[发明专利]基于改进多目标粒子群优化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，特别是涉及基于改进多目标粒子群优化聚类的图像分割方法，可应用于目标识别。

背景技术

图像分割作为一种重要的图像处理技术，在理论研究和实际应用中都得到了人们的广泛重视。为后续工作有效进行而将图像划分为若干个有意义的区域的技术称为图像分割。图像分割是后续工作有效进行的关键，从图像处理到图像分析的关键步骤。目前,从分割操作策略上讲,可以分为基于边界的方法，基于区域生成的分割方法，基于聚类的分割方法等。目前，人们更多采用基于进化聚类的方法来进行图像分割。进化聚类图像分割算法主要是进化计算与聚类技术相结合应用到图像分割上的算法，主要的核心是进化聚类算法的研究。在现有的聚类方法中,通常把基于目标函数的聚类问题归结为一个优化问题，再结合进化计算对聚类问题进行智能优化。随着多目标技术的发展，出现了多目标进化聚类技术，基于多目标进化聚类方法的优点在于它可以获得在多个目标函数间权衡的聚类结果。

现有的多目标进化算法中，多目标粒子群算法是一种崭新的随机优化方法，具有程序实现简单、控制参数少的特点，所以得到了广泛应用。在现有的进化聚类图像分割算法中，单目标聚类图像分割算法存在评价单一，细节保持不好等缺点，而在现有的多目标进化聚类图像分割技术中，缺乏种群的多样性，造成分割不理想，分割正确率低，计算复杂度高等缺点。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于改进多目标粒子群优化聚类的图像分割方法，本发明选取了两个互补的目标函数，将分解的理论融入到多目标粒子群优化算法中，改善现有方法的目标函数单一性和边缘细节保持不理想等缺点。

基于改进多目标粒子群优化聚类的图像分割方法，包括如下步骤：

(1)输入待分割图像，提取待分割图像的特征，并计算该待分割图像的梯度，得到梯度图像，对梯度图像进行分水岭分割，得到N个互不重叠的区域，N≥1000；

(2)对每个区域中所有像素点特征取均值，获得每一个区域的特征向量，作为初始聚类数据点集合W＝{w₁,w₂…w_N}；

(3)利用初始聚类数据点集合，随机初始化大小为M的种群:

(3a)随机初始化各粒子的位置X＝{x₁,x₂…x_M}、速度V＝{v₁,v₂…v_M}，每个粒子的位置x_m代表一种分割结果，m＝1,2,…M，M＝50；

(3b)将各粒子的当前位置作为各粒子的最优位置；

(4)根据每个粒子的位置计算每个粒子的目标函数值F，F＝[f₁ f₂]，其中，f₁为类内方差，f₂为类间连接；

(5)根据各粒子的位置和目标函数值初始化leader粒子库和外部粒子库；

(6)根据目标函数值初始化理想点Z^*，Z^*＝[Z₁ Z₂]，其中Z₁为第一个目标函数f₁到目前为止找到的最小值，其中Z₂为第二个目标函数f₂到目前为止找到的最小值；

(7)根据各粒子的目标函数值标准化各粒子的目标函数值，并计算各粒子的聚合值；

(8)升级各个粒子的速度和位置；升级公式按如下进行：

其中，表示t+1代第i个粒子的速度，表示t代第i个粒子的速度，表示t代第i个粒子的位置；表示t+1代第i个粒子的位置，表示t代第i个粒子的最好位置，表示t代leader粒子库中的粒子；

(9)对每个新粒子进行评价，即对新粒子计算每个目标函数的值；

(10)根据每个目标函数的值，升级种群的理想点；

(11)根据每个粒子的目标函数值计算每个粒子的聚合函数值；

(12)根据每个粒子的聚合函数的值的大小升级每个粒子的最优位置：如果新粒子的聚合函数值比粒子最优位置的聚合值小，则用新粒子的位置代替粒子的最优位置，否则粒子最优位置不变；

(13)升级leaders粒子库和外部粒子库；