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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。