本發(fā)明隸屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及圖像分割方法。本發(fā)明可用于對合成孔徑雷達(dá)SAR圖像、紋理圖像和自然圖像的分割。

背景技術(shù)：
圖像分割是計(jì)算機(jī)視覺和模式識別中關(guān)鍵技術(shù)之一，是近年來在許多學(xué)者將智能計(jì)算技術(shù)應(yīng)用于圖像分割領(lǐng)域，其主要包括神經(jīng)網(wǎng)絡(luò)、遺傳算法、群智能算法以及人工免疫系統(tǒng)框架。進(jìn)化多目標(biāo)優(yōu)化是進(jìn)化領(lǐng)域的一個(gè)重要研究方向，而基于pareto最優(yōu)解概念的多目標(biāo)遺傳算法則是當(dāng)前遺傳算法的研究熱點(diǎn)。所謂分割就是將圖像分為若干個(gè)部分，每個(gè)部分代表圖像中不一樣的特征，并把同一部分像素標(biāo)記為相同的值，每個(gè)相同的值在分割過程中對應(yīng)一個(gè)標(biāo)記號。只要找到對應(yīng)像素的特征標(biāo)記號，就行得到對像素的分類結(jié)果，從而實(shí)現(xiàn)圖像分割。西安電子科技大學(xué)在其申請的專利“基于空間鄰域信息的FCM紋理圖像分割方法”(專利申請?zhí)?01010522144.5，公開號CN101976438A)中公開了一種利用空間鄰域信息的FCM聚類分配像素標(biāo)號的圖像分割方法。該方法能保證空間信息的完整性，減少雜點(diǎn)，但是該方法存在的不足是，過度依賴初始值，對隸屬度的選擇敏感，容易出現(xiàn)早熟現(xiàn)象，該方法的魯棒性較差。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于進(jìn)化多目標(biāo)進(jìn)化的圖像分割方法，以避免陷入局部最優(yōu)和早熟現(xiàn)象，提高分割的魯棒性。為實(shí)現(xiàn)上述目的，本發(fā)明具體實(shí)現(xiàn)步驟包括如下：(1)輸入一幅待分割圖像；(2)根據(jù)待分割圖像的類型，進(jìn)行不同操作：若待分割圖像為紋理圖像或SAR圖像，則提取圖像紋理特征后執(zhí)行步驟(3)，若待分割圖像為自然圖像，則直接執(zhí)行步驟(3)；(3)對待分割圖像進(jìn)行初分割，得到初分割對象數(shù)據(jù)；(4)對初分割對象數(shù)據(jù)進(jìn)行初始化，得到種群；(5)計(jì)算種群中每個(gè)個(gè)體的兩個(gè)適應(yīng)度值；(6)獲得非支配種群6a)根據(jù)個(gè)體的兩個(gè)適應(yīng)度值和Pareto準(zhǔn)則，對種群進(jìn)行非支配排序得到非支配個(gè)體，將所有的非支配個(gè)體組成一個(gè)臨時(shí)種群；6b)創(chuàng)建一個(gè)空的非支配種群，如果臨時(shí)種群的大小小于設(shè)定的非支配種群個(gè)體數(shù)的上限，則將臨時(shí)種群中個(gè)體直接復(fù)制到非支配種群中，否則采用計(jì)算擁擠距離的方法對臨時(shí)種群進(jìn)行排序，根據(jù)排序結(jié)果和給定的非支配種群上限選取非支配個(gè)體復(fù)制到非支配種群中，得到非支配種群；(7)創(chuàng)建一個(gè)空的活躍種群，如果非支配種群的個(gè)體數(shù)不大于活躍種群的個(gè)體數(shù)上限，則將非支配種群的個(gè)體直接復(fù)制到活躍種群中，否則根據(jù)擁擠距離選擇活躍種群限定個(gè)數(shù)的個(gè)體復(fù)制到活躍種群中，得到活躍種群；(8)判斷是否對活躍種群執(zhí)行進(jìn)化操作，如果已經(jīng)執(zhí)行進(jìn)化操作，則判斷進(jìn)