【技术实现步骤摘要】
本专利技术属于数字图像处理，具体涉及一种图像分割方法，可用于自然图像的识别和计算机视觉任务的处理。
技术介绍
1、在数字化时代的浪潮下，图像凭借其直观、信息丰富的特性，已然成为人类感知世界和获取信息的首选媒介。如何利用信息处理技术高效且精准地从图像中获取关键信息，不仅成为多个领域共同关注的热点，更是计算机视觉领域的重要研究方向。图像分割作为计算机视觉的核心技术之一，通过利用颜色、边缘等特征将复杂的图像划分为多个具有相似特性的不同区域，从而精准提取出目标信息，为后续的目标分析、场景理解等任务提供有力的数据支撑。针对实际中复杂多样的应用场景，学者们相继提出一系列图像分割方法，主要包括基于阈值的分割方法、基于聚类的分割方法、基于区域的分割方法和基于边缘的分割方法等。其中，基于聚类的分割方法由于其具有无监督、效率高等优势，得到了广泛的应用和研究。传统的硬聚类算法难以处理图像中包含的不确定性信息和模糊性信息，因此，软聚类算法应运而生。其中，粗糙模糊c均值聚类算法通过将粗糙集理论与模糊集理论相结合，有效地解决了上述问题。
2、ji等人在2012年的computer methods and programs in biomedicine上提出了广义粗糙模糊聚类算法用于脑核磁共振图像分割，该方法结合粗糙模糊聚类和空间信息约束以克服脑核磁共振图像中噪声和伪影带来的影响。该方法在实现图像分割时存在两个方面的问题：第一个问题是该算法局限于单一视角的设计，忽视了实际中多样化的聚类需求，导致算法的推广与应用受限，且无法准确识别聚类结构。第二个
3、针对上述第一个问题，garcía等人在2021年的applied soft computing上提出了一种基于特征和关系数据的多视图聚类算法，其利用数据不同的特征集或不相似关系表示视图，对数据进行聚类。然而，该算法在聚类过程中由于未能充分考虑视图间潜在的互补性信息，导致这些信息难以得到有效的挖掘和利用，从而影响了聚类结果的准确性。
4、针对上述第二个问题，cheng等人在2016年的ieee transactions onevolutionarycomputation上提出了参考向量引导的多目标进化算法，该算法不仅突破了传统聚类算法聚类准则单一的限制，而且其基于种群的特性有助于避免算法易陷入局部最优。但由于这种多目标进化算法需要计算大量的真实目标函数，使其性能和效率受到显著影响。对此，chugh等人在2018年的ieee transactions on evolutionary computation上提出了利用高斯过程构建代理模型以降低时间成本。然而，该算法又由于无法自适应更新填充采样个体，导致填充采样的效率低下，从而影响收敛性能和稳定性能。
技术实现思路
1、本专利技术的目的在于针对上有技术存在的不足，提供一种基于多视图迁移多目标粗糙模糊聚类的图像分割方法，以充分挖掘与利用不同视角之间的潜在信息，并结合实际中多样化的需求优化多个互补的聚类目标函数，增强对聚类中心的搜索能力，进而提高图像分割结果的准确性和稳定性。
2、为实现上述目的，本专利技术的技术包括如下步骤：
3、(1)输入待分割的图像x，并设置初始参数值，即视图个数l、聚类数目c、下近似权重wlow、超像素信息项权重β、迁移系数λ、模糊因子m、种群规模ni、参考向量个数h、最大目标函数的评估次数femax、代理模型更新频率ω、最大代理模型更新频率ωmax；
4、(2)设计超像素图像修复策略，结合不同超像素方法的优势，获取可靠且具有图像细节的图像信息
5、2a)对待分割图像x进行划分，生成不均匀区域的超像素图像x(m)；
6、2b)对待分割图像x进行划分，生成均匀区域的超像素图像x(s)；
7、2c)根据步骤(2a)和步骤(2b)生成的不均匀区域的超像素图像x(m)和均匀区域的超像素图像x(s)计算自适应加权系数，并采用线性加权的方法得到修复后的超像素图像
8、(3)利用单纯形格点法和拉丁超立方采样法分别生成初始参考向量ν和初始种群p；
9、(4)结合多视图学习、迁移学习和聚类的不确定性，分别构建如下三个目标函数：
10、基于多视图迁移的粗糙模糊紧致性函数f1：
11、融合边界惩罚的模糊熵函数f2：
12、基于共识隶属度的全局模糊分离函数f3：
13、其中，l表示视图个数，c表示聚类数目，n表示像素个数，λ表示迁移系数，j1表示粗糙模糊聚类目标函数，j2表示多视图信息迁移目标函数，τi表示边界惩罚因子，μlij表示第l个视图中第j个像素对第i类的隶属程度，scluster用于衡量类内像素的相似程度，ssample用于衡量每个像素对各个类的隶属程度；
14、(5)计算初始种群p中每个个体的三个目标函数值，初始化这些目标函数的评估次数fe，即用种群规模ni的值设置fe，采用初始种群初始化数据库db；
15、(6)根据每个个体的三个目标函数值，分别训练贝叶斯代理模型；
