[发明专利]基于网络动力学演化策略的图像分割方法

摘要

本发明公开了一种基于网络动力学演化策略的图像分割方法，包括步骤S1、像素点特征提取步骤；步骤S2、预分割步骤；步骤S3、区域块特征获得步骤；步骤S4、计算任意两个所述区域块之间的相似度；步骤S5、网络模型建立步骤；步骤S6、利用网络动力学演化策略对所述网络的节点进行归类；步骤S7、图像分割结果输出步骤。本发明能够使被分割图像的区域一致性和细节完整性得到很好保持，提高了图像分割的效果，并且，能够降低算法的时间复杂度，使算法能尽快收敛，克服了传统机器学习算法收敛速度慢、容易陷入局部最优、时间复杂度高的缺点。

主权项

一种基于网络动力学演化策略的图像分割方法，其特征在于：所述的图像分割方法包括：步骤S1、像素点特征提取步骤：采用滑窗法逐个像素点提取被分割图像的灰度共生矩阵，并对所述被分割图像进行三层非下采样小波分解，以提取所述被分割图像的每个像素点的小波能量特征；并且，将所述被分割图像的每个所述像素点的灰度共生矩阵和小波能量特征合并成一个矩阵，作为该像素点的特征；步骤S2、预分割步骤：对所述被分割图像采用分水岭算法进行预分割，得到多块不规则的区域块；步骤S3、区域块特征获得步骤：计算属于同一所述区域块内的全部像素点的特征的算术平均值，作为该区域块的特征；步骤S4、按照下式计算任意两个所述区域块之间的相似度：wij=e||xi-xj||22σ2]]>其中，i和j表示所述步骤S2分割得到的区域块中任意两个不相同的区域块，wij为区域块i与区域块j之间的相似度值，xi表示区域块i的特征，xj表示区域块j的特征，||xi‑xj||表示对xi‑xj求取欧式距离，σ为预设的尺度参数，其取值范围为(0，1)；步骤S5、网络模型建立步骤：建立网络模型G(V,E,W),即：将每一个所述区域块作为网络的一个节点V，将连接在任意两个所述节点V之间的边作为所述网络的一条边E，将所述网络的每一条边E的权值W定义为该条边E所对应的两个所述区域块之间的相似度值；步骤S6、利用网络动力学演化策略对所述网络的节点进行归类，包括：步骤S6a、初始化节点的相位，即：为所述网络的每个节点在[0,2π]范围内随机分配一个值作为相位值；步骤S6b、通过求解以下方程不断迭代更新所述网络的每个节点的相位值，直至每个所述节点在前后两次迭代中的相位值差值在预设的相位值差值阈值以下：θi(k+1)=θi(k)+KKmaxΣj=1Naij(k)sin(θj(k)-θi(k))]]>其中，θi(k+1)和θi(k)分别表示所述网络中第i个节点分别在第k+1次和第k次迭代时的相位值，wij表示第i个节点与第i个节点之间的边的权值，表示所述网络中所有边的权值平均值，Kp为预设的正耦合系数，Kn为预设的负耦合系数，K是耦合强度，Kmax为所述网络中与节点Vmax相连的权值在以上的边的数量，该节点Vmax为所述网络中与其相连的权值在以上的边数量最大的节点，N为所述网络所包含节点的个数，θj(k)表示所述网络中第j个节点在第k次迭代时的相位值；aij(k)为耦合系数，其所述相位值的迭代更新前被初始化为1，即aij(k＝0)＝1，且其取值在所述相位值的迭代更新过程中按照以下步骤S6b1和步骤S6b2演化：步骤S6b1、按照下式计算属于集合Pi的节点在第k次迭代时的平均相位θavg_i(k)：θavg_i(k)=1|Pi|Σi∈Piθi(k)]]>其中，Pi表示所述网络中与第i个节点相连的边的权值在所述权值平均值以上的节点的集合，|Pi|表示属于所述集合Pi的节点的个数，表示属于所述集合Pi的全部节点在第k次迭代时的相位值之和；步骤S6b2、如果则耦合系数aij(k+1)＝aij(k)+ε，否则，耦合系数不变，其中，ε为预设的大于0的常数，θTh为预设的阈值；步骤S6c、节点归类步骤：先将相位区间[0,2π]均分成l个子区间，使得每一个所述子区间的相位值长度为2π/l；然后，根据所述步骤S6b最终迭代更新得到的所述网络的每个节点的相位值，统计相位值落入每一个所述子区间内的节点数目，并将所述节点数目不为零的相邻的子区间合并成一个新的子区间；最后，对于完成所述合并后得到的各个子区间，将所述相位值落入同一个所述子区间的节点归为一类；步骤S7、图像分割结果输出步骤：按照所述步骤S6c的归类，将属于同一类的所述节点所对应的区域块归为一类，并将属于同一类的所述区域块所对应的像素点分为一类，以对所述被分割图像按该像素点的分类进行分割。