專利名稱:基于拉馬克多目標(biāo)免疫算法的紋理圖像分割方法
技術(shù)領(lǐng)域:
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域,涉及圖像分割,具體地說是一種基于拉馬克多目 標(biāo)免疫算法的紋理圖像分割方法,該方法可用于圖像理解及目標(biāo)識(shí)別。
背景技術(shù):
進(jìn)入二十一世紀(jì)以后,圖像數(shù)據(jù)越來越多,機(jī)器解譯已經(jīng)代替了人工解譯。圖像處 理日益扮演著關(guān)乎國(guó)計(jì)民生的重要角色,成為當(dāng)前科學(xué)研究的焦點(diǎn)。圖像分割是圖像處理 的基本問題之一。圖像工程通常可以分為三個(gè)層次,圖像處理、圖像分析和圖像理解。圖像 分割作為從圖像處理到圖像分析過程中的重要步驟,是進(jìn)一步圖像理解的基礎(chǔ)。圖像分割 的任務(wù)是把圖像剖分成互不相交的一些區(qū)域,每一區(qū)域都滿足特定的區(qū)域一致性,并且是 連通的,不同區(qū)域有某種顯著的差異性。把這種分割方式用我們形象化的語(yǔ)言描述出來就 是目前被廣泛接受的圖像分割的定義。目前,圖像分割方法主要分為兩大類,分別是基于區(qū)域的分割方法以及基于邊界 的分割方法。在基于區(qū)域的分割方法中,目前最常用的方法是閥值分割和聚類分析。聚類 分析是一種研究數(shù)據(jù)間邏輯上或者物理上相互關(guān)系的技術(shù),是一種無(wú)監(jiān)督的學(xué)習(xí)方法。它 的任務(wù)是通過一定的規(guī)則將數(shù)據(jù)集劃分為在性質(zhì)上相似的數(shù)據(jù)點(diǎn)構(gòu)成的若干個(gè)類別,所以 也常常被稱為無(wú)監(jiān)督分類。在現(xiàn)有的聚類分析方法中,K-均值聚類作為一種基于中心的聚類方法,是目前最 簡(jiǎn)單使用最普遍的方法之一。K-均值聚類通過迭代優(yōu)化尋找聚類的最優(yōu)解,對(duì)于緊湊的超 球形分布的數(shù)據(jù)集可以展現(xiàn)很好的性能。然而,當(dāng)數(shù)據(jù)集的結(jié)構(gòu)是非凸或者存在嚴(yán)重交疊 的時(shí)候,K-均值聚類往往不很有效,并且難以保證收斂到全局最優(yōu)解。作為全局優(yōu)化方法, 進(jìn)化算法日益引起學(xué)者的關(guān)注。進(jìn)化算法包括進(jìn)化策略、遺傳算法、以及免疫算法等等。近 年來,很多基于進(jìn)化算法在聚類分析中的應(yīng)用涌現(xiàn)了出來。到目前為止,大多數(shù)基于優(yōu)化的聚類分析方法只優(yōu)化一個(gè)目標(biāo)函數(shù)。這些評(píng)價(jià)函 數(shù)通常是基于數(shù)據(jù)集的某一類特征,比如空間分離度,或者類別緊湊度。盡管如此,現(xiàn)實(shí)中 的絕大多數(shù)問題都涉及多個(gè)目標(biāo),而這些目標(biāo)并非獨(dú)立存在的,它們往往是耦合在一起的 相互競(jìng)爭(zhēng)的目標(biāo),每個(gè)目標(biāo)具有不同的意義和量綱,它們的競(jìng)爭(zhēng)性和復(fù)雜性使得對(duì)其優(yōu)化 變得困難。所以,尋找一種有效地多目標(biāo)優(yōu)化方法來解決聚類問題變得迫在眉睫。不同于單目標(biāo)問題最優(yōu)解的概念,多目標(biāo)優(yōu)化問題不存在唯一的全局最優(yōu)解,而 是存在多個(gè)最優(yōu)解的集合。多目標(biāo)問題最優(yōu)解的集合中的元素就全體目標(biāo)而言是不可比較 的,一般稱為多目標(biāo)最優(yōu)解集。所謂多目標(biāo)最優(yōu)解集,是指對(duì)于一些不可能進(jìn)一步優(yōu)化某一 個(gè)或幾個(gè)目標(biāo)而其他目標(biāo)不至于劣化的解,因此也稱為非劣最優(yōu)解集?;诜N群操作的進(jìn)化算法可以隱式并行地搜索解空間的多個(gè)解,并能利用不同解 之間的相似性來提高其并發(fā)求解問題效率,進(jìn)化算法與多目標(biāo)最優(yōu)概念相結(jié)合,可能產(chǎn)生 真正的基于多目標(biāo)最優(yōu)概念的多目標(biāo)優(yōu)化的進(jìn)化算法,實(shí)現(xiàn)對(duì)非劣最優(yōu)解集的有效搜索。 