基於多目標免疫聚類集成的無監督圖像分割方法
2023-05-30 18:01:51 1
專利名稱：基於多目標免疫聚類集成的無監督圖像分割方法
技術領域：
本發明屬於圖像處理技術領域，涉及一種人工智慧技術在圖像處理領域的應用， 具體地說是一種基於多目標免疫聚類集成技術的無監督圖像分割方法，該方法可用於圖像 理解，及目標識別。
背景技術：
隨著圖像數據越來越多，人工解譯逐漸退出了歷史舞臺，取而代之的是機器解譯。 圖像處理扮演著關乎國計民生的重要角色，成為了當前研究的焦點，而圖像分割是圖像處 理的基本問題之一。在對圖像的研究和應用中，通過圖像分割可以發現感興趣的目標區域， 為圖像後期的分類和識別奠定了基礎，其中目標識別的準確性很大程度上依賴於圖像分割 的質量。為了識別和分析圖像中的目標，需要將他們從圖像中分離提取出來，在此基礎上才 有可能進一步對目標進行測量和對圖像進行利用。圖像工程可以分為三個層次，圖像處理，圖像分析，圖像理解。圖像分割是從圖像 處理到圖像分析過程中的重要步驟，同樣也是圖像理解的基礎。圖像分割的任務是把圖像 剖分成互不相交的一些區域，每一區域都滿足特定的區域一致性，並且是連通的，不同區域 有某種顯著的差異性。把這種分割方式用形象化的語言描述出來就是目前最受認可的圖像 分割的定義。圖像分割方法可分為基於區域和基於邊界兩類分割方法。基於區域的分割方法 中，閥值分割和空間聚類是最常用的方法。空間聚類分析是研究數據間邏輯上或者物理上 相互關係的技術，是一種無監督的學習方法。其任務是通過一定的規則將數據集劃分為在 性質上相似的數據點構成的若干個類，故又稱為無監督分類。在現有的方法中，K-均值聚類作為一種基於中心的聚類方法，是最簡單使用最普 遍的方法之一。K-均值聚類通過迭代優化尋找最優解，在緊湊的超球形分布的數據集上可 以展現很好的性能。然而，當數據結構是非凸或者存在嚴重交疊的時候，K-均值聚類往往失 效，並且很難保證收斂到全局最優解。作為全局優化方法，進化算法日益引起學者的關注。 進化算法包括進化策略、遺傳算法、以及免疫算法，等等。近年來，很多關於進化算法在聚類 分析中的應用湧現了出來。到目前為止，大多數基於優化的聚類算法只優化一個目標函數。這些評價函數通 常是基於數據集的某一類特徵，比如空間分離度，或者類別緊湊度。然而，現實中的絕大多 數問題都涉及多個目標，而這些目標並不是獨立存在的，它們往往是耦合在一起的相互競 爭的目標，每個目標具有不同的意義和量綱，它們的競爭性和複雜性使得對其優化變得困難。在單目標優化中問題的最優解已有明確的定義，但這一概念卻不能簡單推廣到多 目標最優解。不同於單目標問題最優解的概念，多目標優化問題不存在唯一的全局最優解， 而是存在多個最優解的集合。多目標問題最優解集中的元素就全體目標而言是不可比較 的，一般稱為Pareto最優解集。早在1896年法國經濟學家V. Pareto就提出這一觀點，所謂Pareto最優解集，是指對於一些不可能進一步優化某一個或幾個目標而其他目標不至於劣 化的解，因此也稱為非劣最優解集。Pareto最優概念是建立在集合論基礎上對多目標解的 一種向量評估方式。基於種群操作的進化算法可以隱式並行地搜索解空間的多個解，並能 利用不同解之間的相似性來提高其並發求解問題效率，進化算法與Pareto最優概念相結 合，可能產生真正基於Pareto最優概念的多目標優化的進化算法，實現對非劣最優解集的 有效搜索。然而現有技術中總提取相對固定的圖像特徵，因此只能得到形式單一的一批待選 分割方案，導致最終圖像分割結果很難達到最優。同時在現有技術中，沒有一個有效統一的 策略從一批待選分割方案中選擇出最合適的一個方案。
