專利名稱：基于粒子群優(yōu)化空間紋理信息約束聚類的圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，涉及圖像分割，可用于紋理圖像分割和對SAR圖像的 分割。
背景技術(shù)：
隨著科學技術(shù)的發(fā)展，人們越來越多的以圖像的形式獲得各種信息。圖像分割方 法也成為人們研究的熱點。Shen S禾口 Liew A W提出了基于模糊c_均值(Fuzzy C-Means, FCM)的改進算法 并分別應(yīng)用于醫(yī)學圖像和自然圖像分割，得到了較好的圖像分割結(jié)果，但由于僅考慮灰度 特征因此對紋理特征明顯的圖像并不能得到理想的分割結(jié)果。Oskoei MA和Omran MG分別將遺傳算法(Genetic Algorithm, GA)和粒子群優(yōu)化 (Particle Swarm Optimization, PS0)算法引入模糊聚類以實現(xiàn)目標函數(shù)的優(yōu)化，應(yīng)用于 自然圖像分割時得到了較為理想的分割結(jié)果，通過優(yōu)化算法改進模糊聚類的數(shù)據(jù)聚類結(jié)果 并應(yīng)用于圖像分割目前得到廣泛關(guān)注。Tian Xiaolin等人提出的基于PSO優(yōu)化空間約束聚類的SAR圖像分割，在部分SAR 圖像的分割中得到了理想的結(jié)果，由于其僅使用多尺度灰度特征，在紋理特征明顯的SAR 圖像中盡管考慮了空間信息仍舊不能得到理想的分割結(jié)果。圖像分割中紋理特征的提取成 為改進以上算法的關(guān)鍵。上述的方法并沒有同時利用紋理特征和空間信息，因此在紋理特征明顯的圖像分 割中并不能得到理想的分割結(jié)果。在利用紋理特征進行聚類的過程中，傳統(tǒng)的FCM分割方法并沒有考慮空間信息， 因此存在嚴重的局部錯分現(xiàn)象，尤其是邊緣部分錯分嚴重。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有方法的缺點，提出了一種基于粒子群優(yōu)化空間紋 理信息約束聚類的圖像分割方法，以改善紋理圖像局部錯分現(xiàn)象，提高邊緣分割效果。為實現(xiàn)上述目的，本發(fā)明包括如下過程(1)輸入待分割圖像，并提取待分割圖像的紋理特征；(2)用提取的紋理特征與空間信息更新模糊C-均值的相似性測度，并按如下公式 進行聚類min Jm(U,V) ^^(uj'Ci2(X^Zl)其中Jm表示模糊C-均值聚類的目標函數(shù)，m e (1，⑴)控制模糊度的權(quán)重指數(shù)；Uij是矢量Xj隸屬于第i類的隸屬度函數(shù)％ ^u,υ是圖像所有像素點隸屬度組成的矩陣；N表示圖像像素數(shù)，C表示聚類數(shù)目，Xj表示第j個像素點位置紋理特征，Zi表示第i類的聚類中心z,er，V是由聚類中心組成的矩陣；d2(Xj, Zi) = I Xj-Zi I (I-QDij-^Xij)為更新的相似性測度，式中Dij表示鄰域空 間相對位置信息，α是Du的調(diào)控參數(shù)，Xu表示鄰域紋理特征信息，β是、的調(diào)控參數(shù)，
xu = Σ L u'kG,kxjk / Σ L gA ；(3)通過粒子群優(yōu)化對調(diào)控參數(shù)α和β進行更新，優(yōu)化的最大代數(shù)為100 ；(4)判斷是否達到設(shè)定的循環(huán)結(jié)束條件，如果達到循環(huán)結(jié)束條件，則分割結(jié)束，把 當前的隸屬度值作為圖像分割結(jié)果，否則轉(zhuǎn)到步驟2進行下一次循環(huán)，所述的循環(huán)結(jié)束條件，設(shè)定為在5次優(yōu)化中要滿足Pt - A+1VJw < 0.0001，其中
