[發(fā)明專(zhuān)利]一種基于改進(jìn)遺傳算法和K-均值算法的圖像分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010842312.2
• 申請(qǐng)日: 2020-08-20
• 公開(kāi)（公告）號(hào): CN111754533A
• 公開(kāi)（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 張淑琴;王玉龍;衛(wèi)可;楊凱;何寶元
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)計(jì)量大學(xué)
• 主分類(lèi)號(hào): G06T7/11
• 分類(lèi)號(hào): G06T7/11;G06T5/00;G06K9/62;G06N3/12
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明提供了一種基于改進(jìn)遺傳算法和K?均值算法的圖像分割方法，其特征在于：將圖像進(jìn)行去噪處理和轉(zhuǎn)換顏色空間后，使用改進(jìn)的遺傳算法搜索全局的最優(yōu)解，再利用K?均值算法進(jìn)行局部尋優(yōu)，并以得到的最優(yōu)解作為K?均值算法初始聚類(lèi)中心。解決了遺傳算法易陷入局部最優(yōu)解和K?均值算法初始聚類(lèi)中心設(shè)定困難的問(wèn)題，提供了一種可以更快收斂速度和更高分割精度的圖像分割方法。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像分割技術(shù)領(lǐng)域，具體涉及一種基于改進(jìn)遺傳算法和K-均值算法的圖像分割方法。

背景技術(shù)

圖像分割是再保留了原圖像一些特性的基礎(chǔ)上，將圖像劃分為不同的區(qū)域，選擇我們想要的部分，有效的減少了后續(xù)對(duì)圖像處理的工作量，提高了圖像處理的效率。近些年隨著圖像處理技術(shù)的飛速發(fā)展，圖像分割術(shù)也越來(lái)越受到人們的關(guān)注。

已有很多學(xué)者提出了新的思想，不斷完善著人們對(duì)圖像分割領(lǐng)域的認(rèn)知，而聚類(lèi)技術(shù)的出現(xiàn)極大的擴(kuò)充了圖像分割領(lǐng)域，為人們提供了更多的選擇。上世紀(jì)六十年代MacQueen提出了K-均值聚類(lèi)算法，K-均值聚類(lèi)算法是目前最被人熟知和應(yīng)用的聚類(lèi)分析算法，在局部尋優(yōu)的能力突出，具有效率高、伸縮性好等優(yōu)點(diǎn)。K-均值聚類(lèi)算法這些優(yōu)秀的特性也被使其廣泛應(yīng)用到圖像分割領(lǐng)域。目前已有人提出了一種基于K-均值聚類(lèi)與區(qū)域合并的彩色分割方法，針對(duì)彩色圖像的分割有了很大的提升；K-均值聚類(lèi)算法還被應(yīng)用于含噪聲的圖片分割，提高了K-均值聚類(lèi)算法在不同情況下的圖像分割能力。但同時(shí)K-均值聚類(lèi)算法對(duì)聚類(lèi)中心的選取比較困難，且易陷入局部收斂而錯(cuò)過(guò)全局最優(yōu)解。

鑒于K-均值聚類(lèi)算法的缺點(diǎn)，研究人員提出了通過(guò)全局優(yōu)化算法對(duì)其進(jìn)行改進(jìn)優(yōu)化，遺傳算法是一種優(yōu)秀的全局最優(yōu)解搜索方法，但標(biāo)準(zhǔn)的遺傳算法易陷于局部最優(yōu)解，對(duì)全局最優(yōu)解的搜索不利。

發(fā)明內(nèi)容

本發(fā)明方法的目的在于提供一種基于改進(jìn)遺傳算法和K-均值算法的圖像分割方法，以解決上述背景技術(shù)中提出的問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于改進(jìn)遺傳算法和K-均值算法的圖像分割方法，將圖像進(jìn)行去噪處理和轉(zhuǎn)換顏色空間，使用改進(jìn)的遺傳算法搜索全局的最優(yōu)解；利用K-均值算法進(jìn)行局部尋優(yōu)，以得到的最優(yōu)解作為K-均值算法初始聚類(lèi)中心，實(shí)現(xiàn)對(duì)圖像的更快收斂速度和更高分割精度的圖像分割。

作為一種優(yōu)選的實(shí)施方式，所述的改進(jìn)的遺傳算法搜索全局的最優(yōu)解，具體包括如下步驟：

(1)編碼和種群劃分：將單個(gè)種群分為雙種群。

(2)選擇：分別挑選兩個(gè)種群中更加優(yōu)秀的個(gè)體，再將優(yōu)秀個(gè)體的優(yōu)秀特性通過(guò)遺傳和在交配的方式留給下一代個(gè)體。

(3)交叉：使用單點(diǎn)交叉，保證種群1的交叉位數(shù)大于種群2的交叉位數(shù)。

(4)變異：對(duì)兩個(gè)種群分別設(shè)定不同的變異概率S1和S2，并保證S1的值大于S2。

(5)變異接受判斷：根據(jù)模擬退火算法中的Metropolis準(zhǔn)則進(jìn)行判斷是否接受變異產(chǎn)生的個(gè)體。

(6)適應(yīng)度函數(shù)判斷：根據(jù)適應(yīng)度函數(shù)H()對(duì)種群個(gè)體進(jìn)行判斷，將適應(yīng)度更好的的個(gè)體保留下來(lái)。

(7)交換個(gè)體：將不同種群得到的最優(yōu)個(gè)體進(jìn)行交換。

(8)算法終止判斷：兩個(gè)種群最優(yōu)個(gè)體與目標(biāo)函數(shù)最優(yōu)解之間是否滿(mǎn)足求解的精度，若不滿(mǎn)足則轉(zhuǎn)到步驟(2)；否則，算法終止，返回當(dāng)前最優(yōu)解。

作為一種優(yōu)選的實(shí)施方式，所述的再利用K-均值算法進(jìn)行局部尋優(yōu)，以得到的最優(yōu)解作為K-均值算法初始聚類(lèi)中心，具體包括如下步驟：

(1)聚類(lèi)中心的確定：將改進(jìn)的遺傳算法所得到的全局最優(yōu)解作為K-均值聚類(lèi)中心。