綜上，現有基於聚類分析的圖像分割方法存在著以下四個問題(1)全局優化能 力不強；(2)評價指標單一；(3)分割方案形式單一；(4)多個分割方案選擇困難。圖像分割 的效果，即圖像分割的準確度，具體包括區域一致性和邊緣有效保持兩個方面。如果上述問 題得不到很好的解決，針對數據集的聚類分析方法性能就會受到非常大的限制，進而無法 保證圖像分割的區域一致性以及邊緣有效保持，最終導致圖像分割方法的失效。
發明內容
本發明的目的在於克服已有技術的不足，提出一種基於多目標免疫聚類集成技術 的無監督圖像分割方法，以增強全局搜索能力，全面評價數據集特徵信息，增加分割方案的 多樣性並選擇出最合適分割方案，從而更好的保證圖像分割的區域一致性以及邊緣有效保 持，進而提高圖像分割的效果。實現本發明目的的技術思路是將圖像分割問題看作聚類優化問題，用基於免疫克 隆計算的多目標優化算法搜索出一系列最優的圖像分割方案，找到最優方案中圖像像素點 的歸屬類別，然後採用集成學習的方法學習出一個最滿意的分割方案，逼近最佳無監督圖 像分割的性能，其具體方案包括如下步驟(1)輸入待分割圖像，並提取該圖像的灰度信息及小波能量信息；(2)利用基於區域的採樣策略，選取一部分像素點組成測試樣本集(2. 1)設定測試樣本集大小Ns，其範圍為100 1000 ；(2. 2)讀取待分割圖像，並計算該圖像面積；(2. 3)將待分割圖像分為Ns個等面積的圖像子區域；(2. 4)在圖像的每個子區域中隨機選取一個像素點，並將其加入測試樣本集；(2. 5)輸出該測試樣本集，其規模大小為Ns ；(3)提取測試樣本集中所有像素點不同的特徵信息，獲得若干組子測試樣本集(3. 1)設定子測試樣本集個數K和特徵選擇概率Pf，取K = 3，Pf = 0. 5或K = 5， Pf = 0. 3 ；(3.2)以概率Pf在步驟(1)中提取的所有特徵向量中選擇一部分特徵向量，賦予 測試樣本集中的所有像素點，組成一個子測試樣本集數據；(3.3)若子測試樣本集的個數達到K，輸出K組子測試樣本集；否則，返回步驟 (3. 2)；(4)針對每組子測試樣本集進行基於多目標免疫算法的進化聚類，產生一系列關於測試樣本集像素點的初分割方案，組成初分割方案集；(5)對初分割方案集進行集成學習，得到對於測試樣本集像素點的最優的一個分割方案；(6)標記最優的分割方案所對應的像素點的類別歸屬，計算其餘未標記的像素點 與測試樣本集中已標記像素點的特徵距離，根據特徵距離的大小，將未標記像素點進行類 別歸屬劃分；(7)根據圖像中所有像素點的類別歸屬標記，得出最終的圖像分割結果。本發明與現有技術相比具有如下優點1、運算數據量小。圖像分割是一種數據聚類問題，而數據聚類的運算數據量等於圖像像素點的總數。因此解決圖像分割問題的直接方法是遍歷整個圖像的像素點以獲得最優分割結果，而 對於如此龐大的數據量，現有聚類技術很難有效的處理。為了解決此類問題，本發明採用了 基於區域的採樣策略，首先將待分割圖像均勻地分成等面積的若干子圖像，然後在每一個 子圖像中隨機提取一個像素點組成子測試樣本集，最後對子測試樣本集中像素點就其目標 函數進行優化，該方法大大降低了數據聚類的運算數據量。