[發明專利]基于動態局部搜索和免疫克隆自動聚類的圖像分割方法

有效

• 申請號: 201610055347.5
• 申請日: 2016-01-27
• 公開（公告）號: CN105654498B
• 公開（公告）日: 2018-04-17
• 發明（設計）人: 尚榮華;焦李成;都炳琪;李風;劉芳;馬文萍;王爽;侯彪;劉紅英
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/12
• 代理公司: 陜西電子工業專利中心61205
• 代理人: 韋全生,王品華

技術領域

本發明屬于圖像處理技術領域，涉及一種自動聚類圖像分割方法，特別涉及一種基于動態局部搜索和免疫克隆自動聚類的圖像分割方法，可用于對圖像中特征目標的提取和對目標的識別跟蹤。

背景技術

圖像分割的過程就是把每個像素點作為一個數據點，分割的結果是為這些數據點賦予一個類標，具有同樣類標的像素點分成一類，從而實現對圖像的分割。聚類分析是數據挖掘的主要技術之一，將各種聚類方法應用于圖像分割是近年來在圖像分割領域的一個熱門研究方向。

從人工參與的程度來看，圖像分割可分為人工、半自動、自動三種類型。其中人工分割完全由操作者利用鼠標等工具勾畫出分割區域的輪廓，容易受操作者主觀因素的影響，并且費時費力重復性差；半自動分割需要針對具體圖像和任務確定參數的選取問題，包括設定閾值、分割目標的數目等，實際上多數分割方法都屬于半自動分割。自動分割就是利用自動聚類分析實現圖像的分割，其中自動聚類分析就是在自動搜索到數據集最優聚類個數的同時找到其最合理的劃分。

由于大多數自動聚類算法沒有充分考慮待分割圖像的全局信息，尤其是在針對多區域的圖像時，這類分割方法對噪聲點比較敏感，導致圖像分割的魯棒性較差，算法的適應范圍較小。為解決這些問題，近些年來研究人員將一些進化算法引入到自動聚類方法中，但由于這些進化算法本身在收斂性方面的不足且容易陷入局部最優分割方案，導致分割圖像過程中分割的精確度低，收斂速度比較慢。

例如，中國專利申請，授權公開號CN 101477686 B，名稱為“基于克隆選擇的無監督圖像分割方法”中，公開了一種基于克隆選擇的無監督圖像分割方法，該方法將克隆選擇用于對分割質量的優化，能夠在無指定分割區域數目的情況下，有效地對圖像進行自動分割。該方法雖然解決了傳統聚類方法中必須給出指定的分割類別數目的缺陷，減少了分割過程對先驗知識的依賴。但是，該方法仍然存在的不足之處是，其優化的目標函數中未包括全局緊致性和模糊分離度，沒有充分考慮圖像的全局信息，導致該方法適應范圍小，魯棒性差，從而不能正確的分割密度分布不均衡的圖像。又如Saha S和Bandyopadhyay S等人在Appl.Soft Comput.,2013,13:89-108上發表了“A generalized automatic clustering algorithm in a multi-objective framework”的論文，文中提出一種基于模擬退火算法的多目標自動聚類算法，該方法結合了模擬退火算法的框架對聚類的質量進行了優化，實驗結果表明該算法能夠檢測到適當的聚類個數，并且得到最合理的數據集劃分。雖然該算法的目標函數包含了很多聚類信息，但是由于模擬退火算法收斂速度慢并且算法性能與初始參數敏感的特點，從而導致聚類質量的不高，收斂速度較慢。

發明內容

本發明的目的在于克服上述現有技術存在的不足，提出了一種基于動態局部搜索和免疫克隆自動聚類的圖像分割方法，用于解決現有圖像分割方法中存在的分割精確度低、魯棒性差和收斂速度慢的技術問題。

為實現上述目的，本發明采取的技術方案為：

一種基于動態局部搜索和免疫克隆自動聚類的圖像分割方法，包括如下步驟：

(1)輸入一幅待分割圖像；

(2)采用基于聚類中心的可變長實數編碼方式編碼抗體，并對該抗體進行初始化，得到第一抗體種群A(t)；

(3)采用包含全局緊致性和模糊分離度的目標函數，對已得到的第一抗體種群A(t)進行克隆選擇操作，得到由非支配抗體組成的第二抗體種群A⁽¹⁾(t)；

(4)設置對第二抗體種群A⁽¹⁾(t)進行優化的當前代數t為0，最大優化代數為t_max；

(5)采用人工免疫算法對第二抗體種群A⁽¹⁾(t)進行優化，實現的步驟為：

(5a)采用等比例克隆方式對第二抗體種群A⁽¹⁾(t)中的抗體進行克隆增殖操作，得到第三抗體種群A⁽²⁾(t)；

(5b)采用單點交叉方式對第三抗體種群A⁽²⁾(t)中的抗體進行交叉操作，得到第四抗體種群A⁽³⁾(t)；

(5c)采用非一致性變異方式對第四抗體種群A⁽³⁾(t)中的抗體進行變異操作，得到第五抗體種群A⁽⁴⁾(t)；