表示優(yōu)化的第t代的目標函數(shù)值，表示優(yōu)化的第t+Ι代的目標函數(shù)值，t的取值范圍為 [1，99]。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點1.本發(fā)明由于提取圖像的紋理特征，比起用灰度特征進行圖像分割更為有效；2.本發(fā)明不是用紋理特征進行簡單的聚類，而是通過有選擇的加入空間信息和鄰 域紋理信息對FCM的相似性測度進行改造，基本消除了局部錯分現(xiàn)象，改善了圖像邊緣分 割效果；3.本發(fā)明由于對FCM聚類算法中改進的的相似性測度d2(Xp Zi)= IXj-ZiI (I-QDij-^Xij)中的鄰域空間相對位置信息Dij的系數(shù)α和鄰域紋理特征信息Xij
的系數(shù)β，采用粒子群優(yōu)化PSO算法調(diào)控，有助于獲得良好的分割結(jié)果。


圖1是本發(fā)明的實現(xiàn)流程圖；圖2是本發(fā)明對于三幅合成紋理圖像SYN1，SYN2, SYN3分割結(jié)果與現(xiàn)有三種方法 分割結(jié)果對比圖；圖3是本發(fā)明對于三幅SAR圖像SAR1，SAR2，SAR3分割結(jié)果與現(xiàn)有三種方法分割 結(jié)果對比圖。
具體實施例方式參照圖1，本發(fā)明的具體實施過程如下步驟1.輸入待分割圖像，提取待分割圖像的紋理特征。本發(fā)明對待分割圖像提取的紋理特征包括灰度共生特征和小波特征1. 1)灰度共生特征提取在灰度共生特征的提取中，首先計算待分割圖像中以待提取特征的像素點為中心 的，設(shè)定的特征窗口內(nèi)的圖像子塊的灰度共生矩陣P (u，V，d，θ )，其中U和V表示灰度共生 矩陣計算中統(tǒng)計的兩個像素點的灰度；θ表示提取灰度共生矩陣的方向，θ的選擇為4個 離散的方向0°，45°，90°，135° ；d表示灰度共生矩陣計算中統(tǒng)計的兩個像素點的距離， 本發(fā)明中取值為1。在灰度共生矩陣的基礎(chǔ)上再提取紋理特征量，稱為二次統(tǒng)計量。本發(fā)明中從圖像的灰度共生矩陣中抽取以下這些二次統(tǒng)計量作為
分類識別的特征系數(shù)α)角二階矩幻=Σ二Σ!Γ>2 ,ν)；⑵同質(zhì)性於=Σ:::Σ::>(")/(Η"-ν|);⑶對比度《3=Σ:::Σ!>-ν)2/^，ν)，Η 表示量
化的灰度等級。其中，角二階矩在0°，45°，90°，135°上的值用(g1(1，gn，g12，g13)表示， 同質(zhì)性在四個方向上用(g20, g21, g22, g23)表示，對比度在四個方向上用(g3Q，g31，g32，g33)表
7J\ ο1. 2)小波特征提取提取小波特征時，首先對待分割圖像中以待提取特征的像素點為中心的，設(shè)定的 特征窗口內(nèi)的圖像子塊沿χ方向和y方向分別進行一維濾波，把每一尺度分解成四個子帶 LL、HL、LH和HH，分別表征圖像的低頻信息及水平、垂直和斜方向上的細節(jié)。按式·^▲乙乙二^/㈣力分別求出子帶的L1范數(shù)，式中，w表示子帶的