16、(7)构建基于自适应混合交叉算子的多目标进化框架更新初始种群p：
17、7a)基于全局自适应系数设计自适应混合交叉算子策略生成子代种群，将其和初始种群合并得到候选种群，并利用贝叶斯代理模型进行预测；
18、7b)执行环境选择操作，从候选种群内选择ni个个体作为下一代种群；
19、7c)根据设置的最大代理模型更新频率ωmax，执行步骤(7a)—步骤(7b)共ωmax次，得到更新后的种群；
20、7d)基于全局自适应系数从更新后的种群中选择u个个体更新数据库db，计算u个个体的目标函数值更新目标函数的评估次数fe；
21、7e)比较目标函数评估次数fe与最大目标函数评估次数femax，判断进化是否终止：
22、若fe＜femax，则对当前种群执行步骤(6)；
23、否则，将数据库db作为最终种群，执行步骤(8)；
24、(8)计算最终种群中个体的融合多视图共识信息的粗糙模糊聚类有效性指标i，在最终种群中选择最优解，对其解码得到聚类中心vi；
25、(9)利用获得的聚类中心vi计算全局隶属度，并根据最大隶属度原则确定各个像素的所属类别，输出图像x的分割结果。
26、本专利技术与现有技术相比，具有如下优点：
27、第一，本专利技术将多视图学习和迁移学习引入到粗糙模糊聚类算法中，设计了一种多视图信息迁移机制驱动的粗糙模糊聚类框架，突破了传统聚类算法视图单一的限制，并能够充分挖掘与利用多个视图间的潜在信息。
28、第二，本专利技术设计了一个超像素图像修复策略，通过结合不同超像素方法的优势，不仅克服了噪声对图像的影响，而且有效解决本文档来自技高网...
【技术保护点】
1.一种基于多视图迁移多目标粗糙模糊聚类的图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤2a)中对待分割图像X进行划分，生成不均匀区域的超像素图像X(M)，是采用多尺度形态梯度重建算法实现，步骤包括如下：
3.根据权利要求1所述的方法，其特征在于，步骤2b)中对待分割图像X进行划分，生成均匀区域的超像素图像X(S)，是采用简单线性迭代聚类算法实现，步骤包括如下：
4.根据权利要求1所述的方法，其特征在于，步骤2c)中根据不均匀区域的超像素图像X(M)和均匀区域的超像素图像X(S)计算自适应加权系数，并采用线性加权的方法得到修复后的超像素图像实现如下：
5.根据权利要求1所述的方法，其特征在于，步骤(3)中利用单纯形格点法和拉丁超立方采样法分别生成初始参考向量ν和初始种群P，实现如下：
6.根据权利要求1所述的方法，其特征在于，步骤(4)中构建三个目标函数F1、F2、F3，实现如下：
7.根据权利要求1所述的方法，其特征在于，步骤(6)中根据每个个体的三个目标函数值，分
8.根据权利要求1所述的方法，其特征在于，步骤7a)中基于全局自适应系数设计自适应混合交叉算子策略生成子代种群，实现如下：
9.根据权利要求1所述的方法，其特征在于，步骤7d)中基于全局自适应系数从更新后的种群中选择u个个体更新数据库DB，是将全局自适应系数与常数0.5进行比较：
10.根据权利要求1所述的方法，其特征在于，步骤7d)中计算u个个体的目标函数值更新目标函数的评估次数FE，是将u个填充采样个体分别输入步骤(4)所设计的三个目标函数中，每计算一个个体的目标函数值，目标函数的评估次数FE将增加一次。
11.根据权利要求1所述的方法，其特征在于，步骤(8)中计算最终种群中个体的融合多视图共识信息的粗糙模糊聚类有效性指标I，在最终种群中选择最优解，实现如下：
12.根据权利要求1所述的方法，其特征在于，步骤(9)中利用获得的聚类中心vi计算全局隶属度，并根据最大隶属度原则确定各个像素的所属类别，实现如下：
...【技术特征摘要】
1.一种基于多视图迁移多目标粗糙模糊聚类的图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤2a)中对待分割图像x进行划分，生成不均匀区域的超像素图像x(m)，是采用多尺度形态梯度重建算法实现，步骤包括如下：
3.根据权利要求1所述的方法，其特征在于，步骤2b)中对待分割图像x进行划分，生成均匀区域的超像素图像x(s)，是采用简单线性迭代聚类算法实现，步骤包括如下：
4.根据权利要求1所述的方法，其特征在于，步骤2c)中根据不均匀区域的超像素图像x(m)和均匀区域的超像素图像x(s)计算自适应加权系数，并采用线性加权的方法得到修复后的超像素图像实现如下：
5.根据权利要求1所述的方法，其特征在于，步骤(3)中利用单纯形格点法和拉丁超立方采样法分别生成初始参考向量ν和初始种群p，实现如下：
6.根据权利要求1所述的方法，其特征在于，步骤(4)中构建三个目标函数f1、f2、f3，实现如下：
7.根据权利要求1所述的方法，其特征在于，步骤(...
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。