基于迭代自组织和多智能体遗传聚类算法的图像分割方法

摘要

本发明公开了一种基于迭代自组织和多智能体遗传聚类算法的图像分割方法，主要解决现有技术中分割结果过分依赖初始参数、容易陷入局部最优的问题。其分割步骤为：1)提取待分割图像的灰度信息；2)将迭代自组织算法ISODATA算法思想作用到待分割图像上，获得最优聚类数目；3)根据最优聚类数目，利用多智能体的算法框架对待分割图像进行聚类，获得最优聚类标签；4)根据最优聚类标签，对待分割图像像素分类，实现图像分割。本发明不需明确确定聚类数目，且收敛效果好，容易得到全局最优值，能够改善图像分割的质量、增强了分割结果的稳定性，可用于图像目标的提取和识别以及其它后续处理。

主权项

一种基于迭代自组织和多智能体遗传聚类算法的图像分割方法，包括如下步骤：(1)输入待分割图像，提取待分割图像的灰度信息，标记为data；(2)对数据data进行迭代自组织处理，输出最优聚类数目c：(2a)令聚类数目为c₀，最大迭代次数为T₀，最大类内标准差为θ_s，最小聚类中心距离为θ_c，随机初始化聚类原型，令迭代次数t＝0；(2b)利用下式修正聚类原型的各聚类中心$z_j=\frac{1}{N_j}\underset{x\in S_j}{\Sigma }x,j=\mathrm{1,2},...,c_0;$式中，z_j为第j类聚类集聚类中心，N_j为第j类聚类集中的像素点数目，S_j为第j类聚类集，x为第j类内的对应数据值，c₀为聚类数目；(2c)计算聚类原型中的总类内平均距离以及第j类聚类集的类内平均距离和类内标准差d_j，其中j＝1,2,...,c₀；(2d)将类内标准差d_j与最大类内标准差θ_s进行比较，如果d_j>θ_s且则执行步骤(2e)，否则跳转步骤(2f)；(2e)将S_j平均分成两个新的聚类集，更新聚类数目c₀，返回步骤(2b)；(2f)计算聚类原型中第j个聚类集S_j和第j+1个聚类集S_j+1的聚类中心的距离D_j,j+1；并将其与最小聚类中心距离θ_c相比较，如果D_j,j+1<θ_c则执行步骤(2g)，否则，跳转步骤(2h)；(2g)将所述的两个聚类集S_j和S_j+1合并成一个聚类集，更新聚类数目c₀，返回步骤(2b)；(2h)将迭代次数t与最大迭代次数T₀相比较，如果t＝T₀，输出最优聚类数目c＝c₀,终止迭代操作，否则令t＝t+1，返回步骤(2b)；(3)根据最优聚类数目c，应用多智能体遗传聚类算法，对图像灰度信息数据data进行聚类，输出最优聚类标签：(4)根据最优聚类标签，对输入的待分割图像的像素点进行分类，将每一类像素点作为一个图像块，得到分割图像。