基于多目標(biāo)粒子群算法的灰度圖像分割方法
【專利摘要】本發(fā)明公開一種基于多目標(biāo)粒子群算法的灰度圖像分割方法，它涉及圖像處理【技術(shù)領(lǐng)域】，主要解決傳統(tǒng)方法評價指標(biāo)單一，且易導(dǎo)致區(qū)域一致性差、邊緣凌亂的問題。其實現(xiàn)步驟為：(1)對待分割灰度圖像進(jìn)行特征提取，即選取圖像灰度作為待聚類的數(shù)據(jù)；(2)設(shè)置運行參數(shù)并初始化粒子群；(3)結(jié)合多目標(biāo)粒子群算法對數(shù)據(jù)進(jìn)行多目標(biāo)聚類，得到近似Pareto解集；(4)從步驟(3)中得到的解集中選取PBM指標(biāo)最大的解作為最優(yōu)解，即聚類結(jié)果；(5)根據(jù)步驟(4)得到的聚類結(jié)果對待分割圖像的每個像素點分配類標(biāo)，得到分割結(jié)果。本發(fā)明具有分割結(jié)果區(qū)域一致性好、能夠保留完整信息且計算速度快的優(yōu)點，可用于圖像目標(biāo)識別。
【專利說明】基于多目標(biāo)粒子群算法的灰度圖像分割方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及圖像分割的方法，尤其涉及灰度圖像的分割 方法，可應(yīng)用于目標(biāo)識別。

【背景技術(shù)】
[0002] 隨著計算機(jī)技術(shù)的發(fā)展，圖像在各行各業(yè)的應(yīng)用日益廣泛?；叶葓D像分割是以圖 像的形式獲得信息的基礎(chǔ)，使人們研究的熱點，是圖像處理技術(shù)應(yīng)用的重要內(nèi)容之一。
[0003] 圖像分割是圖像處理過程中的一個重要步驟。圖像分割的任務(wù)是將輸入圖像分割 為一些獨立的區(qū)域，使同一區(qū)域具有相同的屬性，而使不同的區(qū)域具有不同的屬性。對于圖 像分割問題，研究者已經(jīng)提出了很多方法，但是鑒于圖像種類多、數(shù)據(jù)量大、變化多端的特 點，迄今為止還沒有一種圖像分割的方法適合于所有的情況。數(shù)據(jù)聚類作為一種圖像分割 的手段，得到了廣泛的應(yīng)用。
[0004] 聚類就是指在沒有訓(xùn)練樣本的情況下將一組特征分成若干類別的過程，基于聚類 的圖像分割的基本思想是：將圖像中的像素映射成對應(yīng)的特征空間的點，如果描述不同對 象差別的特征變量選取的合適，特征空間中的點就能夠根據(jù)一定度量準(zhǔn)則劃分為不同的區(qū) 域，映射回原圖像空間，得到分割結(jié)果。
[0005] 傳統(tǒng)的聚類方法在進(jìn)行灰度圖像分割時，往往具有以下兩個缺點：（1)評價指標(biāo) 單一，僅僅使用一個目標(biāo)函數(shù)，即每一類內(nèi)的點到其聚類中心的距離之和最小，以此來進(jìn)行 聚類，從而導(dǎo)致分類結(jié)果不夠準(zhǔn)確；（2)對初始化敏感，如果初始化時隨機(jī)產(chǎn)生了一些適應(yīng) 度相對較小的解，最終產(chǎn)生錯分割的幾率就比較大。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于多目標(biāo)粒子群算法的 灰度圖像分割方法，使得分割結(jié)果具有更好的區(qū)域一致性，并保持圖像的完整性，以提高圖 像分割的質(zhì)量。
[0007] 多目標(biāo)粒子群算法是一種將基本粒子群算法擴(kuò)展用于解決多目標(biāo)優(yōu)化問題的多 目標(biāo)進(jìn)化算法?；玖Ｗ尤核惴ㄊ窃从邙B群覓食行為，通過對鳥群覓食過程中的遷徙和聚 集進(jìn)項模擬，形成的一種群體智能算法。多目標(biāo)粒子群算法在繼承了基本粒子群算法的優(yōu) 勢的基礎(chǔ)上，改善了多目標(biāo)進(jìn)化算法的缺陷。將圖像分割問題轉(zhuǎn)化為對兩個目標(biāo)函數(shù)的優(yōu) 化問題，相對于單目標(biāo)聚類僅僅針對最小化類內(nèi)距離這一個目標(biāo)，多目標(biāo)聚類方法主要使 用兩個目標(biāo)函數(shù)：最小化類內(nèi)距離以及最大化類間距離。該聚類技術(shù)通過多目標(biāo)優(yōu)化方法 同時對兩個目標(biāo)函數(shù)尋找最優(yōu)解，值的指出的是，多目標(biāo)問題的最優(yōu)解不是單一的，而是一 個Pareto解集，在目標(biāo)空間內(nèi)稱為Pareto邊界。
