[发明专利]基于免疫密母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，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，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。

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：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，映射回原图像空间，得到分割结果。

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即灰度、纹理、颜色进行聚类的过程，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。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、密母聚类等。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

本发明的目的在于针对上述已有技术的不足，提出一种基于免疫密母聚类的图像分割方法，将免疫克隆选择理论与密母理论相结合，充分利用二者的优点，提高对纹理图像和SAR图像的分割效果。

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)输入一幅待分割图像；

(2)提取待分割图像的纹理特征，用灰度共生矩阵方法提取图像的前12维纹理特征向量，用小波分解方法提取图像的后10维纹理特征向量，得到N个D维的纹理特征向量，其中N为图像的像素个数，D为用灰度共生矩阵方法与小波分解方法提取待分割图像的纹理特征向量维数之和；

(3)对待分割图像进行分水岭预分割，得到N1个不重叠的区域块，对每一个区域块所包含像素点的纹理特征向量取平均值，得到N1个D维的纹理特征向量，作为聚类的输入数据样本，N1为分水岭分割块数；

(4)将第一个种群a分为两部分进行初始化：

4a)根据最小生成树MST原理生成第一部分种群a1；

4b)随机产生第二部分种群a2，每个个体基因位上的值是1到K之间的随机数，K为待分割图像的分类数；

(5)对第一个种群a中的个体按照如下公式计算适应度值：