2、評價指標多樣化。本發明採用多目標免疫聚類算法對子測試樣本集進行優化處理，該操作能夠對提 取不同特徵向量的子測試樣本集進行優化，得到多樣的優化分割方案，分割方案的多樣性 影響著分割圖像評價指標的多樣性，因此評價指標的多樣性能夠被滿足。3、對於多種分割方案，能有效的選取最優的方案。本發明採用集成學習的思想，對多種分割方案進行學習，根據構建分割方案集合 的無向規則圖進行超譜邊聚類，可得到一個擁有最大結合度的分割方案，即最優分割方案， 解決了現有技術中對多個分割方案選擇困難的問題。4、仿真實驗性能好，分割效果優越。為了驗證基於多目標免疫聚類集成技術的無監督圖像分割方法的優越性，將其與 經典的K-均值方法、基於遺傳算法的方法以及基於多目標進化集成的方法在無監督圖像 分割的性能上進行了比較，仿真實驗表明與其他方法相比本發明的方法可達到更好的圖像 分割效果。
圖1是本發明流程圖；圖2是本發明的基於區域的採樣操作示意圖；圖3是本發明使用的多目標免疫聚類算法子流程圖；圖4是本發明使用的集成學習構建示意圖；圖5是本發明對一幅兩類簡單地物背景圖像的仿真結果圖；圖6是本發明對一幅兩類簡單山地背景圖像的仿真結果圖；圖7是本發明對一幅兩類簡單港口背景圖像的仿真結果圖；圖8是本發明對一幅三類簡單河域地物背景圖像的仿真結果圖；圖9是本發明對一幅三類簡單機場地物背景圖像的仿真結果圖。
具體實施例方式參照圖1，本發明設計的多目標免疫聚類集成技術具體描述如下步驟1、提取圖像信息。首先輸入待分割圖像；其次根據灰度共生矩陣選擇4個離散的方向，分別為0°、 45°、90°和135°，沿著這每個方向提取三個二次統計量作為紋理特徵量，分別為角二階 矩、同質區和相關性，共計12維特徵信息；然後採用三層小波變換對待分割圖像提取10個 子帶的特徵量，共計10維特徵信息；最後將灰度共生矩陣12維特徵信息和小波能量10維 特徵信息合併到一起，共計22維特徵信息。步驟2、生成測試樣本集。 針對圖像處理中的海量數據問題，本發明力圖以少量的像素點較好的代表整幅 圖，主要思想是採用基於區域的採樣策略從待測圖像中選取一定量的像素點及其特徵向量 組成測試樣本集，首先將待測圖像均勻的劃分為若干等面積的子區域，每個子區域都由該 區域的像素點組成；其次從每個子區域的像素點中隨機挑選出一個加入測試樣本集，測試 樣本集的大小即為圖像子區域的數目；由圖2所示，本發明採用了在圖像子區域中隨機採 樣的策略，因為所有圖像子區域都是針對待測圖像均勻的劃分得來的，所以測試樣本集能 較好的代表整幅圖像中的各種紋理信息，具體包括如下步驟(2. 1)設定測試樣本集大小Ns，其範圍為100 1000 ；(2. 2)讀取待分割圖像，並計算該圖像面積；(2. 3)將待分割圖像分為Ns個等面積的圖像子區域；(2. 4)在圖像的每個子區域中隨機選取一個像素點，並將其加入測試樣本集；(2. 5)輸出該測試樣本集，其規模大小為Ns。步驟3、生成子測試樣本集。為了解決現有技術中對圖像分割的評價指標單一的問題，本發明將不同特徵向量 賦予測試樣本集中的所有像素點，根據測試樣本集中像素點的特徵向量的不同，組成若干 子測試樣本集，增加可能的分割方案，並以此使評價指標多樣化，具體包括如下步驟(3. 