[0008] 使用基于多目標(biāo)粒子群算法的方法進(jìn)行圖像分割，相比于基于單目標(biāo)聚類的圖像 分割能夠獲得更準(zhǔn)確的分割結(jié)果，可以克服傳統(tǒng)分割方法評價指標(biāo)單一、區(qū)域的一致性差、 邊界凌亂、分割結(jié)果不夠準(zhǔn)確的缺點，從而提高圖像分割的質(zhì)量。
[0009] 本發(fā)明的技術(shù)方案是：將灰度圖像分割問題看成多目標(biāo)聚類問題，將圖像灰度作 為待聚類的數(shù)據(jù)，結(jié)合多目標(biāo)粒子群算法對數(shù)據(jù)進(jìn)行多目標(biāo)聚類，得到一組近似的Pareto 解，最后根據(jù)PBM指標(biāo)從一組解中選出最優(yōu)解作為分類結(jié)果，達(dá)到圖像分割的目的。具體實 現(xiàn)過程如下：
[0010] (1)對待分割灰度圖像進(jìn)行特征提取，即選取圖像灰度作為待聚類的數(shù)據(jù)；
[0011] (2)設(shè)定最大迭代次數(shù)T為50,當(dāng)前迭代次數(shù)t = 0,粒子群規(guī)模N1為100,外部 檔案規(guī)模N2為100,聚類類別數(shù)為K，K的大小根據(jù)待分割圖像確定，慣性權(quán)重w為0. 9,并 隨迭代過程線性遞減到0. 4,加速常數(shù)Cl和c2為2. 0,最大速度Vmax的每一維取相應(yīng)維的取 值范圍的15% ;
[0012] (3)初始化粒子群匕，根據(jù)聚類類別數(shù)，從待聚類的數(shù)據(jù)中隨機(jī)選取K個樣本作為 聚類中心，樣本值為像素灰度值，K個樣本構(gòu)成的向量作為初始粒子群匕中一個個體的初始 位置，并確定其零初始速度，進(jìn)行N1次上述采樣操作，得到規(guī)模大小為N1的初始粒子群P。， 每個粒子的初始自身最優(yōu)位置pBest為該粒子本身的初始位置；計算各粒子對應(yīng)的兩個目 標(biāo)函數(shù)值，根據(jù)Pareto支配關(guān)系，將非劣解存入外部檔案慫中，該兩個目標(biāo)函數(shù)為 ：

【權(quán)利要求】
1. 一種基于多目標(biāo)粒子群算法的灰度圖像分割方法，包括如下步驟： (1) 對待分割灰度圖像進(jìn)行特征提取，即選取圖像灰度作為待聚類的數(shù)據(jù)； (2) 設(shè)定最大迭代次數(shù)T為50,當(dāng)前迭代次數(shù)t = 0,粒子群規(guī)模N1為100,外部檔案 規(guī)模N2為100,聚類類別數(shù)為K，K的大小根據(jù)待分割圖像確定，慣性權(quán)重w為0. 9,并隨迭 代過程線性遞減到0. 4,加速常數(shù)Cl和c2為2. 0,最大速度Vmax的每一維取相應(yīng)維的取值范 圍的15% ; (3) 初始化粒子群匕，根據(jù)聚類類別數(shù)，從待聚類的數(shù)據(jù)中隨機(jī)選取K個樣本作為聚類 中心，樣本值為像素灰度值，K個樣本構(gòu)成的向量作為初始粒子群匕中一個個體的初始位 置，并確定其零初始速度，進(jìn)行N1次上述采樣操作，得到規(guī)模大小為N1的初始粒子群匕，每 個粒子的初始自身最優(yōu)位置pBest為該粒子本身的初始位置；計算各粒子對應(yīng)的兩個目標(biāo) 函數(shù)值，根據(jù)Pareto支配關(guān)系，將非劣解存入外部檔案&中，該兩個目標(biāo)函數(shù)為 ：
