[发明专利]基于差分免疫克隆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领域，是一种涉及纹理图像及SAR图像分割的方法，可应用于目标识别。

背景技术

图像分割是图像处理中的基本技术.是按照图像的某些特性(例如灰度级、频谱、纹理等)将图像空间划分为一些区域。图像分割技术在实际中的应用非常广泛，对图像目标的提取、测量都离不开图像分割，分割的准确性直接影响后续任务的有效性，因此具有十分重要的意义。目前常用的图像分割技术主要采用阈值分割技术、边缘分割技术、区域增长分割技术等。

聚类，即无监督分类，是一种重要的数据分析方法，也是统计模式识别中非监督模式分类的一个重要分支，属于数据挖掘领域。数据挖掘是从大量的数据中抽取出潜在的、不为人知的有用信息、模式和趋势，是一个利用各种分析工具在海量数据中发现模型和数据间关系的过程，这些模型和关系可以用来做出预测。图像分割的目的在于将图像划分成互不交叠的若干个区域，要求每个区域的内部具有一致的纹理，而不同区域之间的纹理不同。图像分割的过程就是给每个像素分配一个标号，该标号反映像素在分割结果中所属的类别，对于基于图像特征的图像分割方法，图像分割的实质是一个按照像素属性(灰度、纹理、颜色等)进行聚类的过程，因此将数据挖掘中的聚类算法用于图像分割，利用对图像上的像素点进行聚类处理，可以达到图像分割的目的。其优点为：可以解决图像边缘不清晰的问题，同时聚类方法具有可发现性，可以对图像的处理力度进行控制。但由于图像数据的特殊性，并不是所有的聚类算法都能直接应用于图像分割，有的算法需要改进，有的算法根本不适合这个领域的分类；而且有的分割算法中分类思想体现的比较明显，一些则不明显，也就是说聚类算法应用于图像分割领域是有其特点的。

由于聚类分析可以解决图像分割任务中训练样本匮乏和要求无监督处理等条件的要求，于是人们很自然地想到可以讲聚类分析用于图像分割中。早在1979年Coleman和Anderews就提出用聚类算法进行图像分割。基于聚类分析的图像分割方法是图像分割领域中一类及其重要和应用相当广泛的算法，无论是灰度图像、彩色图像还是纹理图像或者SAR图像，都可以应用聚类分析方法完成分割。目前聚类分析已经成为图像分割领域中的一个强大的研究分析工具。采用聚类方法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集性对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。其中，K均值、模糊C均值聚类(FCM)等都是最常用于图像分割的聚类技术。

针对传统聚类技术本身存在的一些缺陷，例如对初始值敏感，导致分割结果不稳定等，近年来将智能信息处理技术结合聚类用于图像分割成为一个热点研究方向，主要包括遗传聚类、免疫克隆选择聚类、差分进化聚类等。在这类方法中，图像分割被表示为组合优化问题，而这些智能信息处理技术作为一种优化算法来寻找最优的图像分割结果。上述聚类技术虽然能够克服传统聚类技术对初始值和噪声敏感等缺陷，但是它们采用单一的种群进化方式及传统的更新种群操作，很容易减少种群多样性，从而陷入局部极值，严重影响图像分割结果。尽管也存在一些改进技术，例如改变交叉变异方式，增大种群规模等，但都没能从根本上解决以上问题。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于差分免疫克隆聚类的图像分割方法，将免疫克隆选择理论与差分进化理论相结合，充分利用二者的优点，通过交叉变异方式，加入正交重组机制，避免陷入局部极值情况，有效地对纹理图像和SAR图像进行分割。

实现本发明目的的技术方案是用图像的灰度共生矩阵及小波特征，反映图像信息，对这两者构成的多维特征向量进行聚类。其具体实现步骤如下：

(1)对待分割的纹理图像和SAR图像分别提取灰度共生矩阵和小波变换特征，得到N个D维的特征向量，其中N为图像的像素个数，D为灰度共生矩阵与小波特征的维数之和；

(2)对待分割图像进行分水岭预分割，将属于同一块内的像素特征取均值，得到N1个D维的特征向量，作为聚类的输入数据样本，N1为分水岭分割块数；

(3)从N1个数据样本中随机选取k个样本作为种群1的初始种群，k为图像分割的类别数；

(4)对初始种群1中个体进行编码，得到NP个D*k维的向量，NP为种群1规模，种群1中每个个体记为i＝1...NP，G＝0，为当前进化代数；

(5)对编码后的种群1中个体按照如下步骤计算适应度值；

5a)将每个个体表示为一个划分的k个聚类中心{c_i，i＝1，...k}；