化次數(shù)是否達(dá)到迭代上限，如果達(dá)到迭代上限則停止迭代，執(zhí)行步驟(10)，如果未執(zhí)行進(jìn)化操作或未達(dá)到迭代上限則執(zhí)行步驟(9)，繼續(xù)對活躍種群執(zhí)行進(jìn)化操作；(9)進(jìn)化活躍種群9a)用同比例克隆方法對活躍種群進(jìn)行克隆操作,得到克隆種群；9b)用交叉算子對活躍種群和克隆種群進(jìn)行交叉操作重組種群中的個(gè)體信息，保留交叉操作后的種群；9c)用變異算子對克隆種群進(jìn)行變異，保留變異操作后的種群；9d)合并非支配種群、交叉操作后的種群和變異操作后的種群，得到新的種群，轉(zhuǎn)步驟(5)對新的種群個(gè)體進(jìn)行適應(yīng)度評價(jià)；(10)將步驟(7)得到的活躍種群的個(gè)體的適應(yīng)度值歸一化到閉區(qū)間[0.0,1.0]，計(jì)算每個(gè)個(gè)體歸一化后兩個(gè)目標(biāo)函數(shù)值的和，選擇其最小的個(gè)體作為最優(yōu)個(gè)體；(11)對選取的最優(yōu)個(gè)體按圖像塊標(biāo)記其類標(biāo)號，再對圖像塊內(nèi)的所有像素點(diǎn)標(biāo)記類標(biāo)號，每一個(gè)類標(biāo)號分別從閉區(qū)間[0,255]中選擇一個(gè)整數(shù)作為對應(yīng)的像素值，將對應(yīng)像素值賦值給每個(gè)像素點(diǎn)得到最終分割結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：第一，本發(fā)明在圖像分割的種群初始化過程中采用了基于Prim算法的最小生成樹方法和隨機(jī)編碼兩種編碼方式生成種群，相比在初始化步驟中僅用隨機(jī)編碼生成種群，更具有針對性和可靠性，有效的解決了過度依賴初始值的問題,同時(shí)降低了聚類對初始值敏感的帶來的不可靠性，使得本發(fā)明提高了圖像分割方法的魯棒性和可靠性。第二，本發(fā)明在圖像分割的進(jìn)化過程中采用了多目標(biāo)進(jìn)化策略，多目標(biāo)的選取保證了對圖像的連通性和空間緊密性兩方面的考慮，同時(shí)在種群進(jìn)化過程中克隆操作采取了計(jì)算擁擠距離得到克隆比例的方法，克服了現(xiàn)有技術(shù)在進(jìn)化過程中容易陷入局部最優(yōu)的缺點(diǎn)，使得本發(fā)明提高了獲得到全局最優(yōu)解的可能，可以獲得更加準(zhǔn)確的圖像分割結(jié)果。第三，本發(fā)明在圖像分割的前期處理中采用了對紋理圖像和合成孔徑雷達(dá)SAR圖像提取圖像紋理特征的方法，為后面的聚類過程提供了更多的圖像細(xì)節(jié)信息，解決了現(xiàn)有技術(shù)在分割復(fù)雜圖像的情況下由于過度平滑而丟失過多局部信息的缺點(diǎn)，使得本發(fā)明提高了識別圖像中不顯著目標(biāo)的能力。附圖說明圖1為本發(fā)明的實(shí)現(xiàn)流程圖；圖2為用本發(fā)明與現(xiàn)有技術(shù)在合成孔徑雷達(dá)SAR圖像上的分割結(jié)果對比圖；圖3為用本發(fā)明與現(xiàn)有技術(shù)在自然圖像上的分割結(jié)果對比圖；圖4為用本發(fā)明與現(xiàn)有技術(shù)在紋理圖像上的分割結(jié)果對比圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。參照圖1，本發(fā)明的具體實(shí)現(xiàn)如下：步驟1，輸入一幅待分割圖像。本發(fā)明的待分割圖像為三種類型，分別為合成孔徑雷達(dá)SAR圖像，自然圖像和紋理圖像，針對三種圖像類型各選一幅圖像作為實(shí)例圖像，分別為大小為P＝256×25的合成孔徑雷達(dá)SAR圖像，其分割類別數(shù)為N＝3，大小為P＝320×330的自然圖像，其分割類別數(shù)為N＝2，大小為P＝256×256的紋理圖像，其分割類別數(shù)為N＝4。