近年來,人工免疫系統(tǒng)受到了越來越多的學(xué)者和工業(yè)家的關(guān)注?;谌斯っ庖呦到y(tǒng)的應(yīng)用包括機(jī)器學(xué)習(xí)、故障診斷、計(jì)算機(jī)安全和工程優(yōu)化。并且,基于免疫的多目標(biāo)算法也被有關(guān) 學(xué)者提出,取得了很好的優(yōu)化效果。在現(xiàn)有的許多以局部?jī)?yōu)化為特征的問題中,傳統(tǒng)的局部?jī)?yōu)化技術(shù)很難獲得全局最 優(yōu)解。然而,由于缺少對(duì)局部信息的利用,傳統(tǒng)進(jìn)化算法對(duì)獲得足夠精確的解收斂速度慢。 這樣就限制了進(jìn)化算法解決大規(guī)模的需要考慮計(jì)算時(shí)間的實(shí)際問題的可行性。拉馬克學(xué)習(xí) 作為一種基于群體的超啟發(fā)式搜索方法,在最近幾年越來越受關(guān)注。通常,基于拉馬克學(xué)習(xí) 的算法被當(dāng)作基于群體的全局搜索和局部進(jìn)化的結(jié)合。在許多文獻(xiàn)中都可以看到它被成功 而廣泛的應(yīng)用于解決優(yōu)化問題。綜上,現(xiàn)有基于聚類分析的圖像分割方法存在著以下三個(gè)問題(1)運(yùn)算數(shù)據(jù)量 太大;(2)全局優(yōu)化能力不強(qiáng);(3)評(píng)價(jià)指標(biāo)單一 ;(4)局部搜索能力不足。圖像分割的效 果,即圖像分割的準(zhǔn)確度,具體包括區(qū)域一致性和邊緣有效保持兩個(gè)方面。如果上述問題得 不到很好的解決,針對(duì)數(shù)據(jù)集的聚類分析方法性能就會(huì)受到非常大的限制,進(jìn)而無(wú)法保證 圖像分割的區(qū)域一致性以及邊緣有效保持,最終導(dǎo)致圖像分割方法的失效。
發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有方法的不足,利用基于分水嶺預(yù)分割的采樣策 略、免疫算法的全局優(yōu)化能力、多目標(biāo)優(yōu)化的全面評(píng)價(jià)能力拉馬克學(xué)習(xí)的局部搜索能力,提 出一種基于拉馬克多目標(biāo)免疫算法的紋理圖像分割方法,對(duì)圖像像素點(diǎn)進(jìn)行更好的數(shù)據(jù)聚 類,更好的保證圖像分割的區(qū)域一致性以及邊緣有效保持,進(jìn)而提高圖像分割的效果。本發(fā)明的技術(shù)方案是將圖像分割問題看作數(shù)據(jù)聚類問題。將免疫算法、多目標(biāo)優(yōu) 化和拉馬克學(xué)習(xí)結(jié)合起來,分別解決上述已有方法全局優(yōu)化能力不強(qiáng)、評(píng)價(jià)指標(biāo)單一和局 部搜索能力不強(qiáng)的弱點(diǎn)。通過采用拉馬克多目標(biāo)免疫算法,對(duì)圖像像素點(diǎn)集進(jìn)行數(shù)據(jù)聚類, 搜索出滿意的圖像數(shù)據(jù)聚類方案,逼近最佳圖像分割的性能。為實(shí)現(xiàn)上述內(nèi)容,本發(fā)明包括如下(1)提取圖像信息步驟輸入待分割圖像,并提取該圖像的灰度信息及小波能量 fn息;(2)生成測(cè)試樣本集步驟(2. 1)輸入待分割圖像和測(cè)試樣本集組數(shù)K,i = 1 ;(2. 2)對(duì)待分割圖像進(jìn)行分水嶺預(yù)分割,得到若干互不交疊的子區(qū)域;(2. 3)從每個(gè)子區(qū)域中隨機(jī)采樣一個(gè)像素點(diǎn),加入測(cè)試樣本集i ;(2.4)如果i = K,輸出K組測(cè)試樣本集;否則,令i值加1,否則返回步驟(2.3);(3)搜索數(shù)據(jù)聚類方案集步驟(3. 1)對(duì)生成的每一組測(cè)試樣本集,設(shè)定最大迭代次數(shù)t_ = 200,設(shè)定當(dāng)前數(shù)據(jù) 聚類迭代次數(shù)t = 0,隨機(jī)產(chǎn)生初始抗體種群隊(duì),抗體種群隊(duì)由若干抗體組成,每一個(gè)抗體 代表一個(gè)數(shù)據(jù)聚類方案;(3. 2)計(jì)算抗體種群Dt中每個(gè)抗體h的親和度f(wàn) Ov D);(3. 3)依據(jù)抗體種群中每個(gè)抗體的親和度值,對(duì)抗體種群Dt執(zhí)行克隆增殖操作,得 到克隆種群Ct ;(3. 4)對(duì)克隆種群Ct執(zhí)行克隆變異操作,得到變異種群C' t ;
