基于拉马克多目标免疫算法的纹理图像分割方法技术

本发明专利技术公开了一种基于拉马克多目标免疫算法的纹理图像分割方法，主要解决了现有技术中运算数据量大、全局优化能力不强、评价指标片面和局部搜索能力较差的问题。其实施步骤是：（１）提取图像灰度信息和图像小波能量信息；（２）基于分水岭预分割对图像采样生成测试样本集；（３）使用拉马克多目标免疫算法对测试样本集进行数据聚类，生成数据聚类方案集；（４）根据明科沃斯基指数值选择出最满意的数据聚类方案；（５）依据已选择出的数据聚类方案标记图像像素点类别归属；（６）输出图像分割结果。本发明专利技术具有运算数据量小、计算复杂度较低、图像分割平均准确率高和分割效果优越的优点，可用于图像信息获取，图像纹理划分。

【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，具体地说是一种基于拉马克多目 标免疫算法的纹理图像分割方法，该方法可用于图像理解及目标识别。
技术介绍
进入二十一世纪以后，图像数据越来越多，机器解译已经代替了人工解译。图像处 理日益扮演着关乎国计民生的重要角色，成为当前科学研究的焦点。图像分割是图像处理 的基本问题之一。图像工程通常可以分为三个层次，图像处理、图像分析和图像理解。图像 分割作为从图像处理到图像分析过程中的重要步骤，是进一步图像理解的基础。图像分割 的任务是把图像剖分成互不相交的一些区域，每一区域都满足特定的区域一致性，并且是 连通的，不同区域有某种显著的差异性。把这种分割方式用我们形象化的语言描述出来就 是目前被广泛接受的图像分割的定义。目前，图像分割方法主要分为两大类，分别是基于区域的分割方法以及基于边界 的分割方法。在基于区域的分割方法中，目前最常用的方法是阀值分割和聚类分析。聚类 分析是一种研究数据间逻辑上或者物理上相互关系的技术，是一种无监督的学习方法。它 的任务是通过一定的规则将数据集划分为在性质上相似的数据点构成的若干个类别，所以 也常常被称为无监督分类。在现有的聚类分析方法中，K-均值聚类作为一种基于中心的聚类方法，是目前最 简单使用最普遍的方法之一。K-均值聚类通过迭代优化寻找聚类的最优解，对于紧凑的超 球形分布的数据集可以展现很好的性能。然而，当数据集的结构是非凸或者存在严重交叠 的时候，K-均值聚类往往不很有效，并且难以保证收敛到全局最优解。作为全局优化方法， 进化算法日益引起学者的关注。进化算法包括进化策略、遗传算法、以及免疫算法等等。近 年来，很多基于进化算法在聚类分析中的应用涌现了出来。到目前为止，大多数基于优化的聚类分析方法只优化一个目标函数。这些评价函 数通常是基于数据集的某一类特征，比如空间分离度，或者类别紧凑度。尽管如此，现实中 的绝大多数问题都涉及多个目标，而这些目标并非独立存在的，它们往往是耦合在一起的 相互竞争的目标，每个目标具有不同的意义和量纲，它们的竞争性和复杂性使得对其优化 变得困难。所以，寻找一种有效地多目标优化方法来解决聚类问题变得迫在眉睫。不同于单目标问题最优解的概念，多目标优化问题不存在唯一的全局最优解，而 是存在多个最优解的集合。多目标问题最优解的集合中的元素就全体目标而言是不可比较 的，一般称为多目标最优解集。所谓多目标最优解集，是指对于一些不可能进一步优化某一 个或几个目标而其他目标不至于劣化的解，因此也称为非劣最优解集。基于种群操作的进化算法可以隐式并行地搜索解空间的多个解，并能利用不同解 之间的相似性来提高其并发求解问题效率，进化算法与多目标最优概念相结合，可能产生 真正的基于多目标最优概念的多目标优化的进化算法，实现对非劣最优解集的有效搜索。 近年来，人工免疫系统受到了越来越多的学者和工业家的关注。基于人工免疫系统的应用包括机器学习、故障诊断、计算机安全和工程优化。并且，基于免疫的多目标算法也被有关 学者提出，取得了很好的优化效果。在现有的许多以局部优化为特征的问题中，传统的局部优化技术很难获得全局最 优解。