基于改进多目标粒子群优化聚类的图像分割方法技术

本发明专利技术公开了基于改进多目标粒子群优化聚类的图像分割方法，主要解决现有聚类图像分割技术评价指标单一和区域杂点多，分割不理想等问题。其实现步骤为：(1)输入原始图像，提取像素特征，并进行分水岭分割，产生聚类数据；(2)利用聚类数据初始化种群(3)升级种群中各粒子的速度和位置(4)评价各新粒子，计算聚合值并升级理想点(5)升级各粒子的最优位置，升级leader粒子库和外部粒子库(6)更新迭代次数，若达到预先设定的最大迭代次数，则输出外部粒子库，否则继续执行步骤(3)(7)在输出的外部粒子库中，根据聚合值的大小选择最优个体，根据最优个体进行标记，得到分割结果。本发明专利技术与现有技术相比，边缘保持较好，分割正确率高，可用于SAR图像的目标识别。

【技术实现步骤摘要】
基于改进多目标粒子群优化聚类的图像分割方法
本专利技术属于图像处理领域，特别是涉及基于改进多目标粒子群优化聚类的图像分割方法，可应用于目标识别。
技术介绍
图像分割作为一种重要的图像处理技术，在理论研究和实际应用中都得到了人们的广泛重视。为后续工作有效进行而将图像划分为若干个有意义的区域的技术称为图像分割。图像分割是后续工作有效进行的关键，从图像处理到图像分析的关键步骤。目前,从分割操作策略上讲,可以分为基于边界的方法，基于区域生成的分割方法，基于聚类的分割方法等。目前，人们更多采用基于进化聚类的方法来进行图像分割。进化聚类图像分割算法主要是进化计算与聚类技术相结合应用到图像分割上的算法，主要的核心是进化聚类算法的研究。在现有的聚类方法中,通常把基于目标函数的聚类问题归结为一个优化问题，再结合进化计算对聚类问题进行智能优化。随着多目标技术的发展，出现了多目标进化聚类技术，基于多目标进化聚类方法的优点在于它可以获得在多个目标函数间权衡的聚类结果。现有的多目标进化算法中，多目标粒子群算法是一种崭新的随机优化方法，具有程序实现简单、控制参数少的特点，所以得到了广泛应用。在现有的进化聚类图像分割算法中，单目标聚类图像分割算法存在评价单一，细节保持不好等缺点，而在现有的多目标进化聚类图像分割技术中，缺乏种群的多样性，造成分割不理想，分割正确率低，计算复杂度高等缺点。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出一种基于改进多目标粒子群优化聚类的图像分割方法，本专利技术选取了两个互补的目标函数，将分解的理论融入到多目标粒子群优化算法中，改善现有方法的目标函数单一性和边缘细节保持不理想等缺点。基于改进多目标粒子群优化聚类的图像分割方法，包括如下步骤：(1)输入待分割图像，提取待分割图像的特征，并计算该待分割图像的梯度，得到梯度图像，对梯度图像进行分水岭分割，得到N个互不重叠的区域，N≥1000；(2)对每个区域中所有像素点特征取均值，获得每一个区域的特征向量，作为初始聚类数据点集合W＝{w1,w2…wN}；(3)利用初始聚类数据点集合，随机初始化大小为M的种群:(3a)随机初始化各粒子的位置X＝{x1,x2…xM}、速度V＝{v1,v2…vM}，每个粒子的位置xm代表一种分割结果，m＝1,2,…M，M＝50；(3b)将各粒子的当前位置作为各粒子的最优位置；(4)根据每个粒子的位置计算每个粒子的目标函数值F，F＝[f1f2]，其中，f1为类内方差，f2为类间连接；(5)根据各粒子的位置和目标函数值初始化leader粒子库和外部粒子库；(6)根据目标函数值初始化理想点Z*，Z*＝[Z1Z2]，其中Z1为第一个目标函数f1到目前为止找到的最小值，其中Z2为第二个目标函数f2到目前为止找到的最小值；(7)根据各粒子的目标函数值标准化各粒子的目标函数值，并计算各粒子的聚合值；(8)升级各个粒子的速度和位置；升级公式按如下进行：其中，表示t+1代第i个粒子的速度，表示t代第i个粒子的速度，表示t代第i个粒子的位置；表示t+1代第i个粒子的位置，表示t代第i个粒子的最好位置，表示t代leader粒子库中的粒