(3. 5)對(duì)變異種群C' t和抗體種群Dt執(zhí)行克隆選擇操作,得到臨時(shí)抗體種群Tt ;(3. 6)對(duì)臨時(shí)抗體種群Tt執(zhí)行拉馬克學(xué)習(xí)操作,得到拉馬克學(xué)習(xí)后的新的抗體種
群 Dt+1 ;(3. 7)如果t < t_,令t值加1,執(zhí)行步驟(3. 2)開始新一輪的迭代;否則,輸出抗 體種群Dt+1,即輸出已搜索到的數(shù)據(jù)聚類方案集,結(jié)束對(duì)當(dāng)前測(cè)試樣本集的數(shù)據(jù)聚類;(4)選擇數(shù)據(jù)聚類方案步驟在生成的數(shù)據(jù)聚類方案集中,通過明科沃斯基指數(shù) 的大小選擇出一個(gè)最滿意的數(shù)據(jù)聚類方案;(5)標(biāo)記像素點(diǎn)類別歸屬步驟根據(jù)選擇出的數(shù)據(jù)聚類方案,先對(duì)測(cè)試樣本集中 的每一個(gè)像素點(diǎn)進(jìn)行類別歸屬標(biāo)記,并依據(jù)該標(biāo)記對(duì)待分割圖像中每一個(gè)未標(biāo)記類別歸屬 的像素點(diǎn)進(jìn)行類別歸屬劃分;(6)輸出圖像分割結(jié)果步驟根據(jù)所有待分割圖像中像素點(diǎn)的類別歸屬標(biāo)記,輸 出最終的圖像分割結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)1、運(yùn)算數(shù)據(jù)量小。圖像分割是一個(gè)數(shù)據(jù)聚類問題,數(shù)據(jù)聚類的運(yùn)算數(shù)據(jù)量為圖像像素點(diǎn)的總數(shù)。對(duì) 于已有的數(shù)據(jù)聚類技術(shù),這么大的數(shù)據(jù)量處理難度很大。本發(fā)明首先采用分水嶺方法對(duì)待 分割圖像進(jìn)行預(yù)分割,得到若干互不交疊的子區(qū)域,子區(qū)域總的個(gè)數(shù)為nw ;其次從每個(gè)子區(qū) 域中隨機(jī)采樣一個(gè)像素點(diǎn)生成一組測(cè)試樣本集,共生成K組測(cè)試樣本集,顯然測(cè)試樣本集 大小同樣為nw ;最后對(duì)每一組測(cè)試樣本集分別進(jìn)行基于拉馬克多目標(biāo)免疫算法的數(shù)據(jù)聚 類,即本發(fā)明數(shù)據(jù)聚類的運(yùn)算數(shù)據(jù)量為KXnw,大大降低了數(shù)據(jù)聚類的運(yùn)算數(shù)據(jù)量。2、計(jì)算復(fù)雜度較低。本發(fā)明采用拉馬克多目標(biāo)免疫數(shù)據(jù)聚類對(duì)每一個(gè)測(cè)試樣本集進(jìn)行數(shù)據(jù)聚類,所采 用的操作力求低計(jì)算復(fù)雜度,所涉及的克隆增殖、克隆變異和拉馬克學(xué)習(xí)三個(gè)主要操作的 計(jì)算復(fù)雜度僅為0(N),有力的保證了數(shù)據(jù)聚類的效率。3、仿真實(shí)驗(yàn)性能好,分割效果優(yōu)越。仿真實(shí)驗(yàn)表明,本發(fā)明與其它方法相比能夠獲得更好的圖像分割區(qū)域一致性和邊 緣有效保持,具有更優(yōu)秀的圖像分割效果。
圖1是本發(fā)明的流程圖;圖2是本發(fā)明的分水嶺預(yù)分割結(jié)果圖;圖3是本發(fā)明的拉馬克多目標(biāo)免疫數(shù)據(jù)聚類子流程圖;圖4是本發(fā)明和其它三種方法在一幅兩類紋理圖像上的仿真結(jié)果圖;圖5是本發(fā)明和其它三種方法在一幅三類紋理圖像上的仿真結(jié)果圖;圖6是本發(fā)明和其它三種方法在一幅四類紋理圖像上的仿真結(jié)果圖;圖7是本發(fā)明和其它三種方法在一幅五類紋理圖像上的仿真結(jié)果圖;圖8是本發(fā)明測(cè)試樣本集大小與性能的關(guān)系圖;圖9是本發(fā)明測(cè)試樣本集組數(shù)與性能的關(guān)系圖;圖10是本發(fā)明與其它方法魯棒性比較示意圖。
