基于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，主要解决现有技术对初始聚类中心敏感，收敛速度慢及容易陷入局部极值的问题。本方法将图像的聚类分割转化为一个全局优化问题，其实现步骤为：首先，提取待分割图像像素点的邻域中值和邻域均值二维灰度信息，构造一个新的二维直方图；其次，将多智能体遗传算法MAGA和模糊C均值聚类算法FCM相结合，利用多智能体遗传算法的全局优化能力获得最优聚类中心和隶属度矩阵；根据最大隶属度原则输出聚类标签，进而实现图像分割。本方法抗噪声能力强，收敛速度快，能够改善图像分割的质量和分割效果的稳定性，可用于图像目标的提取和识别。

主权项

1.一种基于多智能体遗传聚类算法的图像分割方法，包括：(1)输入待分割图像(2)提取待分割图像的二维灰度信息：(2a)对待处理的当前像素点(σ₁，σ₂)，选取该点3×3邻域内各点值的中值代替(σ₁，σ₂)，将此中值作为二维灰度信息的第一维；(2b)对待处理的当前像素点(σ₁，σ₂)，选取该点5×5邻域内各点的均值代替(σ₁，σ₂)，将此均值作为二维灰度信息的第二维；(3)应用多智能体遗传聚类算法对图像二维灰度信息进行聚类：(3a)确定聚类数目c和模糊权重m，随机初始化聚类原型，每个聚类原型代表一个智能体，确定种群大小，令进化代数t＝0；(3b)利用如下隶属度公式对隶属度进行更新：其中i和j表示聚类类别，v为聚类中心，v_i表示第i类的聚类中心，v_j表示第j类的聚类中心，k表示当前待聚类数据的标号，u_ik表示第k个待聚类数据隶属于第i类的隶属度，x为待聚类的图像二维灰度信息，x_k表示待聚类的图像二维灰度信息的第k个数据；(3c)利用如下公式计算种群中智能体的能量Energy(V)：其中V表示种群中的智能体，n为待聚类图像二维灰度信息的数目，ζ为常数；(3d)根据(3c)中计算的种群中智能体的能量，将邻域竞争算子作用在智能体网格L^t中的每个智能体上，获得智能体网格L^t+1/3；(3e)设R(0，1)是0到1之间的随机数，如果R(0，1)小于邻域正交交叉操作概率P_c，将邻域正交交叉算子作用在智能体网格L^t+1/3中的智能体上，产生新的智能体网 格L^t+2/3；如果R(0，1)小于高斯变异算子操作概率P_m，将变异算子作用在新的智能体网格L^t+2/3中的智能体上，得到下一代智能体网格L^t+1；(3f)从下一代智能体网格L^t+1中找到能量最大的智能体CBest^t+1，将自学习算子作用在该智能体CBest^t+1上，如果满足Energy(CBest^t+1)＞Energy(Best^t)，则Best^t+1←CBest^t+1，否则，Best^t+1←Best^t，CBest^t+1←Best^t，其中Best^t为L⁰，L¹，...，L^t中能量最大的智能体；(3g)如果满足终止条件，输出隶属度矩阵和聚类原型并且停止，否则t←t+1转向步骤(3b)；(3h)根据(3g)输出的隶属度矩阵，按最大隶属度原则输出聚类标签；(3i)根据(3h)输出的聚类标签，对图像像素进行分类，实现图像分割，并输出分割后的图像。