其中，η為待聚類的數(shù)據(jù)樣本個數(shù)，j代表樣本中的第j個樣本，K為聚類類別數(shù)，k代 表聚類類別里的第k類，u為根據(jù)樣本與聚類中心之間的距離關(guān)系得到的隸屬矩陣，X為聚 類數(shù)據(jù)樣本，z為聚類中心，《和v分別代表聚類類別里的第w類和第v類； (4) 對粒子群進(jìn)行如下優(yōu)化，得到一個近似Pareto解集，其中，Pt為第t代粒子群，At 為第t代外部檔案，t為迭代次數(shù)，t < T ; (4. 1)選取全局最優(yōu)位置gBest :計算外部檔案At中所有粒子的密度值，并降序排列， 選取密度值最大的個體作為gBest ; (4. 2)根據(jù)速度和位置更新公式來更新每個粒子的速度和位置，得到粒子群Pt+1 ; (4. 3)采用如下措施以避免粒子飛出搜索空間：一旦粒子飛出某個決策變量的邊界， 該粒子停留在該邊界上，同時改變飛行方向； (4. 4)計算粒子群Pt+1中每個粒子的兩個目標(biāo)函數(shù)J與XB ; (4.5) 更新粒子的自身最優(yōu)位置pBest :根據(jù)粒子飛行過程中獲得的新解與其自身最 優(yōu)位置pBest比較，若新解支配了 pBest,則新解為新的pBest ;否則，pBest保持不變；若新 解與pBest彼此不受支配，則從兩解隨機(jī)選擇一個作為新的自身最優(yōu)位置； (4.6) 對外部檔案At進(jìn)行更新和維護(hù)，得到外部檔案At+1 ; (4. 7)如果迭代次數(shù)達(dá)到T，則輸出外部檔案At+1作為近似Pareto解集，并停止搜索； 否則，t = t+l，轉(zhuǎn)到步驟（4. 1); (5) 從步驟（4. 7)中得到的近似Pareto解集中選取PBM指標(biāo)最大的解作為最優(yōu)解，將 其作為聚類結(jié)果； (6) 根據(jù)步驟（5)得到的聚類結(jié)果對待分割圖像的每個像素點分配類標(biāo)，得到分割結(jié) 果。
2. 根據(jù)權(quán)利要求1所述的基于多目標(biāo)粒子群算法的灰度圖像分割方法，其中步驟 (4. 1)所述的密度值，采用k近鄰方法來計算，即密度值為當(dāng)前個體與第k個近鄰個體在目 標(biāo)空間上的距離，
，向下取整，其中N為外部檔案的實際規(guī)模。
3. 根據(jù)權(quán)利要求1所述的基于多目標(biāo)粒子群算法的灰度圖像分割方法，其中步驟 (4. 2)所述的根據(jù)速度和位置更新公式來更新每個粒子的速度和位置，是通過如下公式計 算： Vi (t+1) = wVi (t) (Pi (t) -Xi (t)) +c2r2 (G (t) -Xi (t)) Xi(t+1) = Xi(t)+Vi(t+1) 其中\(zhòng)(t)為個體i在t時刻的速度，Xjt)為個體i在t時刻的位置，Pjt)為t時刻 個體i的自身最優(yōu)位置pBest，G(t)為t時刻的全局最優(yōu)位置gBest，w為慣性權(quán)重，q和 c2為加速常數(shù)，&和r2為區(qū)間[0,1]上均勻分布的隨機(jī)數(shù)，速度的更新需要限制在最大速 度乂_之內(nèi)。
4. 根據(jù)權(quán)利要求1所述的基于多目標(biāo)粒子群算法的灰度圖像分割方法，其中步驟 (4. 6)所述的對外部檔案At進(jìn)行更新和維護(hù)，按如下步驟進(jìn)行： (4a)將粒子群Pt+1和外部檔案At的所有非劣解拷貝到At+1中，如果A t+1的規(guī)模小于或 等于N2,則接受：； (4b)如果At+1的規(guī)模大于N2,則不斷將檔案At+1中的解移出直到|At+1| = N2,在修 剪檔案過程中，根據(jù)如下原則決定哪個解從檔案中移出，如果個體i滿足如下條件則從 \+1剔除：對所有個體j，i < dj，其中，i < dj當(dāng)且僅當(dāng)對于
或
，且對·
為個體i與第k個最鄰近個體間的 距離。
5. 根據(jù)權(quán)利要求1所述的基于多目標(biāo)粒子群算法的灰度圖像分割方法，其中步驟（5) 所述的從步驟（4.7)中得到的近似Pareto解集中選取PBM指標(biāo)最大的解作為最優(yōu)解，是通 過如下公式計算：
其中
K為聚類類別數(shù)，k代表聚類類別里的 第k類，η為待聚類的數(shù)據(jù)樣本個數(shù)，j代表樣本中的第j個樣本，u為隸屬矩陣，X為聚類 數(shù)據(jù)樣本，z為聚類中心，w和v分別代表聚類類別里的第w類和第v類。
【文檔編號】G06T7/00GK104156945SQ201410338662
【公開日】2014年11月19日 申請日期:2014年7月16日 優(yōu)先權(quán)日:2014年7月16日
【發(fā)明者】公茂果, 焦李成, 孫一翔, 馬里佳, 馬文萍, 馬晶晶, 霍麗娜 申請人:西安電子科技大學(xué)