基于超像素和免疫稀疏谱聚类的图像分割方法技术

本发明专利技术公开了一种基于超像素和免疫稀疏谱聚类的图像分割方法，主要解决现有图像分割方法的分割精确低和鲁棒性差的问题。其方法步骤是：首先，对纹理图像进行超像素划分，提取其纹理特征，作为特征数据集；然后，在谱聚类过程中结合免疫克隆算法和稀疏表示寻找最佳的特征数据集的相似度矩阵；最后，根据聚类标签结合超像素标记原始图像，实现对纹理图像的分割。本发明专利技术提取图像的超像素块作为特征数据集，用基于免疫稀疏谱聚类的图像分割方法对特征数据集进行划分，获得了更准确的分割结果。

Image Segmentation Based on Superpixel and Immune Sparse Spectrum Clustering

The invention discloses an image segmentation method based on super-pixel and immune sparse spectral clustering, which mainly solves the problems of low segmentation accuracy and poor robustness of existing image segmentation methods. The method steps are as follows: firstly, the texture image is divided into super-pixels and its texture features are extracted as feature data sets; secondly, the best similarity matrix of feature data sets is found by combining immune cloning algorithm and sparse representation in the process of spectral clustering; finally, the original image is labeled with super-pixels according to clustering labels. To realize the segmentation of texture image. The method extracts image super-pixel blocks as feature data sets, partitions feature data sets using image segmentation method based on immune sparse spectral clustering, and obtains more accurate segmentation results.