具體實(shí)施例方式參照?qǐng)D1,本發(fā)明的分割步驟包括如下步驟1、提取圖像信息。首先輸入待分割圖像;其次根據(jù)灰度共生矩陣選擇4個(gè)離散的方向,分別為0°、 45°、90°和135°,沿著這每個(gè)方向提取三個(gè)二次統(tǒng)計(jì)量作為紋理特征量,分別為角二階 矩、同質(zhì)區(qū)和相關(guān)性,共計(jì)12維特征信息;然后采用三層小波變換對(duì)待分割圖像提取10個(gè) 子帶的特征量,共計(jì)10維特征信息;最后將灰度共生矩陣12維特征信息和小波能量10維 特征信息合并到一起,共計(jì)22維特征信息。步驟2、生成測(cè)試樣本集。針對(duì)圖像處理中的海量數(shù)據(jù)問題,本發(fā)明力圖以少量的像素點(diǎn)較好的代表整幅 圖,首先采用分水嶺方法對(duì)待分割圖像進(jìn)行預(yù)分割,得到若干互不交疊的子區(qū)域,子區(qū)域總 的個(gè)數(shù)為nw ;其次從每個(gè)子區(qū)域中隨機(jī)采樣一個(gè)像素點(diǎn)生成一組測(cè)試樣本集,共生成K組 測(cè)試樣本集;由圖2所示,當(dāng)分水嶺預(yù)分割子區(qū)域數(shù)nw達(dá)到一定數(shù)目的時(shí)候,測(cè)試樣本集能 夠較好的代表整幅圖像,具體包括如下步驟(2. 1)輸入待分割圖像和測(cè)試樣本集組數(shù)K,i = 1 ;(2. 2)對(duì)待分割圖像進(jìn)行分水嶺預(yù)分割,得到若干互不交疊的子區(qū)域,子區(qū)域總的 個(gè)數(shù)為nw ;(2. 3)從每個(gè)子區(qū)域中隨機(jī)采樣一個(gè)像素點(diǎn),加入測(cè)試樣本集i ;(2. 4)如果i = K,輸出K組測(cè)試樣本集;否則,令i值加1,否則返回步驟(2. 3)。步驟3、搜索數(shù)據(jù)聚類方案集。本發(fā)明采用拉馬克多目標(biāo)免疫算法針對(duì)測(cè)試樣本集進(jìn)行數(shù)據(jù)聚類,利用拉馬克學(xué) 習(xí)強(qiáng)大的局部搜索能力、免疫算法優(yōu)秀的全局優(yōu)化能力和多目標(biāo)優(yōu)化全面的評(píng)價(jià)能力,較 快較好地產(chǎn)生盡可能逼近全局最優(yōu)的數(shù)據(jù)聚類方案,實(shí)現(xiàn)步驟包括如下(3. 1)對(duì)生成的每一組測(cè)試樣本集,設(shè)定最大迭代次數(shù)t_ = 200,設(shè)定當(dāng)前數(shù)據(jù) 聚類迭代次數(shù)t = 0,隨機(jī)產(chǎn)生初始抗體種群隊(duì),抗體種群隊(duì)由若干抗體組成,每一個(gè)抗體 代表一個(gè)數(shù)據(jù)聚類方案;(3. 2)計(jì)算抗體種群Dt中每個(gè)抗體h的親和度f(wàn) Dt) fjb.,Dt) = t丨丨人的-人階丨式中,1^是指種群Dt= {仏,…,bn}中的第i個(gè)抗體,其中,n表示種群Dt的大 小;N。w = 2是評(píng)價(jià)目標(biāo)的總個(gè)數(shù);抗體b'和抗體b"是種群Dt中在第m個(gè)評(píng)價(jià)目標(biāo)上與 抗體h距離最小的兩個(gè)抗體;和分別表示種群Dt的抗體在第m個(gè)評(píng)價(jià) 目標(biāo)上函數(shù)值的最大值和最小值;評(píng)價(jià)目標(biāo) )基于類內(nèi)判據(jù)度量相同類間的一致性,按如下公式計(jì)算E‘
CkeCieCk式中,C為所有聚類的集合,表示第Ck類的聚類中心,5 (i,Uk)表示像素點(diǎn)i 與聚類中心之間的歐氏距離;目標(biāo)函數(shù)越小,表示類內(nèi)的一致性越大;
評(píng)價(jià)目標(biāo)f2( )基于類間判據(jù)度量不同類之間的差異程度,按如下公式計(jì)算
N L=
「1/j,若另Ck eC. A5eC,
式中,則",nnij表示像素點(diǎn)i的第j近鄰,L是要
設(shè)置的最大近鄰參數(shù),當(dāng)像素點(diǎn)i和它的第j近鄰不在同一個(gè)聚類中時(shí)氣’ =l/J,否則 Xi,nnv =G,好的分割結(jié)果要求相同的像素點(diǎn)盡可能被分在同一類中;(3. 3)依據(jù)抗體種群中每個(gè)抗體的親和度值,對(duì)抗體種群Dt執(zhí)行克隆增殖操作,得 到克隆種群Ct ;(3. 4)對(duì)克隆種群Ct執(zhí)行克隆變異操作,得到變異種群C' t ;(3. 5)對(duì)變異種群C' t和抗體種群Dt執(zhí)行克隆選擇操作,得到臨時(shí)抗體種群Tt ;(3. 6)對(duì)臨時(shí)抗體種群Tt按如下步驟執(zhí)行拉馬克學(xué)習(xí)操作,得到拉馬克學(xué)習(xí)后的 新的抗體種群Dt+1;(3. 6. 1)輸入抗體h和三個(gè)臨時(shí)抗體第一臨時(shí)抗體b2、第二臨時(shí)抗體b3和第三 臨時(shí)抗體、設(shè)定拉馬克學(xué)習(xí)步長(zhǎng)為Ax;設(shè)定三個(gè)臨時(shí)抗體的初始評(píng)價(jià)目標(biāo)的函數(shù)值均為 無(wú)窮大;輸入評(píng)價(jià)目標(biāo)的總個(gè)數(shù)N。