Ll范數(shù)，M為子帶系數(shù)的行數(shù)，N為子帶系數(shù)的列數(shù)，MXN為子帶大小，m，η表示子帶中系 數(shù)的索引，coef(m，n)為該子帶中第m行第η列的系數(shù)值。經(jīng)過對圖像進行L層小波變換， 提取得到3L+1個子帶的Ll范數(shù)，從而得到一個3L+1維的特征向量Ov W1,…，w3L+1)。本發(fā)明的實驗部分對于合成紋理圖像采用12維灰度共生特征和對待分割圖像分 解兩層得到的7維小波特征相結(jié)合得到的19維特征(g1(1，…，g13，g2(1，…，g23，g3(1，…，g33， w0,…，w6)，簡稱為G_W特征。對于SAR圖像只使用對待分割圖像分解兩層得到的7維小波 特征(wQ，Wl，…，w6)，簡稱為W特征。步驟2.用提取的紋理特征與空間信息更新FCM的相似性測度d2 (Xj, Zi)。對相似 性測度d2 (Xj, Zi)的更新，該更新通過如下公式計算得到，即d2 (Xj, Zi) = I I Xj-Zi I I (ι-α Dij- β Xij)其中=Xj表示第j個像素點位置紋理特征；Zi表示第i類的聚類中心；Dij表示空間相對位置信息，α是Dij的調(diào)控參數(shù)，Dij的計算公式為 ο,^ΣΙ^Λ/ΣΙΑ，式中s表示鄰域像素數(shù)目，Uik表示像素點j的第k個鄰域?qū)儆?第i類的概率值，dJk表示像素點j和它的第k個鄰域之間的空間距離；Xij表示鄰域紋理特征信息，β是Xu的調(diào)控參數(shù)，Xij的計算公式為
χ” =Σ ^χβ/Σ ^χβ，式中、=ι IvxkI ι表示像素點j和它的第k個鄰域之 間的紋理特征的距離，Xj和Xk分別表示像素點j和它的第k個鄰域的紋理特征向量；Gik表 示像素點j的第k個鄰域相對于第i類的高斯選擇值，Gik的計算公式為Gik = exp (_Xik2/ δ》，式中:Xik = | | Xk-Zi | |表示鄰域像素點k的紋理到第i類聚 類中心的距離,Zi表示第i類的聚類中心；δ i表示第i類的平均類中心距離，δ i的計算公
式為孓)/乂，式中表示粒子群優(yōu)化中當前代第η個被分為第i類的像
素點的紋理特征，Ni表示當前被分到第i類的像素點的個數(shù)。步驟3.利用更新的FCM相似性測度d2 (Xj, Zi)按如下公式進行聚類min Jm {U, V) = Σ 二 Σ 二 K )m d2 ，)其中Jm表示模糊C-均值聚類的目標函數(shù)，m e (1，⑴)控制模糊度的權(quán)重指數(shù)；N表示圖像像素數(shù)；
5
C表示聚類數(shù)目；Xj表示第j個像素點位置紋理特征；Uij是矢量Xj隸屬于第i類的隸屬度函數(shù) υ是圖像所有像素點隸屬度組成 的矩陣；Zi表示第i類的聚類中心Z, cF,V是由聚類中心組成的矩陣。步驟4.通過粒子群優(yōu)化PSO算法對調(diào)控參數(shù)α和β進行更新。設(shè)PSO的種群規(guī)模為ps，最大種群進化代數(shù)為Gmax ；設(shè)第i個粒子表示為Ici = ( α ρ 1)，、為α在第i個粒子中的數(shù)值，I為β在第i個粒子中的數(shù)值，為方便描述，1^統(tǒng) 一以Yi表示，個體位置Yi就是空間信息調(diào)控參數(shù)，Yi = (yn，yi2)，它經(jīng)歷的最好位置記為 Pi = (Pil，Pi2)，也稱為Ptest ；在群體所有粒子經(jīng)歷過的最好位置稱為gbest。粒子i的速度用 Vi = (vn，vi2)表示，Vi被一個最大速度Vmax所限制。