【技术实现步骤摘要】
基于超像素和免疫稀疏谱聚类的图像分割方法
本专利技术属于图像处理
，特别涉及一种图像分割技术，可用于目标识别。
技术介绍
图像分割常用的方法有基于阈值的分割方法、基于边缘的分割方法和基于区域的分割方法等，随着模式识别和人工智能的理论发展，结合特定理论的分割方法也得到广泛的应用，例如基于聚类的分割技术、基于人工神经网络的分割技术、基于遗传算法的分割技术等。在现有的聚类方法中，谱聚类是一种具有实现简单、与维数无关以及全局寻优的良好特征性的聚类方法。将谱聚类应用于图像分割是近年来在图像分割领域的一个热门研究方向。图像分割的过程就是把每个像素作为一个数据点，分割的结果是为这些数据点赋予一个类标。具有同样类标的像素分成一类，从而实现对图像的分割。谱聚类的关键是计算N×N的相似度矩阵，N是样本个数，对于大规模数据，计算量太大。JuanjuanLuo,LichengJiao,andJoseA.Lozano.在论文“ASparseSpectralClusteringFrameworkviaMultiobjectiveEvolutionaryAlgorithm”(IEEETransactionsonEvolutionaryComputation20.3(2016):418-433.)中提出了一种基于多目标优化的稀疏谱聚类框架。该方法将稀疏表示与非支配排序的遗传算法NSGA2结合，对谱聚类的相似度矩阵进行优化。该方法改进了相似度矩阵的生成，提高了谱聚类的聚类准确率，但是该方法在收敛速度和解的多样性上不够好，并且采用RC测度作为最终解选取的指标，没有NC测度准确。西安电子科技大学在其申请的专利“基于免疫稀疏谱聚类图像分割方法”(专利申请号200910024374.6，公开号CN101673398A)中公开了一种基于免疫稀疏谱聚类的图像分割方法。该方法采用了免疫克隆算法和谱聚类算法相结合对图像进行聚类，实现图像的分割。该方法虽说不需要先验知识，计算复杂度低，但却仍然存在分割精度不高的缺点。
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，提出一种基于超像素和免疫稀疏谱聚类的图像分割方法，以提取更简洁有效的特征，提高分割精度。本专利技术的基本思路是：通过对纹理图像进行超像素划分，提取其纹理特征，得到聚类数据集；通过在谱聚类过程中使用免疫克隆算法和稀疏表示，寻找出最佳的聚类数据集相似度矩阵；通过聚类标签结合超像素标记原始图像，对纹理图像进行分割。根据上述思路，本专利技术的实现步骤包括如下：(1)输入一幅大小为256*256的待分割图像；(2)使用简单线性迭代聚类SLIC方法对待分割图像划分超像素；(3)使用灰度共生矩阵和gabor小波变换提取超像素的特征；(4)将所有超像素特征数据归一化到[0,1]之间，以除去数据间量级的影响，得到归一化后的超像素特征数据集I；(5)对归一化后的超像素特征数据集I，使用免疫克隆选择方法得到非支配抗体集P；(6)将非支配抗体集P的每个非支配抗体依次作为谱聚类过程的相似度矩阵，对超像素特征数据集I进行谱聚类，得到一系列关于超像素特征数据集I的聚类结果；(7)计算每个聚类结果的NC测度，选取最小的NC测度对应的聚类结果作为超像素特征数据集I的最终聚类结果；(8)根据超像素特征数据集I的聚类结果，将每个像素点的类别标记为其所对应的超像素点的类别，作为待分割图像的聚类结果，完成图像分割。本专利技术与现有技术相比具有以下优点：第一，由于本专利技术在图像分割的聚类过程中，采用了超像素处理，得到具有代表性的超像素块，克服了用原始图像特征进行谱聚类时样本数目多的缺点，降低了计算量；第二，由于本专利技术在图像分割的聚类过程中，采用了免疫克隆算法与稀疏谱聚类相结合，能够得到分布广泛、多样的候选解，提高了图像的分割精度；第三，由于本专利技术在图像分割的聚类过程中，采用了NC测度选取最终解，克服了RC测度没有考虑类内相似度的缺陷，提高了图像分割的准确性。附图说明图1为本专利技术的实现流程图；图2为用本专利技术和现有两种纹理图像分割方法对一幅2类纹理图像的分割对比图；图3为用本专利技术和现有的两种纹理图像分割方法对一幅3类纹理图像的分割对比图。具体实施方式下面结合附图对本专利技术做进一步的详细描述。步骤1,输入待分割图像。从数据库中选取一幅大小为A＝256*256的纹理图像，作为输入的待分割图像。步骤2,对待分割图像划分超像素。现有的划分超像素的方法有基于图论的方法、基于熵率的方法、基于梯度下降的方法Meanshift、简单线性迭代聚类方法SLIC和基于几何流的水平集方法Turbopixels等。本实例使用简单线性迭代聚类方法SLIC将待分割图像划分成n个超像素点，其实现步骤如下：(2a)在待分割图像中均匀选取n个像素点作为初始种子点，为每个初始种子点分配一个标签，每个种子点包含有A/n个像素点，种子点之间的距离为(2b)在种子点的2S*2S邻域内重新选择种子点，即计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方，避免其落在图像边界的位置干扰聚类过程；(2c)在每个种子点的2S*2S邻域内，计算邻域内的像素点与该种子点的距离D’，其中，dc表示颜色距离lj、aj和bj分别表示种子点的颜色信息，li、ai和bi分别表示像素点的颜色信息，ds表示空间距离xj和yj分别表示种子点的空间信息，xi和yi分别表示像素点的空间信息，m表示平衡参数，用来衡量颜色值与空间信息在相似度衡量中的比重，将每一个像素点的标签设为与其最相近的种子点的标签；(2d)不断迭代过程(2b)和(2c)，直到收敛，获得n个种子点，用这些种子点作为超像素点，获得超像素点的集合V＝{v1,v2,…,vi,…,vn}，vi表示第i个超像素点。步骤3，提取超像素的特征数据集。提取纹理图像的特征的方法有灰度共生矩阵、小波变换和非下采样小波变换等，本实例采用的方法是灰度共生矩阵和gabor小波变换，其实现如下：(3a)通过灰度共生矩阵获取待分割图像的所有像素点的8个特征：(3a1)将待分割图像矢量化为16个灰度级；(3a2)对待分割图像的每个像素点在5*5的窗口内生成在距离d＝1，方向为θ＝0°，θ＝45°，θ＝90°，θ＝135°四个方向的灰度共生矩阵p(i,j)，i和j分别为灰度共生矩阵横向和纵向上的索引值；(3a3)计算灰度共生矩阵的对比度、能量、熵、相关性这四个统计量：对比度：能量：熵：相关性：其中p’(i,j)为归一化后的灰度共生矩阵，μx、σx分别表示p’(i,j)沿x轴方向的均值和方差，μy、σy表分别示p’(i,j)沿y轴方向的均值和方差；(3a4)分别计算四个灰度共生矩阵的对比度、能量、熵、相关性的均值和方差，一共得到待分割图像所有像素点的8个特征向量；(3b)通过gabor小波变换获取待分割图像的所有像素点的2个特征：使用两个不同的gabor滤波器组将待分割图像变换到频域空间，提取待分割图像的两个不同尺度不同方向的纹理特征，两个不同的gabor滤波器组分别为G1和G2，表示如下：G2＝G·cos[2·π·f·(x·cosθ+y·sinθ)]其中，G(x,y)表示Gabor函数，sx、sy分别表示沿x轴和y轴的方差，f为正弦函数的频率，θ表示gabor滤波本文档来自技高网...

