專利名稱：：基于多目標進化聚類和空間信息的圖像過分割優(yōu)化方法
技術領域：
：本發(fā)明屬于圖像處理
技術領域：
，涉及該技術在圖像分割領域的應用，具體地說是一種基于多目標進化聚類和圖像空間信息的圖像分割方法，即S-M0C0。該方法可用在圖像分割
技術領域：
中。
背景技術：
：圖像分割是圖像理解與模式識別的基礎，廣泛應用于醫(yī)學、軍事、氣象、氣候、環(huán)境等領域，是當前研究的熱點與難點。迄今為止，研究者已經提出很多圖像分割方法，他們大致可以分為以下三類基于區(qū)域的圖像分割，基于邊緣的圖像分割以及基于閾值的分割方法。分水嶺變換是一種常用的基于區(qū)域的一種圖像分割算法，它具有簡單，快速，可得到連續(xù)閉合分割邊緣的優(yōu)點。但是，分水嶺變換極易導致過分割。所以，為了達到滿意的分割結果，需要對圖像做一些必須的預處理或者是后處理。對圖像做預處理的目的一般是降低噪聲對圖像的影響，比如JungCR,ScharcanskiJ等人是以非抽取小波方法對圖像進行去噪，并增強圖像邊緣，計算梯度，然后進行分水嶺變換，參見JungCR，ScharcanskiJ,RobustWatershedSegmentationUsingtheWaveletTransform[C].ProceedingsoftheXVBrazilianSymposiumonCGIP,2002:131-137。而對圖像的過分割結果做后處理的目的是降低過分割，也就是將不必要的細節(jié)部分去掉，保留重要的分割結果。這些不必要的"細節(jié)"可以是邊緣也可以是區(qū)域。比如HansenM和HigginsW等人通過合并區(qū)域來達到降低過分害!l的目的，參見HansenM和HigginsW.，《Watershed-drivenRelaxationLabelingforlmageSegmentation》，ProceedingsoftheICIP，TX:Austin,1994，3:460-464。而Shinn-YingHo和Kual-ZhengLee等人則是應用進化算法設法去除那些冗余的邊緣，參見Shinn-YingHo，Kual-ZhengLee，《AnEfficientEvolutionaryImageSegmentationAlgorithm》，Proceedingsofthe2001CongressonEvolutionaryComputation,Piscataway,USA,ppl327-1334,2001。事實上，降低過分割的過程可以被看作一個優(yōu)化的過程，優(yōu)化的目標可以是區(qū)域內的一致性與區(qū)域間的差異性等準則。數據聚類是新興學科數據挖掘中的重要概念，是當前研究的熱點之一。數據聚類的基本概念是按照一個固定規(guī)則，將給定的一些數據聚為幾組，這些數據按照規(guī)則在組內具有相似4性，而組間具有向異性。數據聚類本質上就是一個優(yōu)化"固定規(guī)則"的過程，所以降低過分割的問題可以被轉化為一個聚類問題。在聚類算法中，模糊C均值，FCM聚類是最為重要的聚類方法之一，在各個領域中得到了廣泛的應用，但是它也具有一些固有的缺點，比如它對初始聚類中心和噪聲很敏感。很多研究者將進化算法引入FCM聚類來解決這個問題，比如YuukuuHorita,TadahniMurai等人將遺傳算法引入聚類來解決這個問題，參見YuukuuHorita，TadahniMuraiandMakotoMbahara，《RegionSegmentationUsingK-Me肌ClusteringandGeneticAlgorithms》。在此，雖然傳統的單目標進化算法是一個很好的選擇，但是實際情況往往要求我們同時優(yōu)化多個目標函數。在大多數情況下，研究者一般先將多個目標函數進行加權求和，得到單個目標函數，然后按單目標進行優(yōu)化。