[发明专利]基于迭代自组织和多智能体遗传聚类算法的图像分割方法

说明书

技术领域

本发明隶属于数字图像处理技术领域，涉及一种图像分割方法，可用于模式识别以及计算机视觉领域。

背景技术

图象分割是图象处理中一项关键技术，其在图像处理研究中有着非常广泛的应用，例如目标识别、目标测量都是以图像分割为基础的，图像的分割结果直接影响着后续任务的进行，因此图像分割的研究具有十分重要的意义。图像分割是一种特殊的图像处理技术，其实质上是按照图像像素属性即灰度、纹理、颜色进行分类的一个过程。现有图像分割方法中较为常用的方法包括基于聚类的图像分割方法和基于边缘提取的图像分割方法。其中，基于聚类的图像分割方法应用尤为突出，其优点是易于实现，分割效果好。基于边缘提取的图像分割方法常应用于边缘清晰，对比度明显的图像上，但是其缺点尤为明显：无法应用于复杂的自然图像分割和SAR图像分割上。

基于聚类的分割方法被广泛地应用于生物医学、计算机视觉和遥感图像处理等领域。聚类实质是将未知分布的一组数据进行分类，最大程度的使同一类别中的数据具有相同的性质，且不同类的数据具有不同的性质。

基于此，各种各样的聚类算法被应用到图像分割领域，并且取得了越来越满意的效果。但由于图像数据的特殊性与多样性，并非所有的聚类算法都可以直接应用到图像分割领域，很多算法都需要进行包装改进，甚至一部分算法根本就不适合用于进行图像分割。目前的研究中，常用的聚类技术有以下几种：分层聚类算法，最近邻域聚类算法，模糊聚类算法，人工神经网络聚类算法，遗传聚类算法。

初期，研究人员常常用于图像分割的聚类算法是分层聚类算法。这种算法的优点是简单，易于操作，但同时它也带来了很多不便，比如：依赖于初始设定的聚类种类数目、容易陷入局部最优、聚类结果不理想等等。为了解决这类问题，研究人员进行了很多尝试，有人采用遗传算法GA与聚类算法相结合，得到了比较满意的结果，但由于传统遗传算法全局进化机理的局限性，结合后的聚类方法仍然具有依赖聚类初始设定类别和容易陷入局部最优值等缺点，导致图像分割结果质量的下降和分割效果稳定性的降低，不利于后续的图像分析和处理。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于迭代自组织和多智能体遗传聚类算法的图像分割方法，以减小初始设定参数对聚类结果的影响，改善图像分割效果，增强图像分割结果的稳定性。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)输入待分割图像，提取待分割图像的灰度信息，标记为data；

(2)对数据data进行迭代自组织处理，输出最优聚类数目c：

(2a)令聚类数目为c₀，最大迭代次数为T₀，最大类内标准差为θ_s，最小聚类中心距离为θ_c，随机初始化聚类原型，令迭代次数t＝0；

(2b)利用下式修正聚类原型的各聚类中心

zj=1NjΣx∈Sjx,j=1,2,...,c0;]]>

式中，z_j为第j类聚类集聚类中心，N_j为第j类聚类集中的像素点数目，S_j为第j类聚类集，x为第j类内的对应数据值，c₀为聚类数目；

(2c)计算聚类原型中的总类内平均距离D以及第j类聚类集的类内平均距离和类内标准差d_j，其中j＝1,2,...,c₀；