基于多目標(biāo)模糊聚類的灰度圖像分割方法
【專利摘要】本發(fā)明公開了一種基于多目標(biāo)模糊聚類的灰度圖像分割方法，它涉及圖像處理【技術(shù)領(lǐng)域】，主要解決灰度圖像分割準(zhǔn)確率低的問題。該方法是在對圖像進(jìn)行灰度化處理后，根據(jù)生成的灰度直方圖來隨機(jī)生成多個聚類中心，并組成父代抗體種群；本發(fā)明的關(guān)鍵在于首次將致密分離有效性函數(shù)作為評價準(zhǔn)則和模糊C-均值方法中的模糊優(yōu)化函數(shù)相結(jié)合，形成多目標(biāo)優(yōu)化問題，并采用免疫克隆多目標(biāo)進(jìn)化算法對整個父代種群進(jìn)行多次迭代，從多個方向同時搜索，并行計算，最終得到最優(yōu)的聚類中心，輸出分類結(jié)果，有效地保留灰度圖像中的細(xì)節(jié)信息，減小錯分率，提高了灰度圖像分割的精度，為灰度圖像分割的后續(xù)操作提供更好的平臺?？捎糜谔崛『瞳@得灰度圖像的細(xì)節(jié)信息。
【專利說明】基于多目標(biāo)模糊聚類的灰度圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理領(lǐng)域，主要涉及灰度圖像分割方法，具體是一種基于多目標(biāo)模糊聚類的灰度圖像分割方法，可用于提取灰度圖像的細(xì)節(jié)信息，為圖像處理后續(xù)的目標(biāo)識別、特征提取等工作提供較好的信息基礎(chǔ)。
【背景技術(shù)】
[0002]隨著各種成像技術(shù)的發(fā)展，人們對處理圖像的需求與應(yīng)用日益增加。例如:網(wǎng)絡(luò)圖像，遙感圖像，合成孔徑雷達(dá)圖像等都已經(jīng)成為重要的研究領(lǐng)域。圖像分割是圖像處理中的一個重要問題，它既是對所有圖像預(yù)處理效果的一個檢驗，也是后續(xù)進(jìn)行圖像分析與解譯的基礎(chǔ)。圖像分割就是按照圖像的某些特征把圖像中具有特殊涵義的不同區(qū)域分開來，比如根據(jù)灰度圖像像素之間的不同灰度級別而進(jìn)行分割，分割后使得同一區(qū)域中的像素灰度值相近，而相鄰區(qū)域間的灰度值有明顯的差別。
[0003]最近幾年，通過將原有的圖像分割方法與其他學(xué)科相交叉結(jié)合，人們提出了許多新穎有效的圖像分割方法，主要包括:閾值分割法、區(qū)域增長法、形態(tài)學(xué)分割法和進(jìn)化聚類等方法。這些方法由于沒有考慮圖像具有的模糊性和不確定性，因此難以得到準(zhǔn)確的結(jié)果。而模糊聚類的方法是將模糊集的概念應(yīng)用于聚類分析中，它通過描述圖像中的每個像素屬于各個聚類中心的不確定程度來表示圖像的模糊性，因此得到了廣泛應(yīng)用。尤其是模糊C-均值法FCM，它是聚類算法中最為典型的一種非監(jiān)督的模糊聚類方法，并被廣泛的應(yīng)用于圖像分割、數(shù)據(jù)聚類、模式識別等領(lǐng)域。
[0004]FCM是一種基于優(yōu)化模糊目標(biāo)函數(shù)的聚類方法，它的主要實現(xiàn)過程是將圖像中向量空間的樣本點按照某種規(guī)則度量劃分聚類成所要求取的K個子空間，評判聚類結(jié)果中每個像素的特征是根據(jù)該數(shù)據(jù)與聚類中心的隸屬程度，該隸屬度是用一個O?I區(qū)間的數(shù)值來表示，增加了類別間的模糊性，因此FCM聚類分割算法具有良好的局部收斂性，并且適合在高維特征空間中進(jìn)行像素的分類。然而FCM算法在處理圖像分割時的不足之處在于:(I)FCM算法沒有充分考慮圖像的空間信息，僅僅將所有樣本作為分散的樣本點進(jìn)行聚類，導(dǎo)致最后的分割結(jié)果在區(qū)域一致性上很差，區(qū)域內(nèi)部存在雜點；(2)FCM算法對初始值和噪聲比較敏感，容易陷入局部最優(yōu)，導(dǎo)致分割效果較差。
[0005]經(jīng)過網(wǎng)絡(luò)查新，未發(fā)現(xiàn)有與本發(fā)明相同的技術(shù)方案。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于克服上述已有方法的不足，提出了一種基于多目標(biāo)模糊聚類的灰度圖像分割方法，以提高灰度圖像分割中細(xì)節(jié)部分的保留，提高圖像分割的精度，為后續(xù)圖像處理提供良好的信息基礎(chǔ)，進(jìn)而為整個的圖像信息處理過程減小誤差。