子；(9)对每个新粒子进行评价，即对新粒子计算每个目标函数的值；(10)根据每个目标函数的值，升级种群的理想点；(11)根据每个粒子的目标函数值计算每个粒子的聚合函数值；(12)根据每个粒子的聚合函数的值的大小升级每个粒子的最优位置：如果新粒子的聚合函数值比粒子最优位置的聚合值小，则用新粒子的位置代替粒子的最优位置，否则粒子最优位置不变；(13)升级leaders粒子库和外部粒子库；(14)更新迭代次数t，直到迭代次数达到预先设定的最大值maxgen，则输出外部种群，否则返回到步骤(6)进行下一代迭代；(15)在输出的外部种群中选择最优解；利用分解过程中得到的聚合值来进行最优解的选取；具体实现是先选择使用者设定的类别数的非支配解作为候选解；然后分别将每个候选解在聚合函数上聚合值最小的个体作为最优个体；最后将最优个体所对应的类别标号作为像素的灰度值，得到图像分割结果。所述步骤(1)所述的对每个区域中所有像素点特征取均值，获得每一个区域的特征向量，按照以下步骤进行：(1a)对于任意像素点i，利用小波分解，提取图像的10维小波特征；(1b)对于任意像素点i，计算0°,45°,90°,135°四个方向上的灰度共生矩阵，选取该四个矩阵上的三个统计量，分别为对比度、同质性和角二阶，获得像素点i的12维纹理特征；(1c)将上述10维小波特征向量和12维纹理特征向量合并成22维纹理特征向量，作为第i个像素点的特征；(1d)对原始图像中的所有像素点重复步骤(1a)-(1c)，得到原始图像所有像素点的纹理特征。所述步骤(4)中f1代表聚类紧凑性，聚类紧凑性是计算所有数据点到其聚类中心的类内距离和，f1(x)，通过如下公式进行计算：其中，f1(x)为待聚类数据集的类内距离和；x为待聚类数据集；∑为算术运算中的累加符号；xk为待聚类数据集的第k类；∈为集合中的属于符号；i为一个类别中的一个数据点；δ(i,μk)为欧式距离函数；μk为待聚类数据的第k类的聚类中心。所述步骤(4)中第二个目标函数值f2代表聚类连通性，聚类连通性用于评估相邻数据点被划分到同一个类别的相邻度，f2(x)通过如下公式计算：其中，f2(x)为类间距离和；x为待聚类数据集；m为待聚类数据点的个数；∑为算术运算中的累加符号；i为一个数据点；L是最近邻的个数，L＝10；j为近邻点；xi,j为第i个数据点与其第j个最近邻的关系值，当第i个数据点和第j个数据点属于同一类，则xi,j取0，否则取1/j。所述步骤(7)所标准化目标函数值，按如下公式进行：其中，fi(x)为第i个目标,i＝1,2。所述步骤(7)中所述的各粒子的聚合函数值，任意粒子j的聚合函数值gj(x|λj,z*)，按如下公式进行：minimizegj(x|λj,z*)＝d1+θd2其中，d1＝||(Fj(x)-z*)Tλj||/||λj||,d2＝||(Fj(x)-z*)-d1λj/||λj||||，是第j个粒子的权值，x表示一个粒子，Fj(x)表示第j个粒子的目标函数值，z*表示理想点，|是算术运算中的条件符号，||·||表示2范数，(·)T为矩阵转置运算，θ取为0.5。本专利技术与现有的技术相比具有以下优点：1、本专利技术由于选取了两个互补的目标函数，增加了评价的多样性，保证了图像信息的完整性；2、本专利技术将分解理论融入到多目标粒子群中，不仅提高了非支配解集的多样性而且增加了非支配解集的数量，从而获得更优秀的解，进一步提高了分割精确度；附图说明图1是本专利技术的实现流程图；图2(a)为三类合成纹理图像image1；图2(b)为图像image1的理想分割结果；图2(c)为用现有多目标进化聚类方法对图2(a)进行分割得到的结果；图2(d)为用现有多目标粒子群优化聚类方法对图2(a)进行分割得到的结果；图2(e)为用本专利技术方法对图2(a)进行分割得到的结果。图3(a)为四类合成纹理图像image2；图3(b)为对图像image2的理想分割结果；图3(c)为用现有多目标进化聚类方法对图3(a)进行分割得到的结果；图3(d)为用现本文档来自技高网...