1)設定子測試樣本集個數K和特徵選擇概率Pf，取K = 3，Pf = 0. 5或K = 5， Pf = 0. 3 ；(3. 2)以概率Pf在步驟1中提取的所有特徵向量中選擇一部分特徵向量，賦予測 試樣本集中的所有像素點，組成一個子測試樣本集數據；(3.3)若子測試樣本集的個數達到K，輸出K組子測試樣本集；否則，返回步驟 (3. 2)。步驟4、對每組子測試樣本集進行基於多目標免疫算法的進化聚類，產生初分割方 案集。為了克服現有技術中分割方案形式單一的問題，本發明通過對每組子測試樣本集 進行基於多目標免疫算法的進化聚類以滿足兩個期望目標一是產生儘可能接近最優的分 割方案，二是產生一系列多樣性良好的分割方案；多目標免疫聚類算法有著強大的全局搜 索能力以及快速的收斂能力，針對測試樣本集能夠較快地產生儘可能逼近全局最優的分割 方案集；
採用多目標免疫聚類算法產生初分割方案集的具體步驟如下(4. 1)輸入一個子測試樣本集，設定多目標免疫算法的最大迭代次數tmax = 200， 以及當前進化聚類迭代次數t = 0，定義抗體種群為Dt，隨後隨機產生由若干抗體h組成的 初始抗體種群Dtl，其中每一個抗體代表一個數據聚類方案；(4. 2)計算抗體種群Dt中每個抗體h的親和度f (bi; Dt)；(4. 3)依據抗體種群Dt中每個抗體的親和度值，對抗體種群Dt執行克隆增殖操作， 得到克隆種群Ct ；(4. 4)對克隆種群Ct執行克隆重組操作，得到重組後種群Rt ；(4. 5)對重組後種群Rt執行克隆變異操作，得到變異後種群Ht ；(4. 6)對變異後種群Ht和抗體種群Dt執行克隆選擇操作，得到新一輪抗體種群 Dt+1;(4.7)如果t<tmax，令t值加1，重複步驟(4.2)到步驟(4.6)；否則輸出最終的 抗體種群Dt+1，即輸出像素點分割方案的集合，結束對當前子測試樣本集的進化聚類；上述步驟中在計算抗體、的親和度f(bi; Dt)時，主要採用了兩個互補的目標函 數，一是基於類內判據，被用來度量相同類間的一致性；二是基於類間判據，被用來度量不 同類之間的差異程度，該類內判據的計算公式如下 其中，C為所有聚類的集合，μ k表示第Ck類的聚類中心，δ (i，yk)表示像素點i 與聚類中心Pk之間的歐氏距離，目標函數越小，表示類內的一致性越大，因此該目標函數 為最小化函數；該類間判據的計算公式如下 其中
其『，Imij表示像素點i的第j近鄰，L是最大
近鄰參數，當像素點i和它的第j近鄰不在同一個聚類中時氣，=1/7，否則氣,=0，好的
分割結果要求相同的像素點儘可能被分在同一類中，因此該目標函數為最小化函數。步驟5、對初分割方案集進行集成學習，得到對於測試樣本集像素點的最優的一個 分割方案。為了克服現有技術中多個分割方案選擇困難的問題，本發明對初分割方案集採用 集成學習的操作，以得出最優的一個分割方案，本發明的主要思想是採用基於譜圖方法合 並函數中的Meta聚類算法，把一系列分割方案劃分為r種，並從r種劃分中獲取最終決策， Meta聚類算法的譜圖中的任意一個超譜邊表示一個聚類，每一個代表聚類的超譜邊用一個 Meta類Cw來表示，則分裂過程可使超譜邊的數目從Σ:/''1降到k ；具體實現步驟包括如下(5. 1)輸入通過進化聚類得到的初分割方案集，組成抗體種群Dt+1 ；