w ;設(shè)定當(dāng)前評(píng)價(jià)目標(biāo)m為1 ;(3.6.2)如果當(dāng)前評(píng)價(jià)目標(biāo)m大于評(píng)價(jià)目標(biāo)函數(shù)的總個(gè)數(shù)N。WJU輸出新的抗體 b”結(jié)束拉馬克學(xué)習(xí)操作;否則,執(zhí)行步驟(3.6.3);(3. 6. 3)如果在當(dāng)前評(píng)價(jià)目標(biāo)m上,滿足< fm{bx),則令臨時(shí)抗體^代替抗體 b1;(3.6.4)將抗體1^加以步長(zhǎng)AX代替第一臨時(shí)抗體b2,如果在當(dāng)前評(píng)價(jià)目標(biāo)m上, mUfM <fm(b2),則將第一臨時(shí)抗體b2加以2倍步長(zhǎng)Ax代替第二臨時(shí)抗體b3;否則, 將第一臨時(shí)抗體b2減去步長(zhǎng)A X代替第二臨時(shí)抗體b3 ;(3. 6. 5)根據(jù)抗體、、第一臨時(shí)抗體、和第二臨時(shí)抗體、,計(jì)算得出第三臨時(shí)抗體 石,為
「00771
b3) ’(3. 6. 6)從抗體h、第一臨時(shí)抗體、、第二臨時(shí)抗體、和第三臨時(shí)抗體g中,選擇在 當(dāng)前評(píng)價(jià)目標(biāo)m上函數(shù)值最小者代替抗體h;(3.6.7)令當(dāng)前評(píng)價(jià)目標(biāo)m值加1,返回執(zhí)行步驟(3.6.2);(3. 7)如果t < t_,令t值加1,執(zhí)行步驟(3. 2)開始新一輪的迭代;否則,輸出抗 體種群Dt+1,即輸出已搜索到的數(shù)據(jù)聚類方案集,結(jié)束對(duì)當(dāng)前測(cè)試樣本集的數(shù)據(jù)聚類。步驟4、選擇數(shù)據(jù)聚類方案。由于采用多目標(biāo)優(yōu)化技術(shù)和對(duì)K組測(cè)試樣本集分別數(shù)據(jù)聚類的策略,搜索數(shù)據(jù)聚 類方案集步驟會(huì)產(chǎn)生一系列的數(shù)據(jù)聚類方案,本發(fā)明通過明科沃斯基指數(shù)的大小選擇出一 個(gè)最滿意的數(shù)據(jù)聚類方案,明科沃斯基指數(shù)值的計(jì)算公式為 式中,T表示最優(yōu)方案,S表示將要評(píng)價(jià)的方案,nn表示在T和S中類別歸屬標(biāo)記 均相同的像素點(diǎn)的數(shù)目,&表示S中類別標(biāo)記與T中相應(yīng)類別歸屬標(biāo)記不同的像素點(diǎn)的數(shù) 目,n1(l表示T中類別標(biāo)記與S中相應(yīng)類別歸屬標(biāo)記不同的像素點(diǎn)的數(shù)目。步驟5、標(biāo)記像素點(diǎn)類別歸屬。根據(jù)選擇出的數(shù)據(jù)聚類方案,先對(duì)測(cè)試樣本集中的每一個(gè)像素點(diǎn)進(jìn)行類別歸屬標(biāo) 記,并依據(jù)該標(biāo)記對(duì)待分割圖像中每一個(gè)未標(biāo)記類別歸屬的像素點(diǎn)進(jìn)行類別歸屬劃分。步驟6、根據(jù)所有待分割圖像中像素點(diǎn)的類別歸屬標(biāo)記,輸出最終的圖像分割結(jié)本發(fā)明的的效果可通過以下仿真進(jìn)一步說明1、仿真內(nèi)容應(yīng)用本發(fā)明方法和經(jīng)典的K-均值聚類,遺傳聚類和多目標(biāo)集成聚類分別對(duì)四幅 紋理圖像進(jìn)行分割實(shí)驗(yàn),并從方向信息的準(zhǔn)確性、同質(zhì)區(qū)域的內(nèi)部一致性、細(xì)節(jié)信息的完整 性和邊緣邊界的清晰性評(píng)價(jià)這些方法的各自性能。2、仿真實(shí)驗(yàn)結(jié)果用本發(fā)明與多目標(biāo)集成聚類、遺傳聚類和K-均值聚類分別對(duì)四幅紋理圖像進(jìn)行 分割;對(duì)每幅待分割紋理圖像,四種方法獨(dú)立運(yùn)行10次的平均圖像分割錯(cuò)誤率如表1所示; 從表1可以看出,在圖像分割錯(cuò)誤率方面,本發(fā)明較多目標(biāo)集成聚類、遺傳聚類和K-均值聚 類三種對(duì)比方法優(yōu)勢(shì)明顯。