[发明专利]基于遗传粗糙集C均值聚类的图像分割方法

摘要

本发明公开了一种基于遗传粗糙集C均值聚类的图像分割方法，主要解决传统方法鲁棒性不强，容易陷入局部最优，丢失过多局部信息的问题。其实现步骤为：(1)输入一幅待分割图像；(2)提取图像纹理特征；(3)产生聚类对象数据；(4)初始化种群；(5)更新隶属度；(6)划分聚类对象数据；(7)更新种群；(8)计算个体适应度值；(9)进化种群；(10)判断是否满足终止条件；(11)产生最优个体；(12)标记；(13)产生分割图像。本发明提取图像每个像素的纹理特征，用基于遗传算法和粗糙集思想的C均值聚类方法对该纹理特征进行标记，进而对像素进行划分，提高了图像分割的稳定性，获得更加准确的图像分割结果。

主权项

一种基于遗传粗糙集C均值聚类的图像分割方法，实现步骤如下：(1)输入一幅待分割图像(2)提取图像纹理特征2a)用小波分解方法提取待分割图像所有像素的前10维特征；2b)用灰度共生矩阵方法提取待分割图像所有像素的后12维特征；(3)产生聚类对象数据3a)用分水岭方法对图像进行初分割，得到不同的图像块；3b)对每一个图像块的所有像素点纹理特征向量取平均值，得到该块的纹理特征向量；3c)用线性方法对所有图像块的纹理特征向量归一化，得到聚类对象数据；(4)初始化种群从聚类对象数据中随机选择l个数据作为初始聚类中心构建具有多样性的聚类中心种群个体，在封闭区间[1，5]内随机选择数据构建与聚类中心种群对应的η种群的个体；(5)更新隶属度5a)用模糊C均值FCM的方法更新模糊隶属度；5b)用加入权重系数的可能性C均值PCM方法更新可能性隶属度，权重系数在区间(0，1)内；(6)划分聚类对象数据在所有的类中选择聚类对象数据总隶属度最大值对应的类作为首选类，选择聚类对象数据总隶属度次大值对应的类作为次选类，如果最大值与次大值的差大于区间(0，1)内的阈值，则该聚类对象数据划分到首选类的下近似区域，反之划分到首选类和次选类的边缘区域；(7)更新种群7a)用可能性C均值PCM的方法更新η种群；7b)在(0，1)之间任选一个实数作为下近似区域系数，对下近似区域和边缘区域加权平均，更新聚类中心种群；(8)计算个体适应度值按照下式计算种群中的个体适应度值：eval＝1/J其中，eval为个体适应度值，J是个体对应的目标函数值；(9)进化种群9a)用轮盘赌方法对种群进行选择操作淘汰种群中适应度值低的个体；9b)用单点交叉方法对种群进行交叉操作重组种群中的个体信息；9c)用单点变异方法对种群进行变异操作提高种群的多样性；(10)如果进化种群的次数达到300次，则执行步骤(11)，否则执行步骤(5)；(11)产生最优个体在进化后的种群个体中，选择适应度最大值对应的个体作为最优个体；(12)标记12a)在最优个体的总隶属度中，选择其最大值对应的类分配给每一个聚类对象数据；12b)将分配后的类标号赋予聚类对象数据对应的像素；(13)产生分割图像对标记后的每一个类标号，从闭区间[0，255]中任意选择一个整数作为所标记像素的灰度值，得到分割结果。