本发明专利技术公开了一种基于免疫稀疏谱聚类的图像分割方法，主要解决谱聚类方法稳定性差和复杂度高的问题。其实现过程是：（１）对待分割图像提取特征；（２）对特征数据进行归一化以去除数据间量级影响；（３）对归一化后的特征数据，进行实属编码；（４）对编码后的数据，随机生成初始种群并进行亲和度计算；（５）根据抗体的亲和度大小进行克隆；（６）对克隆后的抗体种群进行高斯变异并选出亲和度最高的抗体作为下一轮的输入；（７）迭代设定的最大迭代次数，得到最终选出的样本子集；（８）对选出的样本子集进行贪婪谱降维，并对降维后的数据聚类，输出最终的图像分割结果。本发明专利技术与现有的技术相比具有不需要先验知识，准确度高，计算复杂度低的优点，可用于目标检测和目标识别。
【技术实现步骤摘要】
本专利技术属于图像处理
，涉及图像分割，可用于对纹理图像和SAR图像进行目标检测和目标识别。
技术介绍
聚类是指把一个没有类别标记的样本集按某种准则划分成若干个子集或类别，使相似的样本尽可能归为一类，而不相似的样本尽量划分到不同的类中。聚类分析是多元统计分析的一种，也是非监督模式识别的一个重要分支。作为一种无监督分类方法，聚类分析已经被广泛地应用于模式识别、数据挖掘、计算机视觉和模糊控制等许多领域。传统的聚类算法，如k-means算法，EM算法等都是建立在凸球形的样本空间上，但当样本空间不为凸时，算法会陷入局部最优。谱聚类方法能在任意形状的样本空间上聚类，且收敛于全局最优解。该算法具有实现简单，与维数无关，以及全局寻优的良好特性，因此得到了越来越广泛的应用。谱聚类方法仅仅考虑所有样本的权值矩阵，也叫相似性矩阵，它将聚类问题转化为无向图划分问题。但是，谱聚类方法需要计算一个wxw权值矩阵的主要特征向量，"是样本个数。这对于大规模数据，计算量是相当大的，这也成为了谱聚类方法的瓶颈问题。Fowlkes等人提出了基于Nystr6m逼近的谱聚类方法。该方法首先从所有样本中随机选取一个样本子集作为代表求解特征问题，然后再将其特征向量扩展为整个样本集合权值矩阵的特征向量。然而，选取结果对聚类影响很大，聚类结果表现出不稳定性。2005年Marie Ouimet等人提出的贪婪谱聚类方法很好的解决了这个问题。贪婪谱聚类方法用贪婪选取替代随机选取选出代表全部样本的样本子集，并用包括所选的和未选的所有样本，来估计特征空间的协方差矩阵。这使得聚类结果的稳定性和准确率都大大提高。但是，与Nystr6m方法不同，贪婪谱聚类方法采用容差作为重要的输入参数。容差实际上直接决定了选取样本子集的大小。为了输入合适的容差来控制选取个数，需要预先知道容差和选取个数之间的关系。这在实践中无论是计算量上还是时间复杂度上都是有很大难度的。另一方面，即使找到了合适的容差，贪婪选取方式需要逐个依次计算用己选样本逼近当前候选样本的误差，当样本规模较大时，这个过程的计算量和时间花费很大，这就造成图象分割的速度非常慢。
技术实现思路
本专利技术的目的在于克服上述已有问题的缺点，提出了 一种，以避免贪婪谱聚类方法中合适容差的选取和所有样本误差的依次计算，降低计算复杂度，加快图像分割的速度。为实现上述目的，本专利技术的具体实现过程包括如下(1) 使用灰度共生矩阵对所待分割的图像进行特征提取；(2) 将所得的特征数据归一化到之间，以去除数据间量级的影响；(3) 对归一化后的特征数据，使用免疫克隆选择方法选出具有代表性的样本子集3a)对归一化后的数据采用实数编码方式进行编码；3b)随机生成初始种群J(A卜(4， 4,…，《)，将it初始化为0，其中4-(v^2,…v")， i = l，2,...