表1 平均圖像分割錯(cuò)誤率比較 對(duì)兩類紋理圖像圖像一的仿真結(jié)果如圖4所示,其中圖4(a)為圖像一原圖,圖 4(b)為圖像一標(biāo)準(zhǔn)分割結(jié)果,圖4(c)為本發(fā)明對(duì)圖像一進(jìn)行圖像分割得到的結(jié)果,圖4(d) 為多目標(biāo)集成聚類對(duì)圖像一進(jìn)行圖像分割得到的結(jié)果,圖4(e)為遺傳聚類對(duì)圖像一進(jìn)行 圖像分割得到的結(jié)果,圖4(f)為K-均值聚類對(duì)圖像一進(jìn)行圖像分割得到的結(jié)果。由表1可見,四種方法對(duì)圖像一的圖像分割錯(cuò)誤率均在0. 10以上,盡管如此,本發(fā) 明的平均圖像分割錯(cuò)誤率明顯優(yōu)于其它三種方法,分別降低了 0. 24,0. 17和0. 27。由圖4可見,本發(fā)明圖像分割結(jié)果的區(qū)域一致性和邊緣有效保持均遠(yuǎn)優(yōu)于其它三 種方法圖像分割結(jié)果。
9
對(duì)三類紋理圖像圖像二的仿真結(jié)果如圖5所示,其中圖5(a)為圖像二原圖,圖 5(b)為圖像二標(biāo)準(zhǔn)分割結(jié)果,圖5(c)為本發(fā)明對(duì)圖像二進(jìn)行圖像分割得到的結(jié)果,圖5(d) 為多目標(biāo)集成聚類對(duì)圖像二進(jìn)行圖像分割得到的結(jié)果,圖5(e)為遺傳聚類對(duì)圖像二進(jìn)行 圖像分割得到的結(jié)果,圖5(f)為K-均值聚類對(duì)圖像二進(jìn)行圖像分割得到的結(jié)果。由表1可見,本發(fā)明的平均圖像分割錯(cuò)誤率較之于其它三種方法分別降低了 0. 08,0. 01 和 0. 18。由圖5可見,本發(fā)明所得到的結(jié)果的區(qū)域一致性和邊緣有效保持均優(yōu)于其它三種 方法所得到的結(jié)果。對(duì)四類紋理圖像圖像三的仿真結(jié)果如圖6所示,其中圖6(a)為圖像三原圖,圖 6(b)為圖像三標(biāo)準(zhǔn)分割結(jié)果,圖6(c)為本發(fā)明對(duì)圖像三進(jìn)行圖像分割得到的結(jié)果,圖6(d) 為多目標(biāo)集成聚類對(duì)圖像三進(jìn)行圖像分割得到的結(jié)果,圖6(e)為遺傳聚類對(duì)圖像三進(jìn)行 圖像分割得到的結(jié)果,圖6 (f)為K-均值聚類對(duì)圖像三進(jìn)行圖像分割得到的結(jié)果。由表1可見,本發(fā)明的平均圖像分割錯(cuò)誤率較之于其它三種方法分別降低了 0. 01,0. 02 和 0. 08。由圖6可見,本發(fā)明對(duì)圖像三左邊的兩個(gè)區(qū)域,本發(fā)明圖像分割結(jié)果的區(qū)域一致 性和邊緣有效保持方面明顯優(yōu)于其它三種方法。對(duì)五類紋理圖像圖像四的仿真結(jié)果如圖7所示,其中圖7(a)為圖像四原圖,圖 7(b)為圖像四標(biāo)準(zhǔn)分割結(jié)果,圖7(c)為本發(fā)明對(duì)圖像四進(jìn)行圖像分割得到的結(jié)果,圖7(d) 為多目標(biāo)集成聚類對(duì)圖像四進(jìn)行圖像分割得到的結(jié)果,圖7(e)為遺傳聚類對(duì)圖像四進(jìn)行 圖像分割得到的結(jié)果,圖7(f)為K-均值聚類對(duì)圖像四進(jìn)行圖像分割得到的結(jié)果。由表1可見,本發(fā)明的平均圖像分割錯(cuò)誤率較之于其它三種方法分別降低了 0. 08,0. 01 和 0. 11。由圖7可見,本發(fā)明圖像分割結(jié)果的區(qū)域一致性和邊緣有效保持均遠(yuǎn)優(yōu)于其它三 種方法。3、參數(shù)敏感性分析本發(fā)明涉及到的一些參數(shù)會(huì)對(duì)性能的產(chǎn)生一定程度的影響;對(duì)兩個(gè)最主要的參 數(shù)測(cè)試樣本集大小和測(cè)試樣本集組數(shù)參數(shù)敏感性分析如下圖8展示了本發(fā)明在其它參數(shù)固定,而測(cè)試樣本集大小由10增加到250的過程 中,10次獨(dú)立運(yùn)行后,平均圖像分割錯(cuò)誤率以及運(yùn)行時(shí)間的關(guān)系圖;為方便觀察,對(duì)平均圖 像分割錯(cuò)誤率進(jìn)行了歸一化處理。由圖8可見,測(cè)試樣本集大小對(duì)于平均圖像分割錯(cuò)誤率的影響并不大,盡管如此, 測(cè)試樣本集太大或者過小都更容易導(dǎo)致算法穩(wěn)定性的下降;這是由于測(cè)試樣本集太大會(huì)對(duì) 數(shù)據(jù)聚類方法的搜索要求更高;而測(cè)試樣本集過小則其難以很好的代表整幅圖像的特征信 息;此外,隨著測(cè)試樣本集大小的增加,運(yùn)行時(shí)間線性增長(zhǎng)。