步驟2，提取待分割圖像的紋理特征。若待分割圖像為自然圖像，則直接執(zhí)行步驟3，若待分割圖像為紋理圖像或合成孔徑雷達(dá)SAR圖像，則按如下步驟提取圖像紋理特征：(2.1)用小波分解方法提取待分割圖像所有像素的前10維特征，其中小波分解方法采用對圖像進(jìn)行窗口大小為32×32的三層小波變換，得到由子帶系數(shù)所構(gòu)成的小波特征，作為每個(gè)像素的前10維小波特征向量；(2.2)用灰度共生矩陣方法提取待分割圖像所有像素的后12維特征,其步驟如下：(2.2.1)將圖像矢量化為B＝16個(gè)灰度級；(2.2.2)再依次令兩個(gè)像素點(diǎn)連線與橫軸的方向夾角為0°、45°、90°和135°，按照下式分別計(jì)算所述四個(gè)方向的灰度共生矩陣：P(i,j)＝#{(x1,y1),(x2,y2)∈M×R|f(x1,y1)＝r,f(x2,y2)＝s}其中，P(i,j)為灰度共生矩陣在坐標(biāo)(i,j)位置上的元素，#為集合{}的元素個(gè)數(shù)，(x1,y1)和(x2,y2)為距離等于1的兩個(gè)像素點(diǎn)坐標(biāo)，∈為集合中的屬于操作符號，M×R為圖像的大小，∣為概率論中的條件操作符號，f(x1,y1)＝r表示(x1,y1)處像素點(diǎn)矢量化后的灰度值等于r，f(x2,y2)＝s表示(x2,y2)處像素點(diǎn)矢量化后的灰度值等于s；(2.2.3)根據(jù)得到的灰度共生矩陣，分別得到該矩陣四個(gè)方向上的同質(zhì)區(qū)H、角二階矩E和對比度C值；(2.2.4)將所述四個(gè)方向的H、E、C值依次排列構(gòu)建每個(gè)像素的后12維特征向量。步驟3，對待分割圖像進(jìn)行初分割，獲得初分割對象數(shù)據(jù)。(3.1)用分水嶺方法對圖像進(jìn)行初分割，得到不同的圖像塊：(3.1.1)用圖像的膨脹變換減去其腐蝕變換，得到形態(tài)梯度圖像；(3.1.2)計(jì)算形態(tài)梯度圖像與自身的點(diǎn)積，得到反映圖像邊緣的浮點(diǎn)活動(dòng)圖像；(3.1.3)將浮點(diǎn)活動(dòng)圖像輸入分水嶺，得到T個(gè)不同的圖像塊；(3.2)對每一個(gè)圖像塊的所有像素點(diǎn)紋理特征向量取平均值，得到該塊的紋理特征向量；(3.3)用線性方法對所有圖像塊的紋理特征向量歸一化，即將塊的紋理特征向量數(shù)據(jù)映射到閉區(qū)間[-1,1]內(nèi)，得到初分割對象數(shù)據(jù)：y＝-1+2(x-min)/(max-min)其中，x為塊的紋理特征向量數(shù)據(jù)，min、max分別為所有紋理特征向量數(shù)據(jù)中的最小值和最大值。步驟4，對初分割對象數(shù)據(jù)進(jìn)行種群初始化。種群的初始化采用基于Prim算法的最小生成樹方法和隨機(jī)編碼兩種方式，得到個(gè)體數(shù)目為150的種群，具體步驟如下：(4.1)對初分割對象數(shù)據(jù)采用基于Prim算法的最小生成樹的方法生成種群個(gè)體數(shù)為50的第一部分種群，其步驟如下：(4.1.1)隨機(jī)選擇任一圖像塊作為初始點(diǎn)，由任意兩圖像塊的紋理特征向量間的歐式距離作為權(quán)值得到權(quán)值矩陣，選取滿足距離初始點(diǎn)權(quán)值最小的點(diǎn)作為初始點(diǎn)的葉子節(jié)點(diǎn)，依此類推遍歷所有圖像塊，生成圖像塊之間的連接圖；(4.1.2)根據(jù)待分割圖像的分割類別數(shù)N，將連接圖隨機(jī)斷開N-1處，得到解碼后的N個(gè)部分；(4.1.3)將解碼后的N個(gè)部分分別編碼