一种基于蚁群聚类的多模板图像分割方法

摘要

一种基于蚁群聚类(Ant Colony Clustering)的多模板图像分割方法，实施步骤为：步骤一：图像预处理；步骤二：确定各像素的属性，可选择的模板有：Laplacian模板，Canny模板，Sobel模板，Roberts模板等；步骤三：计算初始聚类中心和初始优化度函数值F₀；步骤四：根据初始聚类中心确定搜索点集并初始化信息素浓度和相关参数；步骤五：将M只蚂蚁放置在随机的位置，每只蚂蚁分别对搜索点集进行聚类并更新全局最优；步骤六：更新信息素浓度；步骤七：重复返回的步骤五和步骤六，直到完成预定的算法循环次数N_Cmax；步骤八：算法结束，并输出最优结果。该方法有效地提高了分割速度和区域完整性，是解决图像分割问题的有效途径。

主权项

1、一种基于蚁群聚类的多模板图像分割方法，其特征在于：该方法的实现步骤如下：步骤一：图像预处理，主要包括：(1)图像的读取并转换为灰度图像对于不同格式的图像先都转换为灰度图像再进行边缘分割；(2)图像大小的调整对于不同情况下采集到的图像，其大小规格各不相同，现将其调整到一个合适的大小再进行后续处理；(3)中值滤波去噪声和图像的锐化图像去噪声，减轻图像分割时噪声的影响，；图像锐化，使图像的边缘特征更加突出；步骤二：确定各像素的属性依据不同的图像，和不同模板适用范围，选择最适用于该图像边缘提取的两种模板，计算所得的梯度值作为像素点的属性；选择好两种模板(模板A，模板B)后，计算图像各像素点的模板A梯度与模板B梯度，作为各点的两个属性、蚁群搜索的依据；根据两种梯度，分别计算各自的边缘点集合；由其中一种模版提取图像的边缘点集为a，由另一种模版提取图像的边缘点集为b；步骤三：计算初始聚类中心和初始优化度函数值F0 将a与b的交集a∩b作为初始边缘点集，所有属于a∩b的像素的两个属性各自的平均值作为初始聚类中心(Cena，Cenb)；所有属于a∩b的像素点的两个属性值构成两个数组，记为abl1，abl2；F0＝var(ab1)+var(ab2) (6—1)其中，var是计算方差的函数；在以后的每一次迭代中，都会得到一个边缘点集，将这个边缘点集中像素点的两个属性构成两个数组，记为abi1，abi2；(i是迭代次数)F＝var(abi1)+var(abi2) (6—2)优化度函数F是表征边缘提取优化程度的函数，F越小，表明边缘点集的属性方差和越小，边缘提取结果越好；步骤四：根据初始聚类中心确定搜索点集并初始化信息素浓度和相关参数将属于Laplacian或者Canny边界的各点直接保留，求剩下各点到初始聚类中心的距离；假设某点属性为(x，y)，那么其到聚类中心的距离为$d=\sqrt{({|x-{\mathrm{Cen}}_a|}^2+{|y-{\mathrm{Cen}}_b|}^2)}---\left(7\right)$保留当中离聚类中心最近的12％左右比较合适，其它点是边界点直接舍去，在以后的搜索中不再考虑它们；将属于a∩b的点(A_and_B)赋予初始信息素浓度0.95，属于a或者b但不属于a∩b的点(A_or_B)赋予初始信息素浓度0.5，保留的12％的点中，离聚类中心最近的前半部分(Center-front)赋予初始信息素浓度0.3，后半部分(Center-back)赋予初始信息素浓度0.2，从而得到信息素浓度矩阵τ；相关参数初始化：设置NCmax，M，ρ，ζ，其中：Nc_max为本算法最大循环次数；M为蚂蚁总数目；ρ是信息素残留系数，即每一代过后信息素的残留；ζ为系数，根据分割图像的实际情况确定其值大小；步骤五：将M只蚂蚁放置在随机的位置，每只蚂蚁分别对搜索点集进行聚类并更新全局最优根据信息素浓度，依据概率选择公式其中，rand()为随机数；确定是否把某点归到边界点集内，这样M只蚂蚁可以得到M种结果；蚂蚁的数量M通过实际需要和图像的大小由经验设定；分别计算每一次迭代中M种结果的边缘优化度F；取F最小的那个结果作为本代最优的Fdbest；比较Fdbest与全局最优Fgbest，如果Fdbest小于Fgbest，那么将本代最优结果更新为全局最优，本代Fdbest赋予Fgbest；每一次迭代中都会产生一个本代最优边缘像素点集LBest，完成NCmax次迭代后，产生一个全局最优Lgbest；步骤六：更新信息素浓度每一次迭代结束后，要进行信息素更新，其更新规则如下τ(t+1)＝ρ·τ(t)+Δτ(t) (9)其中，ρ是信息素残留系数，即每一代过后信息素的残留；Δτ是信息素浓度增量矩阵，其值用下式进行计算；$\mathrm{\Delta \tau }=\frac{\zeta ·F_0}{F_{\mathrm{dbest}}}\times L_{\mathrm{Best}}---\left(10\right)$其中，Fdbest为本代最优的边缘优化度； LBest为本代最优边缘像素点集； ζ为系数，根据分割图像的实际情况确定其值大小；步骤七：重复返回的步骤五和步骤六，直到完成预定的算法循环次数NCmax 步骤八：算法结束，并输出最优结果，即全局最优边缘像素点集Lgbest。