[發(fā)明專利]基于免疫譜聚類的圖像分割方法

有效

• 申請(qǐng)?zhí)枺?/td>: 200810150180.6
• 申請(qǐng)日: 2008-06-27
• 公開（公告）號(hào): CN101299243A
• 公開（公告）日: 2008-11-05
• 發(fā)明（設(shè)計(jì)）人: 張向榮;焦李成;騫曉雪;公茂果;李陽陽;侯彪;馬文萍;劉若辰
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/46;G06T7/00;G06T5/00
• 代理公司: 陜西電子工業(yè)專利中心
• 代理人: 王品華;黎漢華

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種圖像分割方法，可用于對(duì)SAR圖像處理和計(jì)算機(jī)視覺領(lǐng)域的圖像分割。

背景技術(shù)

圖像分割是圖像處理和計(jì)算機(jī)視覺中基本而關(guān)鍵的技術(shù)之一，是指把圖像分成各具特性的區(qū)域，圖像中的區(qū)域是指一個(gè)互相連通的、具有一致的“有意義”屬性的像元集合。在很多機(jī)器視覺和圖像處理算法中，對(duì)圖像特征作了簡(jiǎn)單的假設(shè)：圖像局部區(qū)域的強(qiáng)度是均勻的，不同的區(qū)域具有不同的強(qiáng)度。不過也有不少實(shí)際物體的圖像并不滿足這一假設(shè)，例如木材的表面、頭發(fā)、編織物、草地、沙灘，其圖像具有強(qiáng)度的變化，這種變化形成了某種重復(fù)的、視覺上可以感知的“紋理”，這時(shí)圖像中的不同區(qū)域是根據(jù)紋理而不是形狀或強(qiáng)度均勻性來識(shí)別的。因此首先要提取圖像的紋理特征，以獲得一幅圖像的特征集合，然后再對(duì)這個(gè)特征集合進(jìn)行分割。

對(duì)圖像的特征集合的分割可以歸結(jié)為一個(gè)聚類問題。聚類就是按照一定的要求和規(guī)律對(duì)事物進(jìn)行區(qū)分和分類的過程。聚類分析則是指用數(shù)學(xué)的方法研究和處理給定對(duì)象，是多元統(tǒng)計(jì)分析的一種，也是無監(jiān)督模式識(shí)別的一個(gè)重要分支。它把一個(gè)沒有類別標(biāo)記的樣本集按某種準(zhǔn)則劃分成若干個(gè)子集，使相似的樣本盡可能歸為一類，而不相似的樣本盡量劃分到不同的類中。聚類問題一直是機(jī)器學(xué)習(xí)和模式識(shí)別領(lǐng)域一個(gè)比較活躍而且極具挑戰(zhàn)性的研究方向，近幾年產(chǎn)生了大量的解決該問題的相關(guān)算法。現(xiàn)有的基于產(chǎn)生式模型的聚類方法由于要使用參數(shù)密度估計(jì)，不得不簡(jiǎn)化問題的模型，如假設(shè)每一類的分布是高斯分布，就使得這些算法僅在具有凸形結(jié)構(gòu)的數(shù)據(jù)上有好的效果，不適于具有任意分布的復(fù)雜形式的聚類問題。其次，由于對(duì)數(shù)似然存在局部最小值，因而在獲得滿意聚類的同時(shí)不得不嘗試幾種初始結(jié)構(gòu)。其它算法如基于中心的聚類算法，即代表性的有k-均值算法，在超球形分布的數(shù)據(jù)集合上有很好的性能，不適于任意形狀聚類，并且利用迭代優(yōu)化方法尋找最優(yōu)解，不能保證收斂到全局最優(yōu)解。

