[发明专利]一种基于区域生长和蚁群聚类的图像分割方法

摘要

本发明涉及一种基于区域生长和蚁群聚类的图像分割方法，技术特征在于：首先，由于考虑的前提是从灰度值最高的像素点开始生长，因此去除图像中的噪声很重要。因此采用四邻域的中值滤波去滤除噪声；接着，选择具有灰度值最大的像素点作为种子点进行区域生长。然后利用区域生长后提到的空间信息和灰度信息定义一种新的引导函数，用到蚁群算法中在区域之间进行聚类合并，获得最终的分割结果。本发明提出的一种基于区域生长和蚁群聚类的图像分割方法，具有三个明显的优点：第一，克服了区域生长得不到有意义区域的不足；第二，大大提高了蚁群聚类算法的搜索时间。第三，新的引导函数的定义可准确有效引导蚁群聚类，提高图像分割的准确率。

主权项

1.一种基于区域生长和蚁群聚类的图像分割方法，其特征在于步骤如下：1)对于M1×N的图像采用四邻域的中值滤波去滤除噪声；2)采用区域生长的方法对图像进行预处理：2.1、在没有被标记的像素中选择灰度最大点为种子点；2.2、根据式|Iseed-I|＜λ|Imax-Imin|，取λ＝0.3，进行区域生长，将满足此公式的邻接像素加入到种子区域，并对它们进行标记；其中I表示像素的灰度值，Iseed表示种子点的灰度值，Imax与Imin分别表示图像中的最大灰度值与最小灰度值，λ是可调节的参数；2.3、搜索未被标记的像素，进行上述的两步，当不再有未被标记的像素时，输出被划分的区域；3)提取出灰度信息和空间信息特征：所述的提取灰度信息特征：区域生长后计算区域Ri和Rj之间的平均灰度差gij＝|Ii-Ij|，其中$I=\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{h}_i;其中：I是区域生长后得到小区域的平均灰度值，M是区域生长后得到小区域数(即R1，R2，\dots ，RM)，h代表每个小区域中的灰度值，有k个灰度级，即h1，h2，\dots ，hk；所述的提取空间信息特征：根据$ d_{\mathrm{ij}}=\sqrt{\underset{k=1}{\overset{m}{\Sigma }}{P}_k(x_{\mathrm{ik}}-x_{\mathrm{jk}})}得到空间特征；其中dij表示Xi\; 到Xj之间的加权欧氏距离，即某区域Xi到不同食物源的距离，m是蚂蚁的维数，Pk为加权因子，加权因子可以根据数据各分量对聚类的影响程度来设定；4)利用蚁群算法进行聚类合并和分割：4.1将区域生长后的图像区域数M看作每个蚂蚁，初始化N，r，\epsilon 0，\alpha ，\beta ，\tau s(0)＝0，P0；4.2根据式$ {\tau }_{\mathrm{ij}}\left(t\right)=\left\{\begin{array}{cc}1& d_{\mathrm{ij}}\le r\\ 0& d_{\mathrm{ij}}>r\end{array}\right.计算各路径上的信息量\tau ij，其中r表示聚类半径；计算引导函数式\eta ij\prime ，$ {\eta }_{\mathrm{ij}}^{\prime }=\frac{r}{d_{\mathrm{ij}}+g_{\mathrm{ij}}}=\frac{r}{\sqrt{\underset{k=1}{\overset{m}{\Sigma }}{p}_k{(X_{\mathrm{ik}}-C_{\mathrm{jk}})}^2}+|I_i-I_j|};根据式$ p_{\mathrm{ij}}\left(t\right)=\frac{{\tau }_{\mathrm{ij}}^{\alpha }\left(t\right){\eta }_{\mathrm{ij}}^{\prime \beta }\left(t\right)}{\underset{s\in S}{\Sigma }{\tau }_{\mathrm{sj}}^{\alpha }\left(t\right){\eta }_{\mathrm{sj}}^{\prime \beta }\left(t\right)}计算Xi归并到Xj的概率pij(t)，其中，S是蚂蚁Xs下一步可以选择的路径集合即S＝\{Xs|dsj\le r，s＝1，2，\dots ，N\}；\alpha ，\beta 为调节因子，起到防止所有蚂蚁沿相同路径得到相同结果所产生的停滞搜索的作用；4.3根据判断原则1：Pij(t)\ge P0成立，则Xi归并到Xj邻域内，继续执行下一步；根据判断原则2：Pij(t)＜P0，则转到步骤3中计算i+1点到j点的灰度信息特征gi+1，j和di+1，j，根据步骤4.2计算概率Pi＝1，j(t)，按照判断原则1或原则2决定执行步骤；4.4根据$ \overline{C_j}=\frac{1}{J}\underset{k=1}{\overset{J}{\Sigma }}{X}_k,Xk\in Cj计算聚类中心Cj，其中：Cj表示所有归并到Xj邻域的数据集合，J为Cj类中元素的个数，即Cj＝\{Xk|dkj\le r，k＝1，2，\dots ，J\}；4.5计算各类的类间距离，当类间距小于阈值\epsilon 时，将两类合并为一类，更新聚类中心；4.6如果还有待分类区域，则返回步骤3，否则输出聚类结果，得到分割的图像。$$$$$$