隨著研究的深入，人們發(fā)現上述的處理方法只能夠在一定的程度上滿足我們的需要。對于很多實際的多目標優(yōu)化問題，多目標算法中的不同目標之間往往存在著很大的差異，甚至是互不相容的特點，如果將多目標按單目標優(yōu)化的方法來處理，顯然得不到最佳的結果。在這種情況下，多目標進化優(yōu)化算法便是一種更佳的選擇。從1984年Schaffer提出了第一種多目標進化算法(M0EA)開始，它經歷了上世紀90年代中后期的國際研究熱潮。目前，多目標進化已成為國際學術界跨學科研究的熱點和前沿?？墒?，多目標進化算法還是一個新興的研究領域，各方面的應用也不如單目標進化算法廣泛。在圖像分割方面，多目標進化算法的應用更少。
發(fā)明內容本發(fā)明的目的在于克服現有技術的不足，即圖像經過經典分水嶺分割算法后總是得出過分割結果，提出了一種基于多目標進化聚類和圖像空間信息的圖像分割方法。本發(fā)明的技術方案是將多目標進化算法的非支配排序算法NSGA-II和FCM聚類相結合，得到一種多目標進化聚類算法，將t;與圖像的空間信息相結合應用于圖像過分割優(yōu)化中，得到新的圖像分割方法。本發(fā)明的技術方案具體實現步驟如下(1)、分水嶺預分割對輸入圖像進行分水嶺分割，得到過分割結果圖像Imo;(2)、統計過分割結果圖像Imo的區(qū)域特征統計過分割結果圖像的各個區(qū)域的特征，將這些特征是第(3)步聚類的數據；(3)、對過分割區(qū)域進行多目標聚類應用多目標進化聚類方法優(yōu)化加入了空間信息的目標函數，對過分割結果圖像Imo的各個區(qū)域進行聚類，得到非支配解集Rs;(4)、集成非支配解集對非支配解集Rs進行集成，得到最終的解R;5(5)、依據最終解R輸出過分割圖像的優(yōu)化結果。上述的一種統計過分割結果圖像的區(qū)域特征方法，所說的區(qū)域特征，是指過分割圖像中每個區(qū)域對應的灰度平均值。它可以^J面昀,計算式其中^;是過分割結果圖像的區(qū)域z'的灰度—平均值，g,是過分割結果圖像區(qū)域z'中第/個像素的灰度值，w,.是過分割結果圖像區(qū)域f中包含的總像素數。上述的多目標進化聚類方法；是指將非支配排序算法NSGA-II和經典聚類算法FCM相結合的一種方法。它的實施方法是從隨機給定的聚類中心開始，利用NSGA-II來迭代優(yōu)化FCM的目標函數和FCM的評價指標XB,使得聚類中心得到不斷修改，直到這兩個目標函數達到最小化，從而得到滿足這種最小化的聚類中心，依據最終的聚類中心便可以得到各組聚類的結果。本方法中使用的FCM的目標函數是經過改進的目標函數，改進的方法是在其中增加了空間影響因子。上述的集成非支配解集Rs方法為投票集成方法。投票集成就是將非支配解集大部分成員都具備共同特征加入新的解中，得到的解就是最終的結果。本發(fā)明與現有的技術相比具有的優(yōu)點是一方面它將多目標進化算法引入圖像分割領域，使得圖像聚類分割方法更加穩(wěn)定，適應性更加好；另一方面，它應用了圖像的空間信息，使得該方法在圖像分割優(yōu)化中得到良好的結果，并且具有以下特點1、本發(fā)明將多目標進化算法引入聚類，有效降低了聚類方法對噪聲和初始聚類中心點的敏感度；2、本發(fā)明結合圖像區(qū)域之間的空間關系與FCM的目標函數建立了一個新的聚類目標函數，使得圖像分割結果更合理；3、本發(fā)明與FCM聚類等方法相比，具有更好的收斂性能，能夠較快、較平穩(wěn)的得到分割結果。