最近一類有效的聚類方法開始受到廣泛關(guān)注。該類方法建立在譜圖理論基礎(chǔ)之上，利用數(shù)據(jù)相似矩陣的特征向量進(jìn)行聚類，因而統(tǒng)稱為譜聚類。譜聚類算法是一種基于兩點(diǎn)間相似關(guān)系的方法，適用于非測(cè)度空間。由于該算法與數(shù)據(jù)點(diǎn)的維數(shù)無關(guān)，僅與數(shù)據(jù)點(diǎn)的個(gè)數(shù)有關(guān)，因而可以避免由特征向量的維數(shù)過高所造成的奇異性問題。譜聚類算法又是一個(gè)判別式方法，不用對(duì)數(shù)據(jù)的全局結(jié)構(gòu)作假設(shè)，而是首先收集局部信息來表示兩點(diǎn)屬于同一類的可能性，然后根據(jù)某一聚類準(zhǔn)則作全局決策，將所有數(shù)據(jù)點(diǎn)劃分到不同的數(shù)據(jù)集合中。通常這樣的準(zhǔn)則可以在一個(gè)嵌入空間中得到解釋，該嵌入空間是由數(shù)據(jù)矩陣的某幾個(gè)特征向量張成的。例如NJW方法就是譜聚類中的一種對(duì)圖像的分割方法，其過程是，首先提取圖像的紋理特征構(gòu)成特征集，再對(duì)特征集映射得到映射集，然后對(duì)映射集用k-均值聚類以獲得聚類中心，最后用得到的聚類中心對(duì)圖像的每一個(gè)像素點(diǎn)賦類別，類標(biāo)表示最終的分割結(jié)果，如圖1所示。

該譜方法成功的原因在于：通過特征分解，可以獲得聚類準(zhǔn)則在放松了的連續(xù)域中的全局最優(yōu)解。然而這種經(jīng)典的譜聚類算法在映射域中采用的是k-均值聚類，k-均值本身存在的對(duì)初始化敏感和易陷入局部最優(yōu)，不易執(zhí)行的缺點(diǎn)，因此用它進(jìn)行圖像分割的結(jié)果較差。

發(fā)明的內(nèi)容

本發(fā)明的目的在于克服已有技術(shù)的不足，即經(jīng)典譜聚類算法中采用的k-均值聚類具有對(duì)初始化敏感，易陷入局部最優(yōu)的缺點(diǎn)，提出一種基于免疫譜聚類的圖像分割方法，以實(shí)現(xiàn)改善圖像分割效果，該方法具有識(shí)別非凸聚類的能力，且在實(shí)際應(yīng)用中易于執(zhí)行。

本發(fā)明的技術(shù)方案是：利用譜聚類的維數(shù)縮減特性獲得數(shù)據(jù)在映射空間的分布；在此基礎(chǔ)上，構(gòu)造一種新的免疫克隆聚類用于在映射空間中對(duì)樣本進(jìn)行聚類，并通過譜聚類映射，在映射域中能夠獲得緊致聚類，具體過程如下：

(1)提取輸入圖像的紋理特征，并將圖像中的每一個(gè)像素點(diǎn)用一個(gè)特征向量表示，得到圖像特征集；

(2)通過譜聚類算法將圖像特征集映射到一個(gè)線性測(cè)度空間，得到它的映射數(shù)據(jù)集；

(3)按照給定的圖像劃分類別數(shù)目，從映射數(shù)據(jù)集中隨機(jī)選出相應(yīng)數(shù)目的數(shù)據(jù)作為初始聚類中心，依次進(jìn)行克隆、變異、選擇和判決，找出與其類別數(shù)目相同的最優(yōu)聚類中心；

(4)將圖像特征集的所有像素點(diǎn)劃分到離其最近的最優(yōu)聚類中心中，并對(duì)每個(gè)像素點(diǎn)按其所在最優(yōu)聚類中心的類別賦一個(gè)類標(biāo)，即為圖像的分割結(jié)果。

所述的步驟(3)的實(shí)現(xiàn)過程如下：

(3a)從映射集Y中隨機(jī)選出c個(gè)數(shù)據(jù)作為初始聚類中心，并表示為：