(5. 2)對抗體種群Dt+1構建無向規則圖，稱為Meta圖；(5. 2. 1)將個代表聚類的超譜邊H定義為I^1P個指示器向量h，使其構 成Meta圖的定點；(5. 2. 2)根據Meta圖邊的權重正比於頂點間的相似性這一特點，確定Meta圖邊的 權重 其中代表Meta圖的任意兩個頂點，且頂點間的相似性測量方法採用二元 Jaccard測量方法，由於聚類數據間的非重疊性，在同一類中的頂點之間是沒有邊的連接 的，因此，Meta圖能夠被劃分為r種； (5. 3)對所構建的Meta圖進行超譜邊聚類；(5.3.1)使用圖劃分包準則獲得一個對h個指示器向量的聚類結果；(5. 3. 2)根據步驟(5. 3. 1)中的聚類結果將Meta圖分裂成k個Meta類並尋找其 匹配類標，由於在Meta圖中的每一個頂點代表一個不同的類標，則一個Meta類表示一組相 應的類標；(5. 4)逐一分裂步驟(5. 3. 2)中的k個Meta類；(5. 4. 1)將任一 Meta類中的超譜邊劃分為一個單一的Meta超譜邊，每一個Meta 超譜邊都有一個它所包含的樣本與類標的結合向量，其中，類標描述的是與相應的Meta類 的結合度；(5. 4. 2)通過在一個特定的Meta類中所有的指示器向量h計算步驟(5. 4. 1)中的 結合度，類標為0和1分別代表最弱和最強的結合；(5. 5)比較Meta超譜邊所包含的樣本，將其中包含的每一個樣本安排到與它結合 度最大的Meta類中，並斷開相應的連結，最終得到一個最優的分割方案。步驟6、標記像素點類別歸屬。根據集成學習選擇出的最優分割方案，先對測試樣本集中的每一個像素點進行類 別歸屬標記，並依據該標記對待分割圖像中每一個未標記類別歸屬的像素點進行類別歸屬 劃分。步驟7、根據所有待分割圖像中像素點的類別歸屬標記，輸出最終的圖像分割結^ ο本發明的的效果可通過以下仿真進一步說明1仿真內容應用本發明方法和經典的K-均值方法，基於遺傳算法的方法，以及基於多目標進 化集成的方法分別對五幅圖像進行分割實驗，並從方向信息的準確性、同質區域的內部一 致性、細節信息的完整性和邊緣邊界的清晰性評價這些方法的各自性能。2仿真實驗結果用本發明和經典的K-均值方法，基於遺傳算法的方法以及基於多目標進化集成 的方法分別對三幅兩類地物背景圖像以及兩幅三類地物背景圖像進行分割，並比較其效
果圖5是上述四種方法分別對兩類簡單地物背景圖像進行分割的效果圖。其中圖5(a)為待測圖像的原圖；圖5(b)為K-均值方法對(a)中原圖進行分割得到的結果；圖 5(c)為基於遺傳算法的方法對(a)中原圖進行分割得到的結果；圖5(d)為多目標進化集 成的方法對(a)中原圖進行分割得到的結果；圖5(e)為本發明方法對(a)中原圖進行分割 得到的結果；由圖5可見，本發明和K-均值方法所得分割圖像的區域一致性較其他兩種方 法要好。K-均值邊緣保持性能優於本發明方法，但是相比之下，本發明能夠更好的檢測到圖 像左上部分和右上部分的道路。 圖6是上述四種方法分別對兩類簡單山地背景圖像進行分割的效果圖。其中圖 6(a)為待測圖像的原圖；圖6(b)為K-均值方法對(a)中原圖進行分割得到的結果；圖 6(c)為基於遺傳算法的方法對(a)中原圖進行分割得到的結果；圖6(d)為多目標進化集 成的方法對(a)中原圖進行分割得到的結果；圖6(e)為本發明方法對(a)中原圖進行分割 得到的結果；由圖6可見，四種方法所得的分割圖像效果相近，在分割圖像中間部分以及中 上部分的山腳區域，本發明所得分割圖像較其它三種方法所得分割圖像更接近實際情況。