圖l是實現本發(fā)明的流程圖圖2是本發(fā)明使用的非支配排序算法NSGA-II的流程圖圖3是本發(fā)明使用的一幅三類人工圖像圖4是本發(fā)明使用的一幅四類人工圖像圖5(a)是本發(fā)明使用的一幅2%噪聲污染的三類人工圖像圖5(b)是本發(fā)明使用的一幅2%噪聲污染的四類人工圖像圖5(c)是本發(fā)明使用的2%噪聲污染的三類人工圖像的分水嶺過分割圖像圖5(d)是本發(fā)明使用的2%噪聲污染的四類人工圖像的分水嶺過分割圖像圖6(a)是本發(fā)明中對比方法FCM對2%噪聲污染的三類人工圖像的分水嶺過分割圖像優(yōu)化的結果圖6(b)是本發(fā)明中對比方法FCM對2%噪聲污染的四類人工圖像的分水嶺過分割圖像優(yōu)化的結果圖6(c)是本發(fā)明中對比方法M0C0對2呢噪聲污染的三類人工圖像的分水嶺過分割圖像優(yōu)化的結果圖6(d)是本發(fā)明中對比方法M0C0對2M噪聲污染的四類人工圖像的分水嶺過分割圖像優(yōu)化的結果圖6(e)是本發(fā)明對2%噪聲污染的三類人工圖像的分水嶺過分割圖像優(yōu)化的結果圖6(f)是本發(fā)明對2%噪聲污染的四類人工圖像的分水嶺過分割圖像優(yōu)化的結果圖7(a)是本發(fā)明使用的一幅農田圖像圖7(b)是本發(fā)明使用的一幅雕像圖像圖7(c)是本發(fā)明使用的農田圖像的分水嶺過分割圖像圖7(d)是本發(fā)明使用的雕像圖像的分水嶺過分割圖像圖8(a)是本發(fā)明中對比方法FCM對農田圖像的分水嶺過分割圖像優(yōu)化的結果圖8(b)是本發(fā)明中對比方法FCM對雕像圖像的分水嶺過分割圖像優(yōu)化的結果圖8(c)是本發(fā)明中對比方法MOCO對農田圖像的分水嶺過分割圖像優(yōu)化的結果圖8(d)是本發(fā)明中對比方法MOCO對雕像圖像的分水嶺過分割圖像優(yōu)化的結果圖8(e)是本發(fā)明S-MOCO對農田圖像的分水嶺過分割圖像優(yōu)化的結果圖8(f)是本發(fā)明S-MOCO對雕像圖像的分水嶺過分割圖像優(yōu)化的結果具體實施例方式參照圖1，實現本發(fā)明的優(yōu)化方法的具體過程如下首先，將圖像經過分水嶺算法處理，得到預分割圖像。通常情況下，分水嶺分割的結果都是過分割圖像。第二步，統計預分割圖像中每個小區(qū)域的特征，這樣的特征可以是灰度、紋理、或者其它的特征，這樣可以在每個小區(qū)域獲得一組區(qū)域特征向量。本發(fā)明只選取平均灰度為區(qū)域特征向量，作為多目標進化聚類的數據對象。第三步，實施多目標進化聚類，聚類結束后得到一組非支配解集。這些非支配解集就是折衷兩個目標后的結果，在實際的應用中，可以依據需求選取其中合適的一個作為最終的分割結果。當然將這些非支配解集的各自的優(yōu)點集成從而得到更佳的解是另一種可行的辦法。第四步，實施非支配解集的集成。集成結束后，本方法便給出最終的分割結果。1.預分割與區(qū)域特征統計本發(fā)明將分水嶺分割作為預分割算法，其結果便是原圖像的過分割。但是過分割圖像并不是本發(fā)明所想要的結果，它包含著過多的細節(jié)。所要做的就是應用多目標進化聚類算法，對圖像的過分割結果中所有的區(qū)域進行聚類，并得到相對簡單的分割圖像，這相當于一個對過分割的后處理。既然聚類的對象是各個區(qū)域，那么在聚類之前就有必要統計過分割圖像中各個小區(qū)域的圖像特征，從而獲得每個小區(qū)域的特征向量，并用這些特征向量作為聚類的數據對象。圖像區(qū)域的特征有很多種，可以依照需求選擇。本發(fā)明的主要目的是解決多目標聚類相對與單目標聚類的優(yōu)越性以及空間信息對分割結果的積極影響，所以為了簡化處理，本發(fā)明選擇區(qū)域的平均灰度值作為區(qū)域特征。2.基于NSGA-II的聚類本發(fā)明將圖像過分割結果的所有區(qū)域看作一組數據集，那么，降低過分割的過程實際上就是將這組數據集按一定的準則聚類的一個過程。參照圖2，它是本發(fā)明中使用的NSGA-II，進化流程圖。實現多目標進化聚類的第一步是編碼。