為N個(gè)類別號，得到種群中個(gè)體；(4.2)對初分割對象數(shù)據(jù)采用隨機(jī)編碼方法生成種群個(gè)數(shù)為100的第二部分種群，隨機(jī)編碼的方法如下：對類別數(shù)為N、個(gè)體長度即初分割得到的圖像塊數(shù)為T的待分割圖像，對T個(gè)圖像塊中每一個(gè)圖像塊都隨機(jī)從閉區(qū)間[1，N]選擇一個(gè)整數(shù)值作為類別標(biāo)簽，表示該圖像塊所屬的類別，得到種群中個(gè)體；(4.3)將第一部分種群和第二部分種群合并，得到個(gè)體數(shù)為150的待處理種群。步驟5，計(jì)算種群中個(gè)體的兩個(gè)適應(yīng)度值?，F(xiàn)有很多對個(gè)體的適應(yīng)度評價(jià)的函數(shù)，選取多個(gè)目標(biāo)函數(shù)作為個(gè)體的適應(yīng)度評價(jià)函數(shù)以保證圖像的多方面的特征，所以本發(fā)明選取多個(gè)目標(biāo)函數(shù)并對其進(jìn)行優(yōu)化，在選取目標(biāo)時(shí)應(yīng)本著互補(bǔ)的原則，兼顧圖像多方面的特征?，F(xiàn)有一些對個(gè)體適應(yīng)度評價(jià)的多目標(biāo)函數(shù)，比如基于模糊聚類的全局集群方差和綜合全局及局部信息的XB指標(biāo)函數(shù)，參見SanghamitraBandyopadhyay等的《MultiobjectiveGeneticClusteringforPixelClassificationinRemoteSensingImagery》,基于點(diǎn)對稱距離的Sym-index和綜合全局及局部信息的XB指標(biāo)，參見SriparnaSaha等的《AutomaticMRbrainimagesegmentationusingamultiseedbasedmultiobjectiveclusteringapproach》，這些目標(biāo)函數(shù)在圖像分割上有很好的效果，但是其公式計(jì)算繁瑣復(fù)雜度高，而本發(fā)明選取的目標(biāo)函數(shù)為基于硬聚類的內(nèi)部集群方差和表示空間信息的近鄰懲罰函數(shù)，這兩個(gè)目標(biāo)函數(shù)反應(yīng)了對圖像的緊密度和連通性兩方面的需求，計(jì)算較其它目標(biāo)函數(shù)更加簡單直觀，且收斂性好，對種群中每個(gè)個(gè)體分別計(jì)算此兩個(gè)目標(biāo)函數(shù)的方法如下：(5.1)選取表示圖像緊密度的基于硬聚類的內(nèi)部集群方差Dev(x)作為第一個(gè)適應(yīng)度值：對每個(gè)個(gè)體的圖像塊根據(jù)編碼值計(jì)算每一類到聚類中心的距離和，再計(jì)算所有類到距離中心的距離和的總和，得到個(gè)體的內(nèi)部集群方差，其計(jì)算公式為：其中，x為所有圖像塊的集合，xk為屬于第k類的所有圖像塊，i為屬于第k類的圖像塊中的一個(gè)圖像塊，μk為第k類的聚類中心，δ(i,μk)為兩圖像塊間的歐式距離；(5.2)選取表示圖像連通性的近鄰懲罰函數(shù)Conn(x)作為第二個(gè)適應(yīng)度值：對每個(gè)個(gè)體的每個(gè)圖像塊計(jì)算與其最近的L個(gè)圖像塊的懲罰值，再將所有圖像塊的懲罰值求和得到近鄰懲罰值，其計(jì)算公式為：其中，其中，nij為距第i塊像素均值第j近的圖像塊，本方法選取的為與該圖像塊像素均值最接近的L＝20個(gè)圖像塊，N為分類數(shù)目，xr,s為對圖像塊r的懲罰值，如果圖像塊r與圖像塊s在同一類其值為0，若不在同一類其值為1/δ(xr,xs)，其中δ(xr,xs)為該兩圖像塊r和s間的歐式距離，∈為集合中的屬于操作符號，表示不存在性，為邏輯與。步驟6，獲得非支配種群。