圖9展示了本發(fā)明在其它參數(shù)固定,而測(cè)試樣本集組數(shù)由1增加到10的過程中, 10次獨(dú)立運(yùn)行后,平均圖像分割錯(cuò)誤率和運(yùn)行時(shí)間的關(guān)系圖;為方便觀察,對(duì)平均圖像分 割錯(cuò)誤率進(jìn)行了歸一化處理。由圖9可見,平均圖像分割錯(cuò)誤率隨著測(cè)試樣本集組數(shù)的增加而降低;不過與此 同時(shí),運(yùn)行時(shí)間線性增長(zhǎng)。
4、魯棒性分析魯棒性是方法性能優(yōu)劣的重要指標(biāo)之一,基于圖像分割錯(cuò)誤率,對(duì)本發(fā)明以及其 它三種方法的魯棒性進(jìn)行了分析,按如下公式計(jì)算 式中,k = 4是對(duì)比方法的個(gè)數(shù);CEi代表由第i種方法所得到的圖像分割錯(cuò)誤率; 對(duì)于分割圖像,魯棒性艮< 1,最優(yōu)值為1 ;Rm愈大分割效果愈好。由圖10可見,本發(fā)明的效果是最好的,遺傳聚類的效果次之;實(shí)際上,對(duì)于上述四 幅待測(cè)圖像,本發(fā)明均獲得了比其它方法優(yōu)秀的圖像分割結(jié)果,因此本發(fā)明是最魯棒的。
權(quán)利要求
一種基于拉馬克多目標(biāo)免疫算法的紋理圖像分割方法,包括(1)提取圖像信息步驟輸入待分割圖像,并提取該圖像的灰度信息及小波能量信息;(2)生成測(cè)試樣本集步驟(2.1)輸入待分割圖像和測(cè)試樣本集組數(shù)K,i=1;(2.2)對(duì)待分割圖像進(jìn)行分水嶺預(yù)分割,得到若干互不交疊的子區(qū)域;(2.3)從每個(gè)子區(qū)域中隨機(jī)采樣一個(gè)像素點(diǎn),加入測(cè)試樣本集i;(2.4)如果i=K,輸出K組測(cè)試樣本集;否則,令i值加1,否則返回步驟(2.3);(3)搜索數(shù)據(jù)聚類方案集步驟(3.1)對(duì)生成的每一組測(cè)試樣本集,設(shè)定最大迭代次數(shù)Tmax=200,設(shè)定當(dāng)前數(shù)據(jù)聚類迭代次數(shù)t=0,隨機(jī)產(chǎn)生初始抗體種群D0,抗體種群D0由若干抗體組成,每一個(gè)抗體代表一個(gè)數(shù)據(jù)聚類方案;(3.2)計(jì)算抗體種群Dt中每個(gè)抗體bi的親和度f(wàn)(bi,Dt);(3.3)依據(jù)抗體種群中每個(gè)抗體的親和度值,對(duì)抗體種群Dt執(zhí)行克隆增殖操作,得到克隆種群Ct;(3.4)對(duì)克隆種群Ct執(zhí)行克隆變異操作,得到變異種群C′t;(3.5)對(duì)變異種群C′t和抗體種群Dt執(zhí)行克隆選擇操作,得到臨時(shí)抗體種群Tt;(3.6)對(duì)臨時(shí)抗體種群Tt執(zhí)行拉馬克學(xué)習(xí)操作,得到拉馬克學(xué)習(xí)后的新的抗體種群Dt+1;(3.7)如果t<tmax,令t值加1,執(zhí)行步驟(3.2)開始新一輪的迭代;否則,輸出抗體種群Dt+1,即輸出已搜索到的數(shù)據(jù)聚類方案集,結(jié)束對(duì)當(dāng)前測(cè)試樣本集的數(shù)據(jù)聚類;(4)選擇數(shù)據(jù)聚類方案步驟在生成的數(shù)據(jù)聚類方案集中,通過明科沃斯基指數(shù)的大小選擇出一個(gè)最滿意的數(shù)據(jù)聚類方案;(5)標(biāo)記像素點(diǎn)類別歸屬步驟根據(jù)選擇出的數(shù)據(jù)聚類方案,先對(duì)測(cè)試樣本集中的每一個(gè)像素點(diǎn)進(jìn)行類別歸屬標(biāo)記,并依據(jù)該標(biāo)記對(duì)待分割圖像中每一個(gè)未標(biāo)記類別歸屬的像素點(diǎn)進(jìn)行類別歸屬劃分;(6)輸出圖像分割結(jié)果步驟根據(jù)所有待分割圖像中像素點(diǎn)的類別歸屬標(biāo)記,輸出最終的圖像分割結(jié)果。
2.根據(jù)權(quán)利要求1所述的紋理圖像分割方法,其中步驟(3.2)所說的計(jì)算抗體種群Dt 中每個(gè)抗體h的親和度,按如下公式計(jì)算RKDt) = f IIII式中,1^是指種群Dt= {bplv -,bn}中的第i個(gè)抗體,其中,n表示種群Dt的大小; N。bj是評(píng)價(jià)目標(biāo)的總個(gè)數(shù);抗體b'和抗體b"是種群Dt中在第m個(gè)評(píng)價(jià)目標(biāo)上與抗體、距離最小的兩個(gè)抗體;/乂/^)和/wmin(^)分別表示種群Dt的抗體在第m個(gè)評(píng)價(jià)目標(biāo)上函數(shù)值的最大值和最小值。