一般情況下有兩種編碼方式可供選擇對一般有兩種編碼方式第一種是對聚類的結果劃分矩陣f/進行編碼，第二種是對聚類中心r進行編碼。如果數據集有w個樣本要分為c類，則在第一種編碼方式下用基因串a={a|,a2,...,W來表示一種分類結果，其中"{1,2,...,}，當a,.取值為A:時表示樣本x,.屬于第fc類。類似地，對于灰度圖像來說，編碼方式可以是6={6,,62，...,/0，6,，,'e[U]表示聚類中心的灰度值。由于第一種編碼方式的搜索空間比第二種編碼方式大的多，增加了計算的復雜度，所以本文采用對聚類中心的二進制編碼方式。在確定了編碼方式后，便可以隨機產生初始種群^，z=l。因為對個體的編碼方式是對聚類中心編碼，那么種群中每個個體都是一組聚類中心。此處選取的聚類中心數目和期望得到的圖像過分割區(qū)域最終聚類數目一樣。每個聚類中心實際上是在圖像像素灰度范圍內隨機選取的一個灰度值。其中初始種群中包含W個個體，W是人為取定的。得到/J后，計算其中每個個體的目標函數值。并對g中的個體按照其目標函數值進行非支配排序。非支配排序請參考KalyarunoyDeb，AmritPratap等的《AFastandElitistMultiobjectiveGenetic8Algorithm:NSGA-II》，IEEETRANSACTIONSONEVOLUTIONARYCOMPUTATION,VOL.6,NO.2,APRIL2002。接著對排序結束的S進行交叉變異操作，得到種群o,.。此處選擇的交叉方法為單點交叉，變異方法為基本變異。求種群O,中的各個個體的目標值，并將其和/合并，得到合并后的種群M,.。對M,.進行非支配排序，并從中選出最優(yōu)的W個個體組成《，，=,+1。這個過程循環(huán)往復，直到滿足要求而停止進化。3.目標函數目標函數的設計對于多目標進化算法來講是非常重要的，直接影響著算法結果的優(yōu)劣性。NSGA-II是一種多目標進化算法，那么基于其上的聚類也至少需要兩個目標函數。多目標進化算法的目的是在不同的目標函數之間求得一個折衷的解決方案，所以目標函數之間應該互相排斥，而非互相包容。如果兩個目標函數之間互相包容，那么其實對于其中一個的優(yōu)化也就是對另一個的優(yōu)化，這樣就失去了"多目標"的意義。由FCM的目標函數/(;^C/,r)可知，它將所有聚類方差求和，得出一個全局方差，當它的數值越小時，表示各聚類越均勻。然而聚類算法中經常用到的XB指標[如公式(1)所示]綜合考慮到了全局情況和局部情況，其分子表示全局量而分母表示局部量。由于有這種沖突，它們之間的折衷優(yōu)化可以得出更好的聚類結果，所以可以選擇FCM的目標函數J(X;"r)和XB指標作為本文方法的目標函數的基礎。M'"II&-K||2]/["xmin,wIIC.(1)/-1Jt=l_/=1^y甲+1本發(fā)明選擇XB指標作為其中一個目標函數。另一個目標函數如計算式(3)所示，它由兩部分組成，是FCM的目標函數AX;t/,n與一個空間信息因子J，,u,的加權和。聚類算法應用在圖像分割中時有一個很大的缺陷它沒有考慮圖像的任何空間信息。然而空間信息卻是很重要的一類圖像信息，它包含著圖像像素、區(qū)域等之間的空間相關性，對于圖像分割具有重要的意義。和自然界的萬物一樣，在圖像中，相互鄰接的像素或者區(qū)域有較大可能性屬于同一類別，基于這一概念本文在目標函數(3)中引入空間信息因子/—。,來改進聚類分割缺少空間信息的缺陷。J一。,的形式如計算式(2)所示。其中，,0=1...")表示預分割區(qū)域；"為預分割圖像中區(qū)域的數目；D,為與預分割區(qū)域J不屬于同一類的鄰接區(qū)域的數目，我們稱之為鄰接異類數；而^為與預分割區(qū)域/屬于同一類的鄰接區(qū)域的數目，我們稱之為鄰接同類數。