PSO算法的組合模型為vid = wvid+Cl X rand ( · ) X (pid-yid) +c2 X Rand ( · ) X (pgd-yid)yid = yid+vid其中vid表式第i個粒子的d維的速度，如果當前對粒子的加速導致它在d維的 速度Vid超過該維的最大速度vmax, d，則該維的速度被限制為該維最大速度vmax, d ；w為慣性 權(quán)重，w較大算法具有較強的全局搜索能力，w較小則算法傾向于局部搜索，本發(fā)明對w的 取值方法是使其由最大初始值Wmax隨迭代次數(shù)的增加線性遞減至Wmin ;Cl和C2為加速常數(shù)； Pid表示第i個粒子的d維的最好位置；yid表示第i個粒子的d維的當前位置；rancK ·)和 Rand( ·)為兩個在W，l]范圍內(nèi)變化的隨機函數(shù)；Pgd表示所有粒子的d維的最好位置。在優(yōu)化調(diào)控參數(shù)α，β過程中，優(yōu)化參數(shù)取值必須滿足如下條件α Dij+ β Xij 彡 1，0 彡 α 彡 1， 彡 β 彡 1。PSO進行空間信息調(diào)控參數(shù)優(yōu)化的步驟如下4a)如果是對FCM首次進行優(yōu)化，對第i個個體而言，則隨機給定位置Yi以及速度 Vi,否則，取各個體更新的位置Y' i和速度V' i;4b)按式π η</ ,( /，Γ) = Σ二Σ二㈨,"(Α，2,)計算每個個體的目標函數(shù)值；4c)將每個個體求得的目標函數(shù)值與其經(jīng)驗中記錄的個體最優(yōu)目標函數(shù)值進行比 較，若目前的目標函數(shù)值較之前最優(yōu)結(jié)果更佳，則以之取代個體最優(yōu)目標函數(shù)值，若目前求 得的最優(yōu)目標函數(shù)值優(yōu)于群體最優(yōu)目標函數(shù)值，則將群體最優(yōu)目標函數(shù)值重設(shè)為目前的結(jié) 果；4d)按照PSO算法的組合模型修改種群中各個體的位置和速度，得到更新的位置 Y' i和更新的速度V' i，該組合模型為vid = wvid+Cl X rand ( · ) X (pid-yid) +C2 X Rand ( · ) X (pgd-yid)yid = yid+vidoPSO優(yōu)化主要參數(shù)的取值如表1所示表1. PSO優(yōu)化算法主要參數(shù) 步驟5.判斷是否達到設(shè)定的循環(huán)結(jié)束條件，如果達到循環(huán)結(jié)束條件，則分割結(jié) 束，把當前的隸屬度值作為圖像分割結(jié)果，否則轉(zhuǎn)到步驟2進行下一次循環(huán)，所述的循環(huán)結(jié)束條件，設(shè)定為在5次優(yōu)化中要滿足I·/。-Jrl/^0 ^0.0001，其中J:
表示優(yōu)化的第t代的目標函數(shù)值，乃+”表示優(yōu)化的第t+Ι代的目標函數(shù)值，t的取值范圍為 [1，99]。本發(fā)明的效果可以通過以下實驗進一步說明1.實驗條件和內(nèi)容實驗仿真環(huán)境為MATLAB7. 0. 4，Intel (R)Pentium(R) 1 CPU 2. 4GHz, WindowXP Professional。實驗內(nèi)容包括本發(fā)明分別用3幅合成紋理圖像做了測試實驗，合成圖像有2類， 3類，4類三幅，大小都為256 X 256，分別命名為SYN1，SYN2，SYN3，特征采用G_W特征，灰度 共生特征窗口大小為9 X 9，小波特征窗口為8 X 8，空間鄰域窗口大小為11 X 11。本發(fā)明還對三幅SAR圖像做了測試實驗，分別分為3類，2類，2類，圖像大小都為 256 X 256，分別命名為SAR1，SAR2，SAR3，實驗中采用W特征，相對于G_ W特征，在保證分割 效果的前提下減小了計算量。