3.根據(jù)權(quán)利要求1所述的紋理圖像分割方法,其中步驟(3.6)所說的拉馬克學(xué)習(xí)操作, 包括如下步驟(3a)輸入抗體1^和三個(gè)臨時(shí)抗體第一臨時(shí)抗體b2、第二臨時(shí)抗體、和第三臨時(shí)抗體、設(shè)定拉馬克學(xué)習(xí)步長(zhǎng)為AX ;設(shè)定三個(gè)臨時(shí)抗體的初始評(píng)價(jià)目標(biāo)的函數(shù)值均為無(wú)窮大; 輸入評(píng)價(jià)目標(biāo)的總個(gè)數(shù)N。w ;設(shè)定當(dāng)前評(píng)價(jià)目標(biāo)m為1 ;(3b)如果當(dāng)前評(píng)價(jià)目標(biāo)m大于評(píng)價(jià)目標(biāo)函數(shù)的總個(gè)數(shù)N。w,則輸出新的抗體、結(jié)束拉 馬克學(xué)習(xí)操作;否則,執(zhí)行步驟(3c);(3c)如果在當(dāng)前評(píng)價(jià)目標(biāo)m上, 則令臨時(shí)抗體叾代替抗體h ;(3d)將抗體h加以步長(zhǎng)A x代替第一臨時(shí)抗體b2,如果在當(dāng)前評(píng)價(jià)目標(biāo)m上,滿足 fD <fm(b2),則將第一臨時(shí)抗體b2加以2倍步長(zhǎng)Ax代替第二臨時(shí)抗體b3;否則,將第 一臨時(shí)抗體b2減去步長(zhǎng)A x代替第二臨時(shí)抗體b3 ;(3e)根據(jù)抗體h、第一臨時(shí)抗體b2和第二臨時(shí)抗體b3,計(jì)算得出第三臨時(shí)抗體g,計(jì)算 公式為 (3f)從抗體bi、第一臨時(shí)抗體132、第二臨時(shí)抗體、和第三臨時(shí)抗體g中,選擇在當(dāng)前評(píng) 價(jià)目標(biāo)m上函數(shù)值最小者代替抗體bi ;(3g)令當(dāng)前評(píng)價(jià)目標(biāo)m值加1,返回執(zhí)行步驟(3b)。
4.根據(jù)權(quán)利要求1所述的紋理圖像分割方法,其中步驟(4)所述的明科沃斯基指數(shù),按 如下公式計(jì)算 公式中,T表示最優(yōu)方案,S表示將要評(píng)價(jià)的方案,nn表示在T和S中類別歸屬標(biāo)記均 相同的像素點(diǎn)的數(shù)目,&表示S中類別標(biāo)記與T中相應(yīng)類別歸屬標(biāo)記不同的像素點(diǎn)的數(shù)目, n10表示T中類別標(biāo)記與S中相應(yīng)類別歸屬標(biāo)記不同的像素點(diǎn)的數(shù)目。
全文摘要
本發(fā)明公開了一種基于拉馬克多目標(biāo)免疫算法的紋理圖像分割方法,主要解決了現(xiàn)有技術(shù)中運(yùn)算數(shù)據(jù)量大、全局優(yōu)化能力不強(qiáng)、評(píng)價(jià)指標(biāo)片面和局部搜索能力較差的問題。其實(shí)施步驟是(1)提取圖像灰度信息和圖像小波能量信息;(2)基于分水嶺預(yù)分割對(duì)圖像采樣生成測(cè)試樣本集;(3)使用拉馬克多目標(biāo)免疫算法對(duì)測(cè)試樣本集進(jìn)行數(shù)據(jù)聚類,生成數(shù)據(jù)聚類方案集;(4)根據(jù)明科沃斯基指數(shù)值選擇出最滿意的數(shù)據(jù)聚類方案;(5)依據(jù)已選擇出的數(shù)據(jù)聚類方案標(biāo)記圖像像素點(diǎn)類別歸屬;(6)輸出圖像分割結(jié)果。本發(fā)明具有運(yùn)算數(shù)據(jù)量小、計(jì)算復(fù)雜度較低、圖像分割平均準(zhǔn)確率高和分割效果優(yōu)越的優(yōu)點(diǎn),可用于圖像信息獲取,圖像紋理劃分。
文檔編號(hào)G06K9/62GK101866483SQ20101018813
公開日2010年10月20日 申請(qǐng)日期2010年5月31日 優(yōu)先權(quán)日2010年5月31日
發(fā)明者侯彪, 公茂果, 劉芳, 劉若辰, 張偉, 李陽(yáng)陽(yáng), 焦李成, 王爽 申請(qǐng)人:西安電子科技大學(xué)