[发明专利]基于免疫克隆多目标优化的纹理图像分割方法

摘要

本发明提出了一种免疫克隆多目标优化纹理图像分割方法，主要解决现有技术只优化空间分离度或只优化类别紧凑度所造成的分割效果差的问题。其实现步骤是：(1)读取纹理图像，并提取其特征矩阵G；(2)产生初始抗体群V(t)并进行初始设定；(3)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；(4)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)；(5)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)；(6)对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)；(7)根据更新后的抗体群V_m(t+1)和特征矩阵G，计算出纹理图像中各个像素的类别。本发明具有分割效率高和图像分割效果好的优点，可用于提取和获得纹理图像的细节信息。

主权项

1.一种基于免疫克隆多目标优化的纹理图像分割方法，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_i，...，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，...，V_k，...，V₄₀]，其中，抗体群V(t)中第k个抗体V_k，表示为：V_k=[w₁,...,w_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t_max，如果当前迭代数t等于最大迭代次数t_max，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；(9)根据输出的抗体群V(t_max)和特征矩阵G，完成对纹理图像的分割：(9a)计算特征矩阵G中第i个特征g_i的类别g_il，i=1,...,P：g_il=max(u(g_i,1),u(g_i,2),...,u(g_i,n))，其中，u(g_i,α)为中间变量，表示如下：u(gi,α)=[1-T(gi,wα)]-1Σα=1n[1-T(gi,wα)]-1,]]>其中，w_α为输出的抗体群V(t_max)中第k个抗体V_k中第α个聚类中心，k＝1,2,...,4，T(g_i,w_α)为高斯核函数，表示如下：T(gi,wα)=exp(-λ||gi-wα||2max1≤i≤P||gi-1PΣi=1Pgi||2),]]>其中，||·||²表示向量2-范数的平方，λ设为0.05，α＝1,...,n；(9b)计算纹理图像中第i个像素的灰度值H_i：(9c)根据纹理图像的各个像素的灰度值实现纹理图像分割。