[0007]實現(xiàn)本發(fā)明目的的技術(shù)方案包括如下步驟:
[0008](I)讀入一幅不含噪聲的灰度圖像I，并統(tǒng)計該灰度圖像I的灰度直方圖GH，GH =In1, I = 0，1，...，255}，I是灰度圖像I的灰度級，H1是灰度級I的像素點個數(shù)。[0009](2)根據(jù)灰度圖像I的灰度直方圖GH隨機(jī)生成聚類中心C，C= Ici, i = 1，...，K}，在本發(fā)明中聚類中心C也稱為抗體，Ci為第i類的聚類中心，K為灰度圖像I的分割類別數(shù)。
[0010](3)按照步驟(2)對灰度圖像I進(jìn)行操作，生成N個抗體，組成灰度圖像I的父代抗體種群VSV= {Cj, j = 1，...，N}，其中N為灰度圖像I的種群個數(shù)，設(shè)種群迭代次數(shù)為t, t的初始取值為1，j是循環(huán)變量。
[0011](4)根據(jù)灰度圖像I的父代抗體種群V中任意抗體C，計算灰度圖像I的模糊隸屬度矩陣U為:
[0012]U = {uib, i = I,..., K, b = I,..., M},
[0013]其中，M是灰度圖像I的像素點總個數(shù)，Uib是灰度圖像I中第b個像素點Xb屬于第i類的模糊隸屬度，表示為:
【權(quán)利要求】
1.一種基于多目標(biāo)模糊聚類的灰度圖像分割方法，其特征在于包括有如下 步驟: (1)讀入一幅不含噪聲的灰度圖像I，并統(tǒng)計灰度圖像I的灰度直方圖GH為GH=In1, 1=O, 1,..., 255}，I是灰度圖像I的灰度級，H1是灰度級I的像素點個數(shù)； (2)根據(jù)灰度圖像I的灰度直方圖GH隨機(jī)生成聚類中心C，C={Ci，i = 1，...，K}，聚類中心C也稱為抗體，Ci為第i類的聚類中心，K為灰度圖像I的分割類別數(shù)； (3)按照步驟(2)對灰度圖像I進(jìn)行操作，生成N個抗體，組成灰度圖像I的父代抗體種群V為V = (Cj, j = 1，...，N}，其中N為灰度圖像I的種群個數(shù)，設(shè)種群迭代次數(shù)為t，t的初始取值為1，j是循環(huán)變量； (4)根據(jù)灰度圖像I的父代抗體種群V中任意抗體C，計算灰度圖像I的模糊隸屬度矩陣U為:
U = {uib，i = 1，...，K，b = 1，...，Μ}， 其中，M是灰度圖像I的像素點總個數(shù)，Uib是灰度圖像I中第b個像素點Xb屬于第i類的模糊隸屬度，表示為:





2.根據(jù)權(quán)利要求1所述的基于多目標(biāo)模糊聚類的灰度圖像分割方法，其特征在于:步驟(6)中所述的兩個目標(biāo)函數(shù)值表示為:
3.根據(jù)權(quán)利要求2所述的基于多目標(biāo)模糊聚類的灰度圖像分割方法，其特征在于:步驟(8)中從灰度圖像I的父代抗體種群V中尋找非支配抗體Cf，形成非支配抗體種群Vf，其過程包括: 8.1選取灰度圖像I的父代抗體種群V中的任意一個抗體Cf ； 8.2判斷抗體Cf是否滿足下述條件:
Cj Φ C^f1 (C*) ^ ^ (Cj)&f2(C*) > f2 (Cj)) I I (f! (C*) > ^ (Cj)&f2(C*) ^ f2(Cj)), 其中fW)和f2(cf)分別是抗體Cf的目標(biāo)函數(shù)和目標(biāo)函數(shù)f2的值，A(Cj)和 f2 (Cj)分別是抗體Cj的目標(biāo)函數(shù)和目標(biāo)函數(shù)f2的值，j = 1，...，N ; 8.3滿足上述條件的抗體Cf稱為非支配抗體，Vf是灰度圖像I的父代抗體種群V中所有非支配抗體Cf的集合。
4.根據(jù)權(quán)利要求3所述的基于多目標(biāo)模糊聚類的灰度圖像分割方法，其特征在于:步驟(12)中所述的最高迭代次數(shù)gmax在50到100之間取值。
【文檔編號】G06T7/00GK103473786SQ201310478585
【公開日】2013年12月25日 申請日期:2013年10月13日 優(yōu)先權(quán)日:2013年10月13日
【發(fā)明者】尚榮華, 焦李成, 王佳, 馬文萍, 公茂果, 齊麗萍, 李陽陽, 王爽, 馬晶晶 申請人:西安電子科技大學(xué)