SARl中為了保護跑道細節(jié)信息選擇了較小的特征窗口 4X4 和較小的空間鄰域窗口 5X5。SAR2和SAR3采用SAR圖像分割的一般標準，特征窗口大小 為16X16，空間鄰域窗口 21X21。2.實驗結(jié)果(1)用本發(fā)明和Kmeans、FCM、PS0-SCFCM三種方法對SYN1,SYN2, SYN3三幅合成紋 理圖像的分割結(jié)果如圖2所示，其中圖(2a)為SYNl的原圖像；圖(2b)為SYN2的原圖像； 圖(2c)為SYN3的原圖像；圖(2d)為圖(2a)的分割模板；圖(2e)為圖(2b)的分割模板； 圖(2f)為圖(2c)的分割模板；圖(2g)為現(xiàn)有Kmeans算法對圖(2a)的分割結(jié)果；圖(2h) 為現(xiàn)有Kmeans算法對圖(2b)的分割結(jié)果；圖(2i)為現(xiàn)有Kmeans算法對圖(2c)的分割結(jié) 果；圖(2j)為現(xiàn)有FCM算法對圖(2a)的分割結(jié)果；圖(2k)為現(xiàn)有FCM算法對圖(2b)的分 割結(jié)果；圖(21)為現(xiàn)有FCM算法對圖(2c)的分割結(jié)果；圖(2m)為現(xiàn)有PS0-SCFCM算法對 圖(2a)的分割結(jié)果；圖(2η)為現(xiàn)有PS0-SCFCM算法對圖(2b)的分割結(jié)果；圖(2ο)為現(xiàn)有 PS0-SCFCM算法對圖(2c)的分割結(jié)果；圖(2p)為本發(fā)明算法對圖(2a)分割結(jié)果；圖(2q) 為本發(fā)明算法對圖(2b)的分割結(jié)果；圖(2r)為本發(fā)明算法對圖(2c)的分割結(jié)果。從圖(2g)、圖(2h)和圖(2i)的分割結(jié)果可見，Kmeans算法雖然利用了紋理特征， 但由于沒考慮空間信息，因此不能得到理想的分割結(jié)果。從圖(2j)、圖(2k)和圖(21)的分割結(jié)果可見，F(xiàn)CM算法雖然利用了紋理特征，但 由于沒考慮空間信息，因此不能得到理想的分割結(jié)果。從圖(2m)、圖(2η)和圖(2ο)的分割結(jié)果可見，PS0-SCFCM算法由于采用的是灰度
7特征，所以對紋理特征明顯的圖像起不到正確的分割效果。從圖(2p)、圖(2q)和圖(2r)的分割結(jié)果可見，本發(fā)明方法對合成紋理圖像有比較 理想的分結(jié)果。表2給出了不同算法對SYN1，SYN2，SYN3分割結(jié)果，表2中數(shù)據(jù)表示誤分類像素點 個數(shù)與圖像像素總數(shù)的百分比，誤分像素個數(shù)/圖像像素總數(shù)X 100%，從表2中可知，本發(fā) 明分割結(jié)果與三種現(xiàn)有算法分割結(jié)果相比較，誤分率明顯降低。表2.合成紋理圖像誤分率比較 (2)用本發(fā)明和 Kmeans、FCM、PS0-SCFCM 三種方法對 SARl，SAR2, SAR3 三幅 SAR 圖像的分割結(jié)果如圖3所示，其中圖(3a)為SARl的原圖像；圖(3b)為SAR2的原圖像；圖 (3c)為SAR3的原圖像；圖(3d)為現(xiàn)有Kmeans算法對圖(3a)的分割結(jié)果；圖(3e)為現(xiàn) 有Kmeans算法對圖(3b)的分割結(jié)果；圖(3f)為現(xiàn)有Kmeans算法對圖(3c)的分割結(jié)果； 圖(3g)為現(xiàn)有FCM算法對圖(3a)的分割結(jié)果；圖(3h)為現(xiàn)有FCM算法對圖(3b)的分割 結(jié)果；圖(3i)為現(xiàn)有FCM算法對圖(3c)的分割結(jié)果；圖(3j)為現(xiàn)有PS0-SCFCM算法對圖 (3a)的分割結(jié)果；圖(3k)為現(xiàn)有PS0-SCFCM算法對圖(3b)的分割結(jié)果；圖(31)為現(xiàn)有 PS0-SCFCM算法對圖(3c)的分割結(jié)果；圖(3m)為本發(fā)明算法對圖(3a)分割結(jié)果；圖(3η) 為本發(fā)明算法對圖(3b)的分割結(jié)果；圖(3ο)為本發(fā)明算法對圖(3c)的分割結(jié)果。