圖7是上述四種方法分別對兩類簡單港口背景圖像進行分割的效果圖。其中圖 7(a)為待測圖像的原圖；圖7(b)為K-均值方法對(a)中原圖進行分割得到的結果；圖 7(c)為基於遺傳算法的方法對(a)中原圖進行分割得到的結果；圖7(d)為多目標進化集 成的方法對(a)中原圖進行分割得到的結果；圖7(e)為本發明方法對(a)中原圖進行分割 得到的結果；由圖7可見，本發明所得分割圖像較其它三種方法所得分割圖像區域一致性 是最好的，特別是在圖像中部陸地部分以及圖像中上部水域部分，本發明所得分割圖像效 果明顯優於其它三種方法所得分割圖像效果。圖8是上述四種方法分別對三類河域地物背景圖像進行分割的效果圖。其中圖 8(a)為待測圖像的原圖；圖8(b)為K-均值方法對(a)中原圖進行分割得到的結果；圖 8(c)為基於遺傳算法的方法對(a)中原圖進行分割得到的結果；圖8(d)為多目標進化集 成的方法對(a)中原圖進行分割得到的結果；圖8(e)為本發明方法對(a)中原圖進行分割 得到的結果；由圖8可見，四種方法所得的分割圖像效果均較為出色，在圖像的水域部分， 本發明所得分割圖像效果好於其它三種方法所得圖像；在圖像的橋梁區域，右上部的植被 區域，以及右下部的島嶼區域，本發明所得分割圖像較其它三種方法所得分割圖像更接近 與實際情況。圖9是上述四種方法分別對對三類機場地物背景圖像進行分割的效果圖。其中 圖9(a)為待測圖像的原圖；圖9(b)為K-均值方法對(a)中原圖進行分割得到的結果；圖 9(c)為基於遺傳算法的方法對(a)中原圖進行分割得到的結果；圖9(d)為多目標進化集 成的方法對(a)中原圖進行分割得到的結果；圖9(e)為本發明方法對(a)中原圖進行分割 得到的結果；由圖9可見，四種方法所得分割圖像中，只有本發明所得分割圖像正確劃分了 跑道、草地、以及建築區域，在所得分割圖像區域一致性以及邊緣保持方面，本發明也遠優 於其它三種方法。
權利要求
一種基於多目標免疫聚類集成的無監督圖像分割方法，包括如下步驟(1)輸入待分割圖像，並提取該圖像的灰度信息及小波能量信息；(2)利用基於區域的採樣策略，選取一部分像素點組成測試樣本集(2.1)設定測試樣本集大小Ns，其範圍為100～1000；(2.2)讀取待分割圖像，並計算該圖像面積；(2.3)將待分割圖像分為Ns個等面積的圖像子區域；(2.4)在圖像的每個子區域中隨機選取一個像素點，並將其加入測試樣本集；(2.5)輸出該測試樣本集，其規模大小為Ns；(3)提取測試樣本集中所有像素點不同的特徵信息，獲得若干組子測試樣本集(3.1)設定子測試樣本集個數K和特徵選擇概率Pf，取K＝3，Pf＝0.5或K＝5，Pf＝0.3；(3.2)以概率Pf在步驟(1)中提取的所有特徵向量中選擇一部分特徵向量，賦予測試樣本集中的所有像素點，組成一個子測試樣本集數據；(3.3)若子測試樣本集的個數達到K，輸出K組子測試樣本集；否則，返回步驟(3.2)；(4)針對每組子測試樣本集進行基於多目標免疫算法的進化聚類，產生一系列關於測試樣本集像素點的初分割方案，組成初分割方案集；(5)對初分割方案集進行集成學習，得到對於測試樣本集像素點的最優的一個分割方案；(6)標記最優的分割方案所對應的像素點的類別歸屬，計算其餘未標記的像素點與測試樣本集中已標記像素點的特徵距離，根據特徵距離的大小，將未標記像素點進行類別歸屬劃分；(7)根據圖像中所有像素點的類別歸屬標記，得出最終的圖像分割結果。