然而，由于缺少对局部信息的利用，传统进化算法对获得足够精确的解收敛速度慢。 这样就限制了进化算法解决大规模的需要考虑计算时间的实际问题的可行性。拉马克学习 作为一种基于群体的超启发式搜索方法，在最近几年越来越受关注。通常，基于拉马克学习 的算法被当作基于群体的全局搜索和局部进化的结合。在许多文献中都可以看到它被成功 而广泛的应用于解决优化问题。综上，现有基于聚类分析的图像分割方法存在着以下三个问题(1)运算数据量 太大；(2)全局优化能力不强；(3)评价指标单一 ；(4)局部搜索能力不足。图像分割的效 果，即图像分割的准确度，具体包括区域一致性和边缘有效保持两个方面。如果上述问题得 不到很好的解决，针对数据集的聚类分析方法性能就会受到非常大的限制，进而无法保证 图像分割的区域一致性以及边缘有效保持，最终导致图像分割方法的失效。
技术实现思路
本专利技术的目的在于克服上述已有方法的不足，利用基于分水岭预分割的采样策 略、免疫算法的全局优化能力、多目标优化的全面评价能力拉马克学习的局部搜索能力，提 出一种，对图像像素点进行更好的数据聚 类，更好的保证图像分割的区域一致性以及边缘有效保持，进而提高图像分割的效果。本专利技术的技术方案是将图像分割问题看作数据聚类问题。将免疫算法、多目标优 化和拉马克学习结合起来，分别解决上述已有方法全局优化能力不强、评价指标单一和局 部搜索能力不强的弱点。通过采用拉马克多目标免疫算法，对图像像素点集进行数据聚类， 搜索出满意的图像数据聚类方案，逼近最佳图像分割的性能。为实现上述内容，本专利技术包括如下(1)提取图像信息步骤输入待分割图像，并提取该图像的灰度信息及小波能量 fn息；(2)生成测试样本集步骤(2. 1)输入待分割图像和测试样本集组数K，i = 1 ；(2. 2)对待分割图像进行分水岭预分割，得到若干互不交叠的子区域；(2. 3)从每个子区域中随机采样一个像素点，加入测试样本集i ；(2.4)如果i = K，输出K组测试样本集；否则，令i值加1，否则返回步骤(2.3)；(3)搜索数据聚类方案集步骤(3. 1)对生成的每一组测试样本集，设定最大迭代次数t_ = 200，设定当前数据 聚类迭代次数t = 0，随机产生初始抗体种群队，抗体种群队由若干抗体组成，每一个抗体 代表一个数据聚类方案；(3. 2)计算抗体种群Dt中每个抗体h的亲和度f Ov D)；(3. 3)依据抗体种群中每个抗体的亲和度值，对抗体种群Dt执行克隆增殖操作，得 到克隆种群Ct ；(3. 4)对克隆种群Ct执行克隆变异操作，得到变异种群C' t ；(3. 5)对变异种群C' t和抗体种群Dt执行克隆选择操作，得到临时抗体种群Tt ；(3. 6)对临时抗体种群Tt执行拉马克学习操作，得到拉马克学习后的新的抗体种群 Dt+1 ；(3. 7)如果t < t_，令t值加1，执行步骤(3. 2)开始新一轮的迭代；否则，输出抗 体种群Dt+1，即输出已搜索到的数据聚类方案集，结束对当前测试样本集的数据聚类；(4)选择数据聚类方案步骤在生成的数据聚类方案集中，通过明科沃斯基指数 的大小选择出一个最满意的数据聚类方案；(5)标记像素点类别归属步骤根据选择出的数据聚类方案，先对测试样本集中 的每一个像素点进行类别归属标记，并依据该标记对待分割图像中每一个未标记类别归属 的像素点进行类别归属划分；(6)输出图像分割结果步骤根据所有待分割图像中像素点的类别归属标记，输 出最终的图像分割结果。本专利技术与现有技术相比具有如下优点1、运算数据量小。图像分割是一个数据聚类问题，数据聚类的运算数据量为图像像素点的总数。对 于已有的数据聚类技术，这么大的数据量处理难度很大。本专利技术首先采用分水岭方法对待 分割图像进行预分割，得到若干互不交叠的子区域，子区域总的个数为nw ；其次从每个子区 域中随机采样一个像素点生成一组测试样本集，共生成K组测试样本集，显然测试样本集 大小同样为nw ；最后对每一组测试样本集分别进行基于拉马克多目标免疫算法的数据聚 类，本文档来自技高网...