，"，、是要选出的样本点，m是种群大小，"是选取个数，A表示迭代的次数；3C)对所生成的初始种群，按照下式计算每个抗体的亲和度其中，<formula>formula see original document page 5</formula>^是所有选出样本的均值，hl是样本点V,，、之间的欧氏距离3d)根据求得的亲和度按照下式计算每个抗体克隆的个数<formula>formula see original document page 5</formula>其中，/"《;c)表示大于;c的最小整数，"r是设定的克隆规模；克隆后的每个抗体变为40t)—4,W,…,人(州,z、1，2，…附，整个种群变为Y,"(",如,…乂(")；3e)先随机确定，个变异位置，其中，=|"，然后在变异概率/^下对变异位置的抗体进行高斯变异，比较变异后每个种群的抗体亲和度，并将每个种群亲和度最大的抗体取出，组成下一轮的初始值A(/t + l);3f)判断最大亲和度是否在连续三次迭代中是否有提高，如果没有提高，则 从总样本中随机生成60%新的样本子集，取代种群中亲和度小的抗体，如果有提 高，就不进行操作；3g)对原迭代次数A重新赋值为;k'，其中/fc、"l，并判断A'是否超过设定的 最大迭代次数T，如果超过T，则输出亲和度最高的抗体作为最终选出的样本子 集，如果没超过T，返回步骤3c);(4) 用贪婪谱嵌入方法对选出的样本子集进行降维；(5) 对降维后的数据进行k-means聚类，该聚类为图像的最终分割结果。 本专利技术与现有的技术相比具有以下优点1. 与Nystr6m谱聚类方法相比，本专利技术由于利用亲和度关系选取样本子集， 因此选取的样本子集更有代表性，分割结果有明显提高；2. 与贪婪谱聚类方法相比， 一方面，本专利技术由于采用选取样本子集个数为输 入，避免了容差的选取，另一方面，本专利技术由于从整体上选取和优化样本子集， 避免了在所有样本上逐一进行误差计算的过程，从而降低计算复杂度，加快图像 分割速度。附图说明图1是本专利技术流程图； 图2是本专利技术中选取子集的主要操作子流程图； 图3是本专利技术应用于2分类(1)纹理图像的分割结果图； 图4是本专利技术应用于2分类(2)纹理图像的分割结果图； 图5是本专利技术应用于3分类纹理图像的分割结果图6是本专利技术应用于SAR1图像的分割结果图； 图7是本专利技术应用于SAR2图像的分割结果图； 图8是本专利技术应用于SAR3图像的分割结果图。具体实施例方式参照图l，本专利技术的具体实施过程如下 步骤l.使用灰度共生矩阵对待分割图像进行特征提取。 对待分割的图象生成灰度共生矩阵AG")，其中S是样本点X,和、.之间的距离，0的取值为4个离散的方向0°， 45°， 90°， 135°，每个方向上取三个统计角二阶矩，同质区，对比度，每个统计量按照以下公式进行计算角二阶矩<formula>formula see original document page 7</formula>同质区:<formula>formula see original document page 7</formula>对比度:<formula>formula see original document page 7</formula>其中，W是样本总数，/7G,力是灰度共生矩阵A^,。第/行第/列的元素。在4个方向上分别计算上述统计量，得到特征数据v- (入,/2，...,/2)。步骤2.对所提取的特征数据"(_/;，,/2,-,_/;2)进行归一化处理以去除数据 间量级的影响<formula>formula see original document page 7</formula>其中，min(v)表示C/i,/2,…,/,2)之中的最小值，max(v)表示(人,/2，…,y;2)之中的最大值，得到归一化后的特征数据v-(/'L，/2',…，^')。步骤3.对归一化后的特征数据采用实数编码方式进行编码。步骤4.随机生成初始种群^(A:)^4，《…，4J，其中A:表示迭代的次数，初始化为0， 4 =(w,v2,...v")， / = 1,2,...，"，、是要选出的样本点，m是种群本文档来自技高网...
