[發(fā)明專利]基于多目標進化聚類和空間信息的圖像過分割優(yōu)化方法

有效

• 申請?zhí)枺?/td>: 200910021397.1
• 申請日: 2009-03-05
• 公開（公告）號: CN101499136A
• 公開（公告）日: 2009-08-05
• 發(fā)明（設(shè)計）人: 王爽;梁建華;焦李成;侯彪;劉芳;公茂果;張曉靜
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06T7/00
• 代理公司: 陜西電子工業(yè)專利中心
• 代理人: 張問芬

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及該技術(shù)在圖像分割領(lǐng)域的應(yīng)用，具體地說是一種基于多目標進化聚類和圖像空間信息的圖像分割方法，即S-MOCO。該方法可用在圖像分割技術(shù)領(lǐng)域中。

背景技術(shù)

圖像分割是圖像理解與模式識別的基礎(chǔ)，廣泛應(yīng)用于醫(yī)學(xué)、軍事、氣象、氣候、環(huán)境等領(lǐng)域，是當(dāng)前研究的熱點與難點。迄今為止，研究者已經(jīng)提出很多圖像分割方法，他們大致可以分為以下三類：基于區(qū)域的圖像分割，基于邊緣的圖像分割以及基于閾值的分割方法。分水嶺變換是一種常用的基于區(qū)域的一種圖像分割算法，它具有簡單，快速，可得到連續(xù)閉合分割邊緣的優(yōu)點。但是，分水嶺變換極易導(dǎo)致過分割。所以，為了達到滿意的分割結(jié)果，需要對圖像做一些必須的預(yù)處理或者是后處理。對圖像做預(yù)處理的目的一般是降低噪聲對圖像的影響，比如Jung?C?R，Scharcanski?J等人是以非抽取小波方法對圖像進行去噪，并增強圖像邊緣，計算梯度，然后進行分水嶺變換，參見Jung?C?R，Scharcanski?J，RobustWatershed?Segmentation?Using?the?Wavelet?Transform[C].Proceedings?of?the?XVBrazilian?Symposium?on?CGIP，2002：131-137。而對圖像的過分割結(jié)果做后處理的目的是降低過分割，也就是將不必要的細節(jié)部分去掉，保留重要的分割結(jié)果。這些不必要的“細節(jié)”可以是邊緣也可以是區(qū)域。比如Hansen?M和Higgins?W等人通過合并區(qū)域來達到降低過分割的目的，參見Hansen?M和Higgins?W.，《Watershed-driven?Relaxation?Labeling?forImageSegmentation》，Proceedings?of?the?ICIP，TX：Austin，1994，3：460-464。而Shinn-YingHo和Kual-Zheng?Lee等人則是應(yīng)用進化算法設(shè)法去除那些冗余的邊緣，參見Shinn-Ying?Ho，Kual-Zheng?Lee，《An?Efficient?Evolutionary?Image?Segmentation?Algorithm》，Proceedingsof?the?2001?Congress?on?Evolutionary?Computation，Piscataway，USA，pp1327-1334，2001。事實上，降低過分割的過程可以被看作一個優(yōu)化的過程，優(yōu)化的目標可以是區(qū)域內(nèi)的一致性與區(qū)域間的差異性等準則。

數(shù)據(jù)聚類是新興學(xué)科數(shù)據(jù)挖掘中的重要概念，是當(dāng)前研究的熱點之一。數(shù)據(jù)聚類的基本概念是按照一個固定規(guī)則，將給定的一些數(shù)據(jù)聚為幾組，這些數(shù)據(jù)按照規(guī)則在組內(nèi)具有相似性，而組間具有向異性。數(shù)據(jù)聚類本質(zhì)上就是一個優(yōu)化“固定規(guī)則”的過程，所以降低過分割的問題可以被轉(zhuǎn)化為一個聚類問題。在聚類算法中，模糊C均值，F(xiàn)CM聚類是最為重要的聚類方法之一，在各個領(lǐng)域中得到了廣泛的應(yīng)用，但是它也具有一些固有的缺點，比如它對初始聚類中心和噪聲很敏感。很多研究者將進化算法引入FCM聚類來解決這個問題，比如Yuukuu?Horita，Tadahni?Murai等人將遺傳算法引入聚類來解決這個問題，參見YuukuuHorita，Tadahni?Murai?and?Makoto?Mbahara，《Region?Segmentation?Using?K-MeanClustering?and?Genetic?Algorithms》。

在此，雖然傳統(tǒng)的單目標進化算法是一個很好的選擇，但是實際情況往往要求我們同時優(yōu)化多個目標函數(shù)。在大多數(shù)情況下，研究者一般先將多個目標函數(shù)進行加權(quán)求和，得到單個目標函數(shù)，然后按單目標進行優(yōu)化。隨著研究的深入，人們發(fā)現(xiàn)上述的處理方法只能夠在一定的程度上滿足我們的需要。對于很多實際的多目標優(yōu)化問題，多目標算法中的不同目標之間往往存在著很大的差異，甚至是互不相容的特點，如果將多目標按單目標優(yōu)化的方法來處理，顯然得不到最佳的結(jié)果。在這種情況下，多目標進化優(yōu)化算法便是一種更佳的選擇。從1984年Schaffer提出了第一種多目標進化算法(MOEA)開始，它經(jīng)歷了上世紀90年代中后期的國際研究熱潮。目前，多目標進化已成為國際學(xué)術(shù)界跨學(xué)科研究的熱點和前沿?？墒牵嗄繕诉M化算法還是一個新興的研究領(lǐng)域，各方面的應(yīng)用也不如單目標進化算法廣泛。在圖像分割方面，多目標進化算法的應(yīng)用更少。

發(fā)明內(nèi)容