2.根據權利要求1所述的無監督圖像分割方法，其中步驟(4)所述的針對每組子測試 樣本集進行基於多目標免疫算法的進化聚類，按如下步驟進行(2a)輸入一個子測試樣本集，設定多目標免疫算法的最大迭代次數tmax = 200，以及當 前進化聚類迭代次數t = 0，定義抗體種群為Dt，隨後隨機產生由若干抗體h組成的初始抗 體種群Dtl，其中每一個抗體代表一個數據聚類方案；(2b)計算抗體種群Dt中每個抗體h的親和度f(bi; Dt)；(2c)依據抗體種群Dt中每個抗體的親和度值，對抗體種群Dt執行克隆增殖操作，得到 克隆種群Ct ；(2d)對克隆種群Ct執行克隆重組操作，得到重組後種群Rt ； (2e)對重組後種群Rt執行克隆變異操作，得到變異後種群Ht ； (2f)對變異後種群Ht和抗體種群Dt執行克隆選擇操作，得到新一輪抗體種群Dt+1 ； (2g)如果t < tmax，令t值加1，重複步驟(2b)到步驟(2f)；否則輸出最終的抗體種群 Dt+1，即輸出像素點分割方案的集合，結束對當前子測試樣本集的進化聚類。
3.根據權利要求1所述的無監督圖像分割方法，其中步驟(4)所述的對分割方案進行 集成學習，按如下步驟進行(3a)輸入通過進化聚類最終得到的抗體種群Dt+1 ；(3b)對抗體種群Dt+1構建無向規則圖，稱為Meta圖，該圖的邊的權重Wa, b等於分割方案之間的相似性，計算公式為 其中ha和hb代表Meta圖的任意兩個頂點；(3c)根據所構建的無向規則圖進行超譜邊聚類，即通過將Meta圖分裂成k個Meta類 來尋找匹配類標，Meta圖中每一個頂點代表一個不同的類標，一個Meta類可表示一組相應 的類標；(3d)逐一分裂步驟(3c)中的k個Meta類，將任一 Meta類中的超譜邊劃分為一個單 一的Meta超譜邊，每一個Meta超譜邊都代表著一個它所包含的樣本與類標的結合向量，其 中，類標描述的是與其相應的Meta類的結合度；(3e)比較Meta超譜邊所包含的樣本，將其中包含的每一個樣本安排到結合向量中具 有最大結合度的Meta類中，並斷開相應的連結。
全文摘要
本發明公開了一種基於多目標免疫聚類集成技術的無監督圖像分割方法，主要解決現有技術中全局優化能力不強、評價指標單一、分割方案形式單一和多個分割方案選擇困難的問題。其實施步驟是(1)提取待分割圖像的灰度信息及小波能量信息；(2)採用基於區域的採樣策略對圖採樣生成測試樣本集；(3)選取不同的特徵向量構成若干子測試樣本集；(4)採用基於多目標免疫算法的進化聚類，產生初分割方案；(5)集成學習出初分割方案集中的最優分割方案；(6)依據已選擇出的分割方案標記圖像像素點類別歸屬；(7)輸出圖像分割結果。本發明具有獲取圖像分割的平均準確率高，魯棒性強的優點，可用於圖像信息獲取，圖像紋理劃分。
文檔編號G06T7/00GK101847263SQ20101019282
公開日2010年9月29日 申請日期2010年6月4日 優先權日2010年6月4日
發明者侯彪, 公茂果, 劉芳, 劉若辰, 張偉, 張向榮, 焦李成, 王爽 申請人:西安電子科技大學