從圖(3d)、圖(3e)和圖(3f)的分割結(jié)果可見，Kmeans算法雖然利用了紋理特征， 但由于沒考慮空間信息，因此不能得到理想的分割結(jié)果。從圖(3g)、圖(3h)和圖(3i)的分割結(jié)果可見，F(xiàn)CM算法雖然利用了紋理特征，但 由于沒考慮空間信息，因此不能得到理想的分割結(jié)果。從圖(3j)、圖(3k)和圖(31)的分割結(jié)果可見，PS0-SCFCM算法由于采用的是灰度 特征，所以對紋理特征明顯的SAR圖像起不到正確的分割效果。從圖(3m)、圖(3η)和圖(3ο)的分割結(jié)果可見，本發(fā)明方法對紋理特征明顯的SAR 圖像有比較理想的分結(jié)果。綜上，本發(fā)明提出的基于粒子群優(yōu)化空間紋理信息約束聚類的圖像分割方法，通 過將相鄰像素的相對位置和紋理信息所構(gòu)成的空間信息通過高斯核函數(shù)的選擇作用按類 別融入模糊C-均值FCM聚類算法的相似性測度中，基本消除了圖像的局部錯分現(xiàn)象?？臻g 信息對FCM聚類算法的調(diào)控由粒子群優(yōu)化PSO算法完成，優(yōu)化的調(diào)控參數(shù)有助于獲得良好 的分割結(jié)果。
權(quán)利要求
一種基于粒子群優(yōu)化空間紋理信息約束聚類的圖像分割方法，包含以下步驟(1)輸入待分割圖像，并提取待分割圖像的紋理特征；(2)用提取的紋理特征與空間信息更新模糊c 均值的相似性測度，并按如下公式進行聚類 <mrow><mi>min</mi><msub> <mi>J</mi> <mi>m</mi></msub><mrow> <mo>(</mo> <mi>U</mi> <mo>,</mo> <mi>V</mi> <mo>)</mo></mrow><mo>=</mo><msubsup> <mi>&Sigma;</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></msubsup><msubsup> <mi>&Sigma;</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>C</mi></msubsup><msup> <mrow><mo>(</mo><msub> <mi>u</mi> <mi>ij</mi></msub><mo>)</mo> </mrow> <mi>m</mi></msup><msup> <mi>d</mi> <mn>2</mn></msup><mrow> <mo>(</mo> <msub><mi>X</mi><mi>j</mi> </msub> <mo>,</mo> <msub><mi>Z</mi><mi>i</mi> </msub> <mo>)</mo></mrow> </mrow>其中Jm表示模糊c 均值聚類的目標函數(shù)，m∈(1，∞)控制模糊度的權(quán)重指數(shù)；uij是矢量Xj隸屬于第i類的隸屬度函數(shù)U是圖像所有像素點隸屬度組成的矩陣；N表示圖像像素數(shù)，C表示聚類數(shù)目，Xj表示第j個像素點位置紋理特征，Zi表示第i類的聚類中心V是由聚類中心組成的矩陣；d2(Xj，Zi)＝||Xj