【技术保护点】
1.一种基于超像素和免疫稀疏谱聚类的图像分割方法，包括如下：(1)输入一幅大小为256*256的待分割图像；(2)使用简单线性迭代聚类SLIC方法对待分割图像划分超像素；(3)使用灰度共生矩阵和gabor小波变换提取超像素的特征；(4)将所有超像素特征数据归一化到[0,1]之间，以除去数据间量级的影响，得到归一化后的超像素特征数据集I；(5)对归一化后的超像素特征数据集I，使用免疫克隆选择方法得到非支配抗体集P；(6)将非支配抗体集P的每个非支配抗体依次作为谱聚类过程的相似度矩阵，对超像素特征数据集I进行谱聚类，得到一系列关于超像素特征数据集I的聚类结果；(7)计算每个聚类结果的NC测度，选取最小的NC测度对应的聚类结果作为超像素特征数据集I的最终聚类结果；(8)根据超像素特征数据集I的聚类结果，将每个像素点的类别标记为其所对应的超像素点的类别，作为待分割图像的聚类结果，完成图像分割。

【技术特征摘要】
1.一种基于超像素和免疫稀疏谱聚类的图像分割方法，包括如下：(1)输入一幅大小为256*256的待分割图像；(2)使用简单线性迭代聚类SLIC方法对待分割图像划分超像素；(3)使用灰度共生矩阵和gabor小波变换提取超像素的特征；(4)将所有超像素特征数据归一化到[0,1]之间，以除去数据间量级的影响，得到归一化后的超像素特征数据集I；(5)对归一化后的超像素特征数据集I，使用免疫克隆选择方法得到非支配抗体集P；(6)将非支配抗体集P的每个非支配抗体依次作为谱聚类过程的相似度矩阵，对超像素特征数据集I进行谱聚类，得到一系列关于超像素特征数据集I的聚类结果；(7)计算每个聚类结果的NC测度，选取最小的NC测度对应的聚类结果作为超像素特征数据集I的最终聚类结果；(8)根据超像素特征数据集I的聚类结果，将每个像素点的类别标记为其所对应的超像素点的类别，作为待分割图像的聚类结果，完成图像分割。2.根据权利要求1所述的方法，其中所述步骤(5)，按如下步骤进行：(5a)初始化抗体群：随机生成初始抗体群POP(t)＝(X1，X2，…，Xl，…，XN)，其中t表示迭代次数，初始化为0，Xl表示第l个抗体l＝1，…，N，N表示抗体群规模，xij表示第i个超像素点和第j个超像素点的相似性，i＝1，…，n，j＝1，…，n，n表示超像素点的个数，rand为一个0到1之间的随机数；(5b)计算每个抗体的目标函数：其中f1(Xl)表示抗体Xl的误差项目标函数，f2(Xl)表示抗体Xl的稀疏项目标函数，I表示超像素的特征数据，表示2范数的平方，||·||0表示0范数；(5c)选择操作从抗体群POP中选择两个抗体Xl和Xm，判断抗体Xl和抗体Xm之间是否满足(f1(Xl)≤f1(Xm)&f2(Xl)<f2(Xm))或(f1(Xl)<f1(Xm)&f2(Xl)≤f2(Xm))：如果是，则抗体Xl为非支配抗体，它能够支配抗体Xm；否则，抗体Xl不是非支配抗体，它不能支配抗体Xm；其中，f1(Xl)和f2(Xl)分别表示第一个抗体Xl的误差项目标函数和稀疏项目标函数的值，f1(Xm)和f2(Xm)分别表示第二个抗体Xm的误差项目标函数和稀疏项目标函数的值；从抗体群POP中选择出所有的非支配抗体，组成非支配抗体群POP1；(5d)免疫操作对非支配抗体群POP1进行克隆操作，生成克隆后的抗体群POP2；对抗体群POP2进行交叉操作，生成交叉后的抗体群POP3；对抗体群POP3进行变异操作，生成变异后的抗体群POP4；(5e)判断迭代次数是否达到了最大迭代次数T，若是，则将抗体群POP4中作为最终的抗体群P，执行步骤(6)，否则，返回步骤(5b)，进行下一次迭代。3.根据权利要求2所述的方法，其中步骤...

【专利技术属性】
技术研发人员：尚荣华，刘爽，焦李成，刘芳，尚凡华，王蓉芳，侯彪，王爽，马文萍，
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