區(qū)域y的鄰接區(qū)域是和區(qū)域y有共同邊界的任何區(qū)域。那么，計算式(2)表示對所有預分割區(qū)域的鄰接異類數與鄰接同類數之比求和。那么，越小的_/一。,表示類內緊密性越好。4.非支配解集的集成多目標進化聚類的結果并非單一的一個解，而是一組非支配解集?？梢杂腥N方法處理這一組解集A.直接在其中選擇一個適合我們的解作為最后的解；B.選擇非支配解集中的某一些解，將這些解集成而得到最后的解；C.將非支配解集中所有的解集成而得到最后的解；第一種辦法當然是最簡單的，但是它通常不是要選擇的。一般采取第二種或者第三種辦法，也就是聚類集成來獲得我們滿意的最佳答案。聚類集成的問題是多目標進化算法中的一個基本問題，但是目前仍然沒有適合所有問題的方法。在本文中，為了降低運算復雜度，采用了簡單的投票集成方法。投票集成就是將非支配解集大部分成員都具備的性質加入新的解中，得到的解就是最終的結果。投票集成方法如表l所示表l:非支配解集的投票集成示意<table>tableseeoriginaldocumentpage10</column></row><table>根據表1給出了投票集成的示意方法。假設一幅圖像由4個區(qū)域組成，要聚為3類，對其進行多目標進化聚類的結果是一組有5個成員的非支配解集。每個非支配解都對應著對區(qū)域的一組標記(表中的一行)，經過投票取票數最多的為最終解，經投票集成四個區(qū)域可以得到的最終解如最后一行所示。5.仿真結果分析本發(fā)明分別在加噪人工圖像和自然圖像上測試了本發(fā)明提出的方法(記為S-M0C0)，并在同等的運行環(huán)境和條件下將本發(fā)明與FCM聚類過分割優(yōu)化(記為FCM0)以及沒有加入空間信息因子的多目標聚類過分割優(yōu)化(記為M0C0)進行了對比。和本文算法相比，M0C0的兩個目標函數只是FCM的目標函數與XB指標，并不含有空間信息因子J—。,。實驗過程中，S-MOC0和M0C0都運行200代，FCM0的停機條件是連續(xù)兩代之間的差別小于0.02。圖3和圖4給出了本文使用的人工圖像，它們是兩幅128X128的圖像，分別包含三3類和4類灰度區(qū)域。圖5中(a)和(b)分別是加了均值為0.2方差為0.01的高斯噪聲的人工圖像。圖7中(a)和(b)是兩幅256X256的自然圖像。圖5(c)、(d)和圖7(c)、(d)分別是四幅原始圖像的分水嶺預分割結果圖像，從這四幅圖像中可以看出分水嶺分割的結果都具有過分割特點，細節(jié)太多。用多目標進化聚類的方法對它們進行優(yōu)化減小過分割結果中不必要的細節(jié)。圖6(a)圖6(b)以及圖8(a)和圖8(b)為FCMO的分割結果，圖6(c)圖6(d)以及圖8(c)和圖8(d)為M0C0的分割結果，圖6(e)圖6(f)以及圖8(e)和圖8(f)為本發(fā)明方法S-MOCO的分割結果。對比圖6(a)、(c)、(e)可以看出，FCM0只是大致可以分割出原始圖像圖6(a)的輪廓，但是圖中的圓形區(qū)域的缺損較多，方形中也有幾個小區(qū)域分錯。和FCM0相比，M0C0與S-M0C0都能較好的分割出圖像的三部分，但是MOCO的結果中有較多的錯分區(qū)域，而本文算法S-MOCO卻基本上能準確地分割出圖像的各個部分。對比第二幅圖像圖5(b)的各個分割結果，也可以得到和圖5(a)基本相同的結論。從圖7(a)和圖7(b)的實驗結果可知，FCM0和M0C0兩個算法的分割結果沒有太大的差別，但本文算法S-MOCO的分割結果要遠優(yōu)于前兩個算法，分割區(qū)域更準確，錯分的區(qū)域數量也相對很少。尤其是從最后一幅圖像圖7(b)的三個實驗結果對比可以看出，FCM0和M0C0兩個算法的分割結果(如圖8(b)、(d))都基本上將雕塑之間的背景錯分為雕塑對象，而本文算法S-M0C0能更好的分離雕塑和背景8(e)和圖8(f),使得目標具有更為清晰的輪廓。