Zi||(1 αDij βXij)為更新的相似性測度，式中Dij表示鄰域空間相對位置信息，α是Dij的調(diào)控參數(shù)，Xij表示鄰域紋理特征信息，β是Xij的調(diào)控參數(shù)，(3)通過粒子群優(yōu)化對調(diào)控參數(shù)α和β進行更新，優(yōu)化的最大代數(shù)為100；(4)判斷是否達到設(shè)定的循環(huán)結(jié)束條件，如果達到循環(huán)結(jié)束條件，則分割結(jié)束，把當前的隸屬度值作為圖像分割結(jié)果，否則轉(zhuǎn)到步驟2進行下一次循環(huán)，所述的循環(huán)結(jié)束條件，設(shè)定為在5次優(yōu)化中要滿足其中表示優(yōu)化的第t代的目標函數(shù)值，表示優(yōu)化的第t+1代的目標函數(shù)值，t的取值范圍為[1，99]。FSA00000255294600012.tif,FSA00000255294600013.tif,FSA00000255294600014.tif,FSA00000255294600015.tif,FSA00000255294600016.tif,FSA00000255294600017.tif
2.根據(jù)權(quán)利要求書1所述的方法，其中步驟(2)所述的相似性測度公式d2(Xp Zi)= IXrZiI I (I-QDij-^Xij)中的鄰域紋理特征信息Xij,用如下公式表示xU = Hk=\U'kG,kXjk/Yjk^1GlkxJk其中=Uik表示第j個像素點的第k個鄰域?qū)儆诘趇類的概率值； Xjk表示像素點j和它的第k個鄰域之間的紋理特征的歐氏距離，其表示式為Xjk = IXj-XkI I，式中的&和Xk表示像素點j和它的第k個鄰域的紋理特征向量； Gik表示像素點j的第k個鄰域相對于第i類的高斯選擇值，其表示式為 Gik = exp(-Xik2/ δ》，式中Xik = I IXk-Zi I表示鄰域像素點k的紋理到第i類聚類 中心的距離，Zi表示第i類的聚類中心；δ i表示第i類的平均類中心距離，其表示式為^=ΣΝ:ΛΧ"-Ζ>)/Ν'，式中表示粒子群優(yōu)化中當前代第η個被分為第i類的像素點的紋理特征，Ni表示當前被分到第i類的像素點的個數(shù)。
全文摘要
本發(fā)明公開了一種粒子群優(yōu)化空間紋理信息約束聚類的圖像分割方法，主要解決紋理圖像分割的局部錯分問題，改善邊緣結(jié)合位置的分割效果。其實現(xiàn)過程是(1)輸入待分割的圖像；(2)對待分割圖像提取灰度共生特征和小波特征；(3)利用高斯核有選擇的用空間信息和鄰域紋理信息改進模糊c-均值的相似性測度并進行聚類；(4)利用粒子群優(yōu)化方法對聚類過程中的調(diào)控參數(shù)進行優(yōu)化；(5)判斷是否達到設(shè)定的循環(huán)終止條件，如果沒有達到循環(huán)終止條件則返回到第3步進行下一次循環(huán)，如果達到則退出循環(huán)得到最終隸屬度值，即圖像最終分割結(jié)果。本發(fā)明與現(xiàn)有的技術(shù)相比顯著提高了圖像的分割性能，能夠有效地分割紋理圖像和SAR圖像。
文檔編號G06T7/00GK101923715SQ20101027154
公開日2010年12月22日 申請日期2010年9月2日 優(yōu)先權(quán)日2010年9月2日
發(fā)明者于昕, 尚榮華, 朱虎明, 焦李成, 王剛, 田小林, 緱水平, 馬文萍 申請人:西安電子科技大學