[发明专利]基于免疫多目标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，涉及图像分割的方法，可应用于目标识别。

背景技术

将智能计算技术应用于图像分割是近年来在图像分割领域的一个热门研究方向，主要包括神经网络、遗传算法、群智能算法以及人工免疫系统框架。图像分割是将一幅图像分为多个区域或对象，是图像处理中一项基本的技术。从分割结果的角度看，图像分割的过程就是给每个像素赋予一个标号，该标号反应像素在分割结果中所属的类别。在基于特征的图像分割方法中，将每个像素用其图像特征来表示，只要找到这些特征的标号，就能实现对像素的分类，从而达到图像分割的目的，因此，各种聚类算法就成了解决这个问题的方法之一。

聚类就是指在没有训练样本的情况下将一组特征分成若干个类别的过程，基于聚类的图像分割的基本思想是：将图像中的像素映射成对应的特征空间的点，如果描述不同对象差压的特征变量选择的合适，特征空间中的点就能够根据一定度量准则划分为不同的区域，映射回原图像空间，得到分割结果。

Coleman和Andrews最早将聚类方法用于图像分割，他们选用灰度值和由灰度值派生出的一些统计量作为特征变量，采用k均值方法对这些特征点进行聚类，从而得到图像的分割结果。Nguyen和Colen将图像表示成两个马尔可夫随机场的谱系结构，从每个图像块中获得一些简单的统计特征形成特征向量，然后利用FCM聚类这些块。潘云鹤将基于模拟退火的概率聚类算法用于图像分割。

上述的聚类方法在进行图像分割时，往往具有以下两个缺点：(1)评价指标单一，仅仅使用一个目标函数，即每一类内的点到其聚类中心的距离之和最小，以此来进行聚类，从而导致分割结果不够准确；(2)对初始化敏感，如果初始化时随机产生了一些适应度相对较小的解，最终产生错分割的几率就比较大。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于免疫多目标聚类的图像分割方法，使得分割结果具有更好的区域一致性，并保持图像的完整性，以提高图像分割的质量。

本发明实现对图像的分割是基于人工免疫系统AIS，AIS是一个来源于生物免疫机制的自适应系统，在AIS中，问题被当做抗原，问题的解被当做抗体，抗原与抗体、抗体与抗体的相互作用以及抗体的变异是各种AIS的基本特征。人工免疫系统具有自适应、自组织、自学习等能力，能够解决许多传统方法难以解决的复杂问题。近年来，AIS受到越来越多研究学者和工程技术人员的关注，其研究领域已经涉及机器学习、计算机安全、最优化等许多领域。其中，将人工免疫系统应用于求解多目标优化问题的研究引起了很多学者的兴趣。将聚类问题转化为对两个目标函数的优化问题，相对于单目标聚类仅仅针对最小化类内距离这一个目标，多目标聚类方法主要使用两个目标函数：最小化类内距离以及最大化类间距离；该聚类技术通过多目标优化方法同时对两个目标函数寻找最优解。值得指出的是，多目标问题的最优解不是单一的，而是一个Pareto解集，在目标空间内称为Pareto边界。

使用基于免疫多目标聚类的方法进行图像分割，相比于基于单目标聚类的图像分割能够获得更准确的分割结果，可以克服传统分割方法区域的一致性差、边界凌乱、分割结果不够准确的缺点，从而提高图像分割的质量。

本发明的技术方案是：将图像分割问题看成是多目标聚类问题，对图像进行特征提取，将提取出的图像特征作为待聚类的数据，用结合局部搜索的免疫多目标优化方法对数据进行多目标聚类，得到一组近似Pareto解，最后根据PBM指标从一组解中选出最优解作为分类结果，达到图像分割的目的。具体实现步骤如下：

(1)对待分割图像进行特征提取，并利用控制标记符的分水岭方法对图像进行初分割，根据初分割结果，计算特征均值，得到待聚类的数据样本；

(2)设定最大迭代次数T为30，当前迭代次数t＝0，抗体群B₀的规模n_d为50，克隆种群规模n_c为50，活性种群规模n_a为20，聚类类别数K，K的大小根据待分割图像确定；将优势种群、活性种群以及克隆种群分别初始化为从待聚类的数据中随机选择K个样本作为抗体群的一个个体，进行n_d次上述操作，得到大小为n_d的抗体群B₀。

(3)对抗体群B_t进行如下优化，得到一个近似Pareto解集；

(3.1)分别计算抗体群B_t中每个抗体的两个目标函数值，该两个目标函数为：