(6.1)根據(jù)個(gè)體的適應(yīng)度值和Pareto準(zhǔn)則，對種群進(jìn)行非支配排序得到非支配個(gè)體，將所有的非支配個(gè)體組成一個(gè)臨時(shí)種群，其中，Pareto準(zhǔn)則為：對M個(gè)多目標(biāo)變量的多目標(biāo)優(yōu)化問題可表述為：minF(x)＝(f1(x),f2(x),…,fM(x))T,x∈X假設(shè)xA,xB∈X為兩個(gè)可行解，若xAPareto支配xB，則存在且只存在記作xA＞xB,如果不存在其它解支配xA，則稱xA為非支配解，其中X為可行域，x為可行域中的個(gè)體，fi(x)為第i個(gè)目標(biāo)函數(shù)，F(xiàn)(x)為多個(gè)目標(biāo)函數(shù)值得到的矩陣，min表示對F(x)進(jìn)行最小化計(jì)算，()T表示對()內(nèi)矩陣的轉(zhuǎn)置，表示任意性，表示存在性，為邏輯與，在本發(fā)明中，M值為2，兩個(gè)目標(biāo)函數(shù)分別選取步驟5得到的內(nèi)部集群方差Dev(x)和近鄰懲罰函數(shù)Conn(x)；(6.2)創(chuàng)建一個(gè)空的非支配種群，并設(shè)定種群的個(gè)數(shù)上限為nN＝50，如果臨時(shí)種群的大小小于設(shè)定的非支配種群個(gè)體數(shù)的上限nN，則將臨時(shí)種群中個(gè)體直接復(fù)制到非支配種群中，否則采用計(jì)算擁擠距離的方法對臨時(shí)種群進(jìn)行降序排序，根據(jù)排序結(jié)果選取前nN個(gè)個(gè)體復(fù)制到非支配種群中；其中，計(jì)算擁擠距離的步驟如下：(6.2.1)創(chuàng)建一個(gè)二維坐標(biāo)系，將非支配種群中的每個(gè)個(gè)體的兩個(gè)目標(biāo)函數(shù)值分別作為個(gè)體的兩個(gè)坐標(biāo)值，將所有個(gè)體依照坐標(biāo)值放在二維坐標(biāo)系上；(6.2.2)對坐標(biāo)系內(nèi)的非邊界點(diǎn)，將距離當(dāng)前點(diǎn)最近的前一個(gè)和后一個(gè)點(diǎn)作為矩形的兩個(gè)對角頂點(diǎn)計(jì)算該矩形的周長作為該點(diǎn)的擁擠距離idistance，對兩個(gè)邊界點(diǎn)設(shè)定其擁擠距離為非邊界點(diǎn)中最大的擁擠距離的2倍。步驟7，獲得活躍種群。創(chuàng)建一個(gè)空的活躍種群，并設(shè)定種群的個(gè)數(shù)上限為nA＝20，如果非支配種群的個(gè)體數(shù)不大于nA，則將非支配種群的個(gè)體直接復(fù)制到活躍種群中，否則擁擠距離進(jìn)行降序排序，選擇前nA個(gè)體復(fù)制到活躍種群中，得到活躍種群。步驟8，終止條件的判斷。判斷是否對種群進(jìn)行進(jìn)化操作，如果已經(jīng)執(zhí)行進(jìn)化操作，則判斷進(jìn)化次數(shù)是否達(dá)到迭代上限，如果達(dá)到最大迭代次數(shù)Gmax＝50次則停止迭代，執(zhí)行步驟10，如果未執(zhí)行種群進(jìn)化或未達(dá)到迭代上限則執(zhí)行步驟9。步驟9，進(jìn)化活躍種群。