基于规范切的邻域学文化基因图像分割方法

摘要

本发明公开了一种基于规范切的邻域学文化基因图像分割方法，主要解决现有图像分割方法没有用到像素之间相互学的问题。其实现步骤为：首先对一幅图像进行基于像素的二维随机0/1编码，形成初始种群，并以规范切作为图像分割结果的全局衡量标准；再根据克隆规模对种群中的个体进行克隆；然后对克隆后的个体依次执行变异、邻域学和克隆选择操作；再根据当前种群中个体的规范切值保存最优规范切值对应的最优图像作为分割结果；最后根据终止条件的要求输出最优图像分割结果。本发明对无噪和加噪图像进行分割，具有区域一致性强、收敛稳定和全局最优的特点，可用于图像识别和检测。

主权项

1.一种基于规范切的邻域学习文化基因图像分割方法，包括如下步骤：(1)对一幅输入图像进行基于图像像素的二维随机0/1编码，形成初始种群中的个体；其中，i和j表示输入图像中的任意一个像素点，w_i，j表示像素点i和像素点j之间的权值，F_i和F_j分别是像素点i和像素点j的灰度值，X_i和X_j分别是像素点i和像素点j在输入图像中的空间位置；(3)将所有像素点相互之间的权值w_i，j构成一个输入图像的权值矩阵D：D＝(w_1，1，w_1，2，……，w_1，M   w_2，1，w_2，2，……，w_2，M   ……，……，……   w_N，1，w_N，2，……，w_N，M)其中，N是输入图像的像素行数，M是输入图像的像素列数；(4)根据权值矩阵，计算初始种群中个体的规范切目标函数：$\mathrm{Ncut}(A,B)=\frac{\mathrm{cut}(A,B)}{\mathrm{assoc}(A,V)}+\frac{\mathrm{cut}(A,B)}{\mathrm{assoc}(B,V)}$其中，V是一幅图像的像素点总集合，A为像素点集V下的目标点集，B为像素点集V下的背景点集，Ncut(A，B)是目标点集A和背景点集B之间的规范切目标函数，cut(A，B)是目标点集A中所有像素点到背景点集B中所有像素点的权值和：$\mathrm{cut}(A,B)=\underset{i\in A,j\in B}{\Sigma }{w}_{i,j}$assoc(A，V)是目标点集A中所有像素点到像素点集V中所有像素点的权值和：$\mathrm{assoc}(A,V)=\underset{i\in A,j\in V}{\Sigma }{w}_{i,j}$assoc(B，V)是背景点集B中所有像素点到像素点集V中所有像素点的权值和：$\mathrm{assoc}(B,V)=\underset{i\in B,j\in V}{\Sigma }{w}_{i,j};$(5)根据初始种群中个体的规范切目标函数，初始化种群的最优解和对应最优解的最优图像分割结果；(6)初始化最大进化代数，克隆规模和种群规模；(7)根据克隆规模q，将当前种群中的每个个体都克隆为q个；(8)对克隆后种群中的所有个体执行变异操作，每个个体的变异概率为1，个体中每个像素点的变异概率随着进化代数而变化，计算公式如下：pm＝1-0.01×it/gen其中，pm是变异概率，it是当前进化代数，gen是最大进化代数；(9)对变异后种群中的所有个体执行邻域学习操作：如果个体中每个中心像素点上下左右四个邻域像素点属于同一类，则中心像素点强制标记为这个相同的类别，否则，中心像素点以概率0.5进行反转变异；(10)利用步骤(4)中的规范切目标函数公式，计算邻域学习后种群中所有个体的规范切目标函数值；(11)根据规范切目标函数值对邻域学习后的种群进行克隆选择，更新克隆选择后种群的最优解和对应最优解的最优图像分割结果，如果当前进化代数大于初始化中的最大进化代数，就输出最优个体对应的图像分割结果，否则，返回步骤(7)。