[发明专利]基于免疫克隆多目标优化的纹理图像分割方法

说明书

技术领域

本发明属于图像处理领域，涉及图像分割，尤其涉及一种纹理图像分割方法，可用于提取和获得纹理图像的细节信息。

背景技术

纹理图像分割是计算机视觉与图像处理中关键性的技术之一，同时在人工智能、模式识别等领域也是一研究热点。

纹理图像分割可以认为是对图像的像素进行聚类的问题，聚类是通过一定的规则将数据集中的数据点划分为在性质上相似的若干类别的过程。到目前为止，大多数基于聚类的图像分割都只优化一个目标函数，这些目标函数通常只是基于数据集的某一类特征，比如空间分离度，或者类别紧凑度。

目前最常用的图像分割算法有K-均值算法和SVM算法。K-均值算法是一种基于空间分离度的算法，该算法能对大型数据进行高效分类，但这种算法所得到的图像分割的结果很容易受到所选聚类中心的个数和其初始位置的影响，当数据集非凸时，算法得到的聚类中心很难收敛到全局最优。SVM算法是一种基于类别紧凑度的算法，算法的主要思想是根据数据集中数据点的特征信息构造分类函数从而达到图像分割的目的，SVM算法能最大化类与类之间的间隔，但该算法由于只关注数据集中数据点的信息而忽略数据点和数据点之间的内部结构的关系，从而造成图像分割正确率的损失。

发明内容

本发明的目的在于提出一种基于免疫克隆多目标优化的纹理图像分割方法，以克服现有方法只优化空间分离度或者只优化类别紧凑度所产生的不足，提高图像分割效果。

实现本发明目的技术方案，包括如下步骤：

(1)读入一幅大小为P的纹理图像，P=256×256；

(2)提取该纹理图像的特征矩阵G，G=[g₁,g₂,...,g_P]，其中，g_i为该特征矩阵中第i个特征，i＝1,...,P；

(3)产生初始抗体群并进行初始设定：

(3a)设迭代次数t=1，随机产生初始抗体群V(t)＝[V₁,V₂,...,V₄₀]，其中，抗体群V(t)中第k个抗体V_k，表示为：V_k＝[v₁,...,v_n]，k＝1,2,...,40，其中w₁,...,w_n为抗体V_k中第1到n个聚类中心，n为聚类类别数；

(3b)设定聚类类别数n和最大迭代次数tmax；

(4)根据特征矩阵G和抗体群V(t)计算聚类目标函数f₁和分类目标函数f₂；

(5)对抗体群V(t)进行免疫克隆操作得到克隆后的抗体群V_c(t)，即将抗体群V(t)中每个个体复制4倍后放入抗体群V_c(t)中，克隆后的抗体群V_c(t)定义为：

V_c(t)＝[V₁,V₁,V₁,V₁,V₂,V₂,V₂,V₂,...,V₄₀,V₄₀,V₄₀,V₄₀]；

(6)对克隆后的抗体群V_c(t)进行非一致性变异操作，得到非一致变异后的抗体群V_m(t)；

(7)根据步骤(5)中得出的非一致变异后的抗体群V_m(t)进行种群更新操作，得到更新后的抗体群V_m(t+1)，即按照步骤(4)根据特征矩阵G和非一致性变异后的抗体群V_m(t)计算聚类目标函数f₁和分类目标函数f₂，从抗体群V_m(t)中选出40个聚类目标函数f₁和分类目标函数f₂同时最小的抗体，组成更新后的抗体群V(t+1)；

(8)判断当前迭代数t是否等于最大迭代次数tmax，如果当前迭代数t等于最大迭代次数tmax，则停止循环，输出抗体群V(t_max)，执行步骤(9)；否则循环执行步骤(4)～步骤(8)，直到满足循环结束条件；