【技术保护点】
一种基于免疫稀疏谱聚类的图像分割方法，包括如下步骤： （１）使用灰度共生矩阵对所待分割的图像进行特征提取； （２）将所得的特征数据归一化到［０，１］之间，以去除数据间量级的影响； （３）对归一化后的特征数据，使用免疫克隆选择方法选出具有代表性的样本子集： ３ａ）对归一化后的数据采用实数编码方式进行编码； ３ｂ）随机生成初始种群Ａ（ｋ）＝（Ａ↓［１］，Ａ↓［２］，…，Ａ↓［ｍ］），其中ｋ表示迭代的次数，初始化为０，Ａ↓［ｉ］＝（ｖ↓［１］，ｖ↓［２］，．．．ｖ↓［ｎ］），ｉ＝１，２，．．．，ｎ，ｖ↓［ｉ］是要选出的样本点，ｍ是种群大小，ｎ是选取个数，； ３ｃ）对所生成的初始种群，按照下式计算每个抗体的亲和度： ｆ（Ａ↓［ｉ］）＝ｓ（Ａ↓［ｉ］）×ｄ（Ａ↓［ｉ］） 其中，Ｓ（Ａ↓［ｉ］）＝｛＊（ｖ↓［ｉ］－＊）↑［２］／ｎ｝↑［１／２］ ｄ（Ａ↓［ｉ］）＝＊＊‖ｒ↓［ｉｊ］‖ ＊是所有选出样本的均值，‖ｒ↓［ｉｊ］‖是样本点ｖ↓［ｉ］，ｖ↓［ｊ］之间的欧氏距离； ３ｄ）根据求得的亲和度按照下式计算每个抗体克隆的个数： ｑ↓［ｉ］＝Ｉｎｔ｛ｎ↓［ｃ］×ｆ（Ａ↓［ｉ］）／＊ｆ（Ａ↓［ｊ］）｝，ｉ＝１，２，．．．ｎ 其中，Ｉｎｔ（ｘ）表示大于ｘ的最小整数，ｎ↓［ｃ］是设定的克隆规模； 克隆后的每个抗体变为Ａ↓［ｉ］′（ｋ）＝｛Ａ↓［ｉ１］（ｋ），…，Ａ↓［ｉｑ↓［ｉ］］（ｋ）｝，ｉ＝１，２，…ｍ，整个种群变为Ｙ（ｋ）＝｛Ａ′↓［１］（ｋ），Ａ′↓［２］（ｋ），…，Ａ′↓［ｍ］（ｋ）｝； ３ｅ）先随机确定ｔ个变异位置，其中ｔ＝１／３ｎ，然后在变异概率ｐ↓［ｍ］↑［ｉ］下对变异位置的抗体进行高斯变异，比较变异后每个种群的抗体亲和度，并将每个种群亲和度最大的抗体取出，组成下一轮的初始值Ａ（ｋ＋１）； ３ｆ）判断最大亲和度是否在连续三次迭代中有提高，如果没有提高，则从总样本中随机生成６０％新的样本子集，取代种群中亲和度小的抗体，如果有提高，就不进行操作； ３ｇ）对原迭代次数ｋ重新赋值为ｋ′，其中ｋ′＝ｋ＋１，并判断ｋ′是否超过设定的最大迭代次数Ｔ，如果超过Ｔ，则输出亲和度最高的抗体作为最终选出的样本子集，如果没超过Ｔ，返回步骤３ｃ）； （４）用贪婪谱嵌入方法对选出的样本子集进行降维； （５）对降维后的数据进行ｋ－ｍｅａｎｓ聚类，该聚类为图像的最终分割结果。...
【技术特征摘要】
【专利技术属性】
技术研发人员：缑水平，焦李成，张佳，杨淑媛，钟桦，吴建设，田小林，庄雄，毛莎莎，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]
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。