[发明专利]基于遗传粗糙集C均值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，更进一步涉及图像分割技术领域的一种基于遗传粗糙集C均值的聚类分割方法(An improved generalized fuzzy c-means clustering algorithm based on GA and rough set)。本发明可用于对合成孔径雷达SAR图像和自然图像的分割以达到目标识别的目的。

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。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，该标号反映像素在分割结果中所属的类别。只要找到这些特征的标号，就能实现对像素的分类，从而得到图像分割的结果。

目前，人们更多采用聚类的方法来进行图像分割。用聚类方法分割图像是用每个图像像素的特征表示其像素，通过把该像素特征作为对象进行聚类的方法找到这些特征和其对应像素的标号，从而达到图像分割的目的。

西安电子科技大学在其申请的专利“基于空间邻域信息的FCM纹理图像分割方法”(专利申请号201010522144.5，公开号CN101976438A)中公开了一种利用空间邻域信息的FCM聚类分配像素标号的图像分割方法。该方法能保证空间信息的完整性，减少杂点，但是该方法存在的不足是，分割结果依赖于隶属度矩阵的初始化，对隶属度的选择敏感，容易陷入局部最优，导致该分割方法鲁棒性不强，降低了多次分割运行的平均准确度。

西安电子科技大学在其申请的专利“基于多智能体遗传聚类算法的图像的分割方法”(专利申请号201010530968.7，公开号CN101980298A)公开了一种利用邻域中值和邻域均值二维灰度信息进行多智能体遗传聚类分配像素标号的图像分割方法。该方法抗噪声能力强，收敛速度快，能够改善图像分割效果的稳定性，但是该方法存在的不足是只是采用了图像的邻域信息，在处理复杂图像的情况下由于过平滑而丢失过多局部信息，减弱识别图像中不显著目标的能力。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于遗传粗糙集C均值聚类的图像分割方法。本发明提取图像每个像素的纹理特征，用基于遗传算法和粗糙集思想的C均值聚类方法对该纹理特征进行标记，进而对像素进行类划分，达到图像分割的目的。

实现本发明目的的基本思路是：首先，从待分割图像中提取特征信息进行前期处理以产生聚类对象数据；然后，在聚类过程中结合遗传算法的构建种群和进化策略，用聚类方法寻找最佳的隶属度；最后，根据隶属度的值大小标记像素的标号，实现对图像的分割。

为实现上述目的，本发明具体实现步骤包括如下：

(1)输入一幅待分割图像

(2)提取图像纹理特征

2a)用小波分解方法提取待分割图像所有像素的前10维特征；

2b)用灰度共生矩阵方法提取待分割图像所有像素的后12维特征。

(3)产生聚类对象数据

3a)用分水岭方法对图像进行初分割，得到不同的图像块；

3b)对每一个图像块的所有像素点纹理特征向量取平均值，得到该块的纹理特征向量；

3c)用线性方法对所有图像块的纹理特征向量归一化，得到聚类对象数据。

(4)初始化种群

从聚类对象数据中随机选择l个数据作为初始聚类中心构建具有多样性的聚类中心种群个体，在封闭区间[1，5]内随机选择数据构建与聚类中心种群对应的η种群的个体。

(5)更新隶属度

5a)用模糊C均值FCM的方法更新模糊隶属度；

5b)用加入权重系数的可能性C均值PCM方法更新可能性隶属度，权重系数在区间(0，1)内。

(6)划分聚类对象数据

在所有的类中选择聚类对象数据总隶属度最大值对应的类作为首选类，选择聚类对象数据总隶属度次大值对应的类作为次选类，如果最大值与次大值的差大于区间(0，1)内的阈值，则该聚类对象数据划分到首选类的下近似区域，反之划分到首选类和次选类的边缘区域。

(7)更新种群

7a)用可能性C均值PCM的方法更新η种群；

7b)在(0，1)之间任选一个实数作为下近似区域系数，对下近似区域和边缘区域加权平均，更新聚类中心种群。

(8)计算个体适应度值

按照下式计算种群中的个体适应度值：

eval＝1/J