1權利要求1、一種基于多目標進化聚類和空間信息的圖像過分割優(yōu)化方法，其特征在于將非支配排序算法NSGA-II和FCM聚類相結合，得到一種多目標進化聚類算法，將多目標進化聚類算法與圖像的空間信息相結合，應用于圖像過分割優(yōu)化，本方法的實現包括如下步驟(1)用分水嶺分割算法對輸入圖像進行預分割，得到過分割結果圖像Imo；(2)統計過分割結果圖像Imo的各個區(qū)域特征，作為多目標進化聚類的輸入數據；(3)實施多目標進化聚類，應用多目標進化聚類算法優(yōu)化加入了空間信息的目標函數，對過分割結果圖像Imo的各個區(qū)域特征進行聚類，得到非支配解集Rs；(4)集成非支配解集Rs，得到最終的解R；(5)依據最終解R輸出過分割圖像的優(yōu)化結果。2、根據權利要求l所述的基于多目標進化聚類和空間信息的圖像過分割優(yōu)化方法，其特征在于所說的區(qū)域特征是指過分割圖像中每個區(qū)域對應的灰度平均值，所述灰度平均值用下面的計算式計算—其中，1;是過分割結果圖像的區(qū)域!'的灰_度平均值，g,是過分割結果圖像區(qū)域/中第/個像素的灰度值，",.是過分割結果圖像區(qū)域/中包含的總像素數。3、根據權利要求l所述的基于多目標進化聚類和空間信息的圖像過分割優(yōu)化方法，其特征在采用投票的方法集成非支配解集Rs，將非支配解集大部分成員都具備的共同特征加入新的解中從而得到最終解。4、根據權利要求l所述的基于多目標進化聚類和空間信息的圖像過分割優(yōu)化方法，其特征在于所說的非支配排序算法NSGA-II和FCM聚類的結合，是從隨機給定的聚類中心開始，利用NSGA-II迭代優(yōu)化FCM的評價指標XB和加入空間信息的FCM的目標函數，使得聚類中心不斷修改，直到兩個目標函數達到最小化，從而得到最優(yōu)的聚類中心。5、根據權利要求1和4所述的基于多目標進化聚類和空間信息的圖像過分割優(yōu)化方法，其特征在于加入空間信息的FCM的目標函數是FCM的目標函數AAC/，PO與空間信息因子J—。,的加權和，用計算式表示如下其中，^:tK;r《是FCM的目標函數j(義;t/,。，f^是空間信息因子/—,,表示預分割區(qū)域，a是加權因子，《為預分割圖像中區(qū)域的數目，^為與預分割區(qū)域j不屬于同一類的鄰接區(qū)域的數目，稱之為鄰接異類數；而^.為與預分割區(qū)域7屬于同一類的鄰接區(qū)域的數目，稱之為鄰接同類數，區(qū)域y的鄰接區(qū)域是和區(qū)域乂有共同邊界的任何區(qū)域，一lS乂.+1表示對所有預分割區(qū)域的鄰接異類數與鄰接同類數之比求和。全文摘要本發(fā)明涉及一種基于多目標進化聚類和空間信息的圖像過分割優(yōu)化方法，將多目標進化聚類算法結合圖像的空間信息應用于圖像過分割優(yōu)化中，其實現包括如下步驟(1)輸入圖像進行分水嶺法預分割得到過分割結果圖像；(2)統計過分割結果圖像的各個區(qū)域的特征，作為多目標進化聚類的數據；(3)實施多目標進化聚類，應用多目標進化聚類方法來優(yōu)化加入空間信息的目標函數，對過分割結果圖像的各個區(qū)域特征聚類，得到非支配解集；(4)集成非支配解集得到最終的解；(5)依據最終解輸出過分割圖像的優(yōu)化結果。本發(fā)明將多目標進化算法引入圖像分割領域，使得圖像聚類分割方法更加穩(wěn)定，適應性更好；應用了圖像的空間信息，使得圖像優(yōu)化分割內部更加緊密。文檔編號G06K9/62GK101499136SQ20091002139公開日2009年8月5日申請日期2009年3月5日優(yōu)先權日2009年3月5日發(fā)明者彪侯,公茂果,芳劉,張曉靜,梁建華,焦李成,爽王申請人:西安電子科技大學