[发明专利]基于差分免疫克隆聚类的图像分割方法

摘要

本发明公开了一种基于差分免疫克隆聚类的图像分割方法，它属于图像处理领域，主要解决已有聚类技术收敛速度慢、稳定性差、易陷入局部极值问题。其实现步骤为：1)对待分割图像提取灰度共生矩阵和小波变换特征；2)对待分割图像进行分水岭预分割，将属于同一块内的像素特征取均值，得到聚类数据；3)进行种群1初始化和个体编码；4)计算种群1中个体适应度值，得到种群2中抗体并更新精英种群；5)对种群1和种群2分别设计不同的操作算子，对种群1依次进行差分变异、正交重组、二项式交叉及选择操作，对种群2依次进行比例克隆、超变异及克隆选择操作；6)输出图像分割结果。本发明具有收敛速度快，稳定性高、分割结果区域一致性好和保留信息完整的优点，能够有效地对纹理图像和SAR图像进行分割，可用于SAR图像目标识别。

主权项

1.一种基于差分免疫克隆聚类的图像分割方法，包括如下步骤：(1)对待分割的纹理图像和SAR图像分别提取灰度共生矩阵和小波变换特征，得到N个D维的特征向量，其中N为图像的像素个数，D为灰度共生矩阵与小波特征的维数之和；(2)对待分割图像进行分水岭预分割，将属于同一块内的像素特征取均值，得到N1个D维的特征向量，作为聚类的输入数据样本，N1为分水岭分割块数；(3)从N1个数据样本中随机选取k个样本作为种群1的初始种群，k为图像分割的类别数；(4)对初始种群1中个体进行编码，得到NP个D*k维的向量，NP为种群1规模，种群1中每个个体记为i＝1...NP，G＝0，为当前进化代数；(5)对编码后的种群1中个体按照如下步骤计算适应度值：5a)将每个个体表示为一个划分的k个聚类中心{c_i，i＝1，...k}；5b)根据样本点与各个聚类中心欧式距离最近原则获得各个聚类中心的划分集合O_i，对每个集合O_i中的所有样本点求平均值，得到新的聚类中心为：i＝1，...，K j＝1，...，n，n_i为O_i中样本点的个数，5c)根据计算出的新的聚类中心，得到适应度函数为：f=1/(1+Σi=1KΣxj∈Ci||xj-ci*||)]]>其中，||·||为求取欧氏距离的运算符；(6)计算出种群1中所有个体的适应度值后，将它们由高到低排序，将适应度值最高的个体保存到精英种群中，并取前面的d个个体作为种群2中抗体，将其对应的适应度值作为种群2中抗体的亲和度值，d为设定的种群2规模，当前进化代数G＝0；(7)将种群1中个体i＝1...NP作为目标向量，对其执行差分变异操作，得到每个目标向量对应的变异向量i＝1...NP；(8)从种群1中随机选择一个目标向量对其执行正交重组操作，得到一个新个体取代个体X_m，G；(9)对种群1中的其他目标向量i＝1...NP∩i≠m执行二项式交叉操作，得到对应的试验向量i＝1...NP∩i≠m；(10)对种群2中的抗体按照与亲和度值成正比的克隆规模进行比例克隆操作和超变异操作；(11)对种群1和种群2分别进行选择操作，用种群2中抗体取代种群1中适应度值最低的d个个体，返回步骤(6)重新进行迭代优化，重复进行N_max次，得到最终精英种群，N_max为设定的最大迭代次数；(12)从最终精英种群中选择适应度值最大的个体作为最终的聚类中心，并根据该聚类中心将N1个数据划分到不同的类别中，结合步骤(2)中的分水岭预分割结果，对图像的每个像素点进行类别划分，得到图像最终分割结果。