(9.1)用同比例克隆的方法對活躍種群進(jìn)行克隆操作得到克隆種群，克隆方法如下；(9.1.1)根據(jù)計(jì)算得到的個(gè)體的擁擠距離idistance確定待克隆個(gè)體的克隆比例，再根據(jù)克隆比例確定克隆強(qiáng)度即克隆次數(shù)的自適應(yīng)參數(shù)qi，其計(jì)算公式如下：其中，qi為對應(yīng)不同個(gè)體的克隆次數(shù)，idistance為步驟(6.2)中得到的個(gè)體的擁擠距離，nC為克隆種群的上限，nA為活躍種群的個(gè)體數(shù)，符號為向上取整操作符；(9.1.2)根據(jù)克隆次數(shù)qi對每個(gè)個(gè)體進(jìn)行復(fù)制操作，將復(fù)制得到的所有個(gè)體進(jìn)行保留得到克隆種群，對于活躍種群進(jìn)行克隆操作的公式為：其中，TC(ai)表示對待克隆個(gè)體ai進(jìn)行克隆操作，表示對ai克隆后得到的qi個(gè)個(gè)體，其中i＝1,2,…,nA，表示克隆后得到的個(gè)體，其值與ai相同，j＝1,2,…,qi，nA為待克隆種群即活躍種群包含的個(gè)體數(shù)，+為不同個(gè)體的組合而非算數(shù)運(yùn)算符，{}為表示其內(nèi)部個(gè)體的集合；(9.2)用交叉算子對活躍種群和克隆種群進(jìn)行交叉操作重組種群中的個(gè)體信息，保留交叉操作后的種群；交叉操作是采用交叉算子對克隆種群和活躍種群進(jìn)行操作，依次對克隆種群中的每個(gè)個(gè)體從活躍種群中隨機(jī)選取一個(gè)個(gè)體作為交叉對象，將這兩個(gè)個(gè)體作為父代染色體，在任意一個(gè)染色體上隨機(jī)選取一個(gè)位置作為交換點(diǎn)，將兩個(gè)父代染色體交換點(diǎn)的后半部分進(jìn)行交換，得到兩個(gè)新的個(gè)體并保存。對種群進(jìn)行交叉操作的公式為：其中，TR(ci)和crossover(ci,A)均表示對ci進(jìn)行交叉操作，crossover(ci,A)表示與ci進(jìn)行交叉操作的對象為隨機(jī)從活躍種群A中選取的個(gè)體，其中ci表示從克隆種群中選取的個(gè)體，A表示等概率從活躍種群中選取的個(gè)體，+為不同個(gè)體的組合而非算數(shù)運(yùn)算符，nC為克隆種群的個(gè)體數(shù)；(9.3)用變異算子對克隆種群進(jìn)行變異，保留變異操作后的種群：設(shè)定變異概率Pm＝0.1，依次對克隆種群中每個(gè)個(gè)體生成一個(gè)在閉區(qū)間[0.0,1.0]內(nèi)的隨機(jī)數(shù)值，如果生成的隨機(jī)數(shù)值小于設(shè)定的變異概率Pm則對個(gè)體隨機(jī)選擇一個(gè)變異位，將變異位的值隨機(jī)改為其它任意的類別值，得到新的個(gè)體并保存，否則對下一個(gè)個(gè)體生成隨機(jī)數(shù)。對種群進(jìn)行變異操作的公式為：其中，TH(ri)＝mutate(ri)表示對個(gè)體ri進(jìn)行變異操作，i＝1,2,…,nc，其中ri為交叉后種群中的個(gè)體，mutate(ri)表示按照概率Pm＝0.1對個(gè)體ri進(jìn)行變異操作，+為不同個(gè)體的組合而非算數(shù)運(yùn)算符，nC為待變異的種群即變異種群的個(gè)體數(shù)；(9.4)合并非支配種群、交叉操作后的種群和變異操作后的種群，得到新的種群，再返回步驟5對新的種群個(gè)體進(jìn)行適應(yīng)度評價(jià)。步驟10，產(chǎn)生最優(yōu)個(gè)體。(10.1)將步驟7得到的活躍種群中的個(gè)體適應(yīng)度值歸一化到閉區(qū)間[0.0,1.0]；(10.2)計(jì)算歸一化后兩個(gè)適應(yīng)度值的和，選擇其最小的個(gè)體作為最優(yōu)個(gè)體。步驟11，標(biāo)記并產(chǎn)生分割圖像。(11.1)對選取的最優(yōu)個(gè)體按區(qū)域塊標(biāo)記類標(biāo)號；(11.2)對標(biāo)記后的N個(gè)類標(biāo)號，分別從閉區(qū)間[0,255]中選擇N個(gè)不同整數(shù)作為對應(yīng)的像素值，將對應(yīng)像素值賦值給每個(gè)像素點(diǎn)得到最終分割結(jié)果。