【技术保护点】
基于改进多目标粒子群优化聚类的图像分割方法，其特征在于：包括如下步骤：（1）输入待分割图像，提取待分割图像的特征，并计算该待分割图像的梯度，得到梯度图像，对梯度图像进行分水岭分割，得到N个互不重叠的区域，N≥1000；（2）对每个区域中所有像素点特征取均值，获得每一个区域的特征向量，作为初始聚类数据点集合W＝{w1,w2…wN}；（3）利用初始聚类数据点集合，随机初始化大小为M的种群:（3a）随机初始化各粒子的位置X＝{x1,x2…xM}、速度V＝{v1,v2…vM}，每个粒子的位置xm代表一种分割结果，m＝1,2,…M，M＝50；（3b）将各粒子的当前位置作为各粒子的最优位置；（4）根据每个粒子的位置计算每个粒子的目标函数值F，F＝[f1 f2]，其中，f1为类内方差，f2为类间连接；（5）根据各粒子的位置和目标函数值初始化leader粒子库和外部粒子库；（6）根据目标函数值初始化理想点Z*，Z*＝[Z1 Z2]，其中Z1为第一个目标函数f1到目前为止找到的最小值，其中Z2为第二个目标函数f2到目前为止找到的最小值；（7）根据各粒子的目标函数值标准化各粒子的目标函数值，并计算各粒子的聚合值；（8）升级各个粒子的速度和位置；升级公式按如下进行：vit+1=vit+(pit-xit)+(pgt-xit)]]>xit+1=xit+vit+1]]>其中，表示t+1代第i个粒子的速度，表示t代第i个粒子的速度，表示t代第i个粒子的位置；表示t+1代第i个粒子的位置，表示t代第i个粒子的最好位置，表示t代leader粒子库中的粒子；（9）对每个新粒子进行评价，即对新粒子计算每个目标函数的值；（10）根据每个目标函数的值，升级种群的理想点；（11）根据每个粒子的目标函数值计算每个粒子的聚合函数值；（12）根据每个粒子的聚合函数的值的大小升级每个粒子的最优位置：如果新粒子的聚合函数值比粒子最优位置的聚合值小，则用新粒子的位置代替粒子的最优位置，否则粒子最优位置不变；（13）升级leaders粒子库和外部粒子库；（14）更新迭代次数t，直到迭代次数达到预先设定的最大值maxgen，则输出外部种群，否则返回到步骤（6）进行下一代迭代；（15）在输出的外部种群中选择最优解；利用分解过程中得到的聚合值来进行最优解的选取；具体实现是先选择使用者设定的类别数的非支配解作为候选解；然后分别将每个候选解在聚合函数上聚合值最小的个体作为最优个体；最后将最优个体所对应的类别标号作为像素的灰度值，得到图像分割结果。...

【技术特征摘要】
1.基于改进多目标粒子群优化聚类的图像分割方法，其特征在于：包括如下步骤：(1)输入待分割图像，提取待分割图像的特征，并计算该待分割图像的梯度，得到梯度图像，对梯度图像进行分水岭分割，得到N个互不重叠的区域，N≥1000；(2)对每个区域中所有像素点特征取均值，获得每一个区域的特征向量，作为初始聚类数据点集合W＝{w1,w2…wN}；(3)利用初始聚类数据点集合，随机初始化大小为M的种群:(3a)随机初始化各粒子的位置X＝{x1,x2…xM}、速度V＝{v1,v2…vM}，每个粒子的位置xm代表一种分割结果，m＝1,2,…M，M＝50；(3b)将各粒子的当前位置作为各粒子的最优位置；(4)根据每个粒子的位置计算每个粒子的目标函数值F，F＝[f1f2]，其中，f1为类内方差，f2为类间连接；(5)根据各粒子的位置和目标函数值初始化leader粒子库和外部粒子库；(6)根据目标函数值初始化理想点Z*，Z*＝[Z1Z2]，其中Z1为第一个目标函数f1到目前为止找到的最小值，其中Z2为第二个目标函数f2到目前为止找到的最小值；(7)根据各粒子的目标函数值标准化各粒子的目标函数值，并计算各粒子的聚合函数值；(8)升级各个粒子的速度和位置；升级公式按如下进行：其中，表示t+1代第i个粒子的速度，表示t代第i个粒子的速度，表示t代第i个粒子的位置；表示t+1代第i个粒子的位置，表示t代第i个粒子的最好位置，表示t代leader粒子库中的粒子；(9)对每个新粒子进行评价，即对新粒子计算每个目标函数的值；(10)根据每个目标函数的值，升级种群的理想点；(11)根据每个粒子的目标函数值计算每个粒子的聚合函数值；(12)根据每个粒子的聚合函数的值的大小升级每个粒子的最优位置：如果新粒子的聚合函数值比粒子最优位置的聚合函数值小，则用新粒子的位置代替粒子的最优位置，否则粒子最优位置不变；(13)升级leaders粒子库和外部粒子库；(14)更新迭代次数t，直到迭代次数达到预先设定的最大值maxgen，则输出外部种群，否则返回到步骤(6)进行下一代迭代；(15)在输出的外部种群中选择最优解；利用分解过程中得到的聚合函数值来进行最优解的选取；具体实现是先选择使用者设定的类别数的非支配解作为候选解；然后分别将...

【专利技术属性】
技术研发人员：焦李成，刘芳，黄倩，马文萍，马晶晶，王爽，侯彪，李阳阳，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61