【技术保护点】
一种基于拉马克多目标免疫算法的纹理图像分割方法，包括：（１）提取图像信息步骤：输入待分割图像，并提取该图像的灰度信息及小波能量信息；（２）生成测试样本集步骤：（２．１）输入待分割图像和测试样本集组数Ｋ，ｉ＝１；（２．２）对待分割图像进行分水岭预分割，得到若干互不交叠的子区域；（２．３）从每个子区域中随机采样一个像素点，加入测试样本集ｉ；（２．４）如果ｉ＝Ｋ，输出Ｋ组测试样本集；否则，令ｉ值加１，否则返回步骤（２．３）；（３）搜索数据聚类方案集步骤：（３．１）对生成的每一组测试样本集，设定最大迭代次数Ｔ↓［ｍａｘ］＝２００，设定当前数据聚类迭代次数ｔ＝０，随机产生初始抗体种群Ｄ↓［０］，抗体种群Ｄ↓［０］由若干抗体组成，每一个抗体代表一个数据聚类方案；（３．２）计算抗体种群Ｄ↓［ｔ］中每个抗体ｂ↓［ｉ］的亲和度ｆ（ｂ↓［ｉ］，Ｄ↓［ｔ］）；（３．３）依据抗体种群中每个抗体的亲和度值，对抗体种群Ｄ↓［ｔ］执行克隆增殖操作，得到克隆种群Ｃ↓［ｔ］；（３．４）对克隆种群Ｃ↓［ｔ］执行克隆变异操作，得到变异种群Ｃ′↓［ｔ］；（３．５）对变异种群Ｃ′↓［ｔ］和抗体种群Ｄ↓［ｔ］执行克隆选择操作，得到临时抗体种群Ｔ↓［ｔ］；（３．６）对临时抗体种群Ｔ↓［ｔ］执行拉马克学习操作，得到拉马克学习后的新的抗体种群Ｄ↓［ｔ＋１］；（３．７）如果ｔ＜ｔ↓［ｍａｘ］，令ｔ值加１，执行步骤（３．２）开始新一轮的迭代；否则，输出抗体种群Ｄ↓［ｔ＋１］，即输出已搜索到的数据聚类方案集，结束对当前测试样本集的数据聚类；（４）选择数据聚类方案步骤：在生成的数据聚类方案集中，通过明科沃斯基指数的大小选择出一个最满意的数据聚类方案；（５）标记像素点类别归属步骤：根据选择出的数据聚类方案，先对测试样本集中的每一个像素点进行类别归属标记，并依据该标记对待分割图像中每一个未标记类别归属的像素点进行类别归属划分；（６）输出图像分割结果步骤：根据所有待分割图像中像素点的类别归属标记，输出最终的图像分割结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员：焦李成，张伟，刘若辰，刘芳，王爽，公茂果，李阳阳，侯彪，
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]