本發(fā)明的效果可通過以下仿真進(jìn)一步說明：應(yīng)用本發(fā)明方法以及現(xiàn)有技術(shù)的k均值方法、模糊C均值方法分別對一幅合成孔徑雷達(dá)SAR圖像、一幅自然圖像和一幅紋理圖像進(jìn)行分割的仿真實(shí)驗(yàn)，對合成孔徑雷達(dá)SAR圖像、自然圖像和紋理圖像從目標(biāo)識別能力、區(qū)域一致性、邊緣保持、細(xì)節(jié)保留等方面來評價(jià)這些圖像分割方法的性能。仿真1，應(yīng)用本發(fā)明方法及現(xiàn)有技術(shù)的k均值方法、模糊C均值方法對合成孔徑雷達(dá)SAR圖像進(jìn)行分割，分割結(jié)果如圖2所示。其中：圖2(a)為圖像原圖，圖像中包含平地、機(jī)場跑道、建筑物三個(gè)區(qū)域；圖2(b)為用本發(fā)明方法得到的仿真分割結(jié)果圖；圖2(c)為用k均值方法得到的仿真分割結(jié)果圖；圖2(d)為用模糊C均值方法得到的仿真分割結(jié)果圖。由圖2可以看出，雖然圖2(c)中用k均值方法和圖2(d)中用模糊C均值方法得到的分割結(jié)果都能把建筑區(qū)域分割出來，但左上側(cè)的機(jī)場跑道區(qū)域被腐蝕，而圖2(b)中用本方法得到的分割結(jié)果不但將建筑區(qū)域一致性地分割出來，而且能正確地、完整地識別出跑道區(qū)域，也完整地將細(xì)小的跑道區(qū)域呈現(xiàn)出來，保護(hù)了圖像的細(xì)節(jié)部分，獲得了更準(zhǔn)確的分割結(jié)果。仿真2，應(yīng)用本發(fā)明方法及現(xiàn)有技術(shù)的k均值方法、模糊C均值方法對自然圖像進(jìn)行分割，分割結(jié)果如圖3所示。其中：圖3(a)為圖像原圖，圖像中包含鳥及其所在的樹和天空兩個(gè)區(qū)域，鳥和樹作為目標(biāo)，天空作為背景；圖3(b)為用本發(fā)明方法得到的仿真分割結(jié)果圖；圖3(c)為用k均值方法得到的仿真分割結(jié)果圖；圖3(d)為用模糊C均值方法得到的仿真分割結(jié)果圖。由圖3可以看出，圖3(c)中用k均值方法和圖3(d)中用模糊C均值方法得到的分割結(jié)果都能把作為目標(biāo)的鳥和樹區(qū)域分割出來，而圖3(b)中用本方法得到的分割結(jié)果不但把作為目標(biāo)的鳥和樹區(qū)域分割出來，而且在鳥嘴、左側(cè)樹干樹干及左側(cè)拐角處都有更好的分割結(jié)果，具有更好的區(qū)域一致性，獲得了更準(zhǔn)確的分割結(jié)果。仿真3，應(yīng)用本發(fā)明方法及現(xiàn)有技術(shù)的k均值方法、模糊C均值方法對紋理圖像進(jìn)行分割，分割結(jié)果如圖4所示。其中：圖4(a)為圖像原圖，圖像為被一條直線和三條曲線分開的四類圖像；圖4(b)為用本發(fā)明方法得到的仿真分割結(jié)果圖；圖4(c)為用k均值方法得到的仿真分割結(jié)果圖；圖4(d)為用模糊C均值方法得到的仿真分割結(jié)果圖；圖4(e)為理想的分割結(jié)果圖。由圖4可以看出，根據(jù)圖4(e)中理想分割結(jié)果圖可以看出圖4(c)中用k均值方法和圖4(d)中用模糊C均值方法得到的分割結(jié)果都能將4個(gè)部分的大體輪廓分割出來，但是圖4(c)中用k均值方法得到的分割結(jié)果將兩個(gè)不同類的區(qū)域分割為同一區(qū)塊，出現(xiàn)了明顯的錯(cuò)分結(jié)果，而圖4(b)中用本方法得到的分割結(jié)果不但把4個(gè)目標(biāo)區(qū)域分割出來，而且比圖4(c)中用k均值方法和圖4(d)中用模糊C均值方法得到的分割結(jié)果在局部區(qū)域尤其是邊界部分的分割結(jié)果更好，錯(cuò)分的區(qū)域明顯減少，具有更好的區(qū)域一致性，獲得了更準(zhǔn)確的分割結(jié)果。