的维数无关，仅与数据点的个数有关，因而可以避免由特征向量的维数过高所造成的奇异性问题。谱聚类算法又是一个判别式方法，不用对数据的全局结构作假设，而是首先收集局部信息来表示两点属于同一类的可能性，然后根据某一聚类准则作全局决策，将所有数据点划分到不同的数据集合中。通常这样的准则可以在一个嵌入空间中得到解释，该嵌入空间是由数据矩阵的某几个特征向量张成的。例如NJW方法就是谱聚类中的一种对图像的分割方法，其过程是，首先提取图像的纹理特征构成特征集，再对特征集映射得到映射集，然后对映射集用k-均值聚类以获得聚类中心，最后用得到的聚类中心对图像的每一个像素点赋类别，类标表示最终的分割结果，如图1所示。

该谱方法成功的原因在于：通过特征分解，可以获得聚类准则在放松了的连续域中的全局最优解。然而这种经典的谱聚类算法在映射域中采用的是k-均值聚类，k-均值本身存在的对初始化敏感和易陷入局部最优，不易执行的缺点，因此用它进行图像分割的结果较差。

发明的内容

本发明的目的在于克服已有技术的不足，即经典谱聚类算法中采用的k-均值聚类具有对初始化敏感，易陷入局部最优的缺点，提出一种基于免疫谱聚类的图像分割方法，以实现改善图像分割效果，该方法具有识别非凸聚类的能力，且在实际应用中易于执行。

本发明的技术方案是：利用谱聚类的维数缩减特性获得数据在映射空间的分布；在此基础上，构造一种新的免疫克隆聚类用于在映射空间中对样本进行聚类，并通过谱聚类映射，在映射域中能够获得紧致聚类，具体过程如下：

(1)提取输入图像的纹理特征，并将图像中的每一个像素点用一个特征向量表示，得到图像特征集；

(2)通过谱聚类算法将图像特征集映射到一个线性测度空间，得到它的映射数据集；

(3)按照给定的图像划分类别数目，从映射数据集中随机选出相应数目的数据作为初始聚类中心，依次进行克隆、变异、选择和判决，找出与其类别数目相同的最优聚类中心；

(4)将图像特征集的所有像素点划分到离其最近的最优聚类中心中，并对每个像素点按其所在最优聚类中心的类别赋一个类标，即为图像的分割结果。

所述的步骤(3)的实现过程如下：

(3a)从映射集Y中随机选出c个数据作为初始聚类中心，并表示为：