鬼佬大哥大
  • / 13
  • 下載費用:30 金幣  

基于改進多目標粒子群優化聚類的圖像分割方法.pdf

摘要
申請專利號:

CN201410079278.2

申請日:

2014.03.05

公開號:

CN103985112A

公開日:

2014.08.13

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06T 7/00申請日:20140305|||公開
IPC分類號: G06T7/00 主分類號: G06T7/00
申請人: 西安電子科技大學
發明人: 焦李成; 劉芳; 黃倩; 馬文萍; 馬晶晶; 王爽; 侯彪; 李陽陽
地址: 710071 陜西省西安市太白南路2號西安電子科技大學
優先權:
專利代理機構: 西安智萃知識產權代理有限公司 61221 代理人: 張超
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201410079278.2

授權公告號:

103985112B||||||

法律狀態公告日:

2017.05.10|||2014.09.10|||2014.08.13

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明公開了基于改進多目標粒子群優化聚類的圖像分割方法,主要解決現有聚類圖像分割技術評價指標單一和區域雜點多,分割不理想等問題。其實現步驟為:(1)輸入原始圖像,提取像素特征,并進行分水嶺分割,產生聚類數據;(2)利用聚類數據初始化種群(3)升級種群中各粒子的速度和位置(4)評價各新粒子,計算聚合值并升級理想點(5)升級各粒子的最優位置,升級leader粒子庫和外部粒子庫(6)更新迭代次數,若達到預先設定的最大迭代次數,則輸出外部粒子庫,否則繼續執行步驟(3)(7)在輸出的外部粒子庫中,根據聚合值的大小選擇最優個體,根據最優個體進行標記,得到分割結果。本發明與現有技術相比,邊緣保持較好,分割正確率高,可用于SAR圖像的目標識別。

權利要求書

權利要求書
1.  基于改進多目標粒子群優化聚類的圖像分割方法,其特征在于:包括如下步驟:
(1)輸入待分割圖像,提取待分割圖像的特征,并計算該待分割圖像的梯度,得到梯度圖像,對梯度圖像進行分水嶺分割,得到N個互不重疊的區域,N≥1000;
(2)對每個區域中所有像素點特征取均值,獲得每一個區域的特征向量,作為初始聚類數據點集合W={w1,w2…wN};
(3)利用初始聚類數據點集合,隨機初始化大小為M的種群:
(3a)隨機初始化各粒子的位置X={x1,x2…xM}、速度V={v1,v2…vM},每個粒子的位置xm代表一種分割結果,m=1,2,…M,M=50;
(3b)將各粒子的當前位置作為各粒子的最優位置;
(4)根據每個粒子的位置計算每個粒子的目標函數值F,F=[f1 f2],其中,f1為類內方差,f2為類間連接;
(5)根據各粒子的位置和目標函數值初始化leader粒子庫和外部粒子庫;
(6)根據目標函數值初始化理想點Z*,Z*=[Z1 Z2],其中Z1為第一個目標函數f1到目前為止找到的最小值,其中Z2為第二個目標函數f2到目前為止找到的最小值;
(7)根據各粒子的目標函數值標準化各粒子的目標函數值,并計算各粒子的聚合值;
(8)升級各個粒子的速度和位置;升級公式按如下進行:
vit+1=vit+(pit-xit)+(pgt-xit)]]>
xit+1=xit+vit+1]]>
其中,表示t+1代第i個粒子的速度,表示t代第i個粒子的速度,表示t代第i個粒子的位置;表示t+1代第i個粒子的位置,表示t代第i個粒子的最好位置,表示t代leader粒子庫中的粒子;
(9)對每個新粒子進行評價,即對新粒子計算每個目標函數的值;
(10)根據每個目標函數的值,升級種群的理想點;
(11)根據每個粒子的目標函數值計算每個粒子的聚合函數值;
(12)根據每個粒子的聚合函數的值的大小升級每個粒子的最優位置:如果新粒子的聚合函數值比粒子最優位置的聚合值小,則用新粒子的位置代替粒子的最優位置,否則粒子最優 位置不變;
(13)升級leaders粒子庫和外部粒子庫;
(14)更新迭代次數t,直到迭代次數達到預先設定的最大值maxgen,則輸出外部種群,否則返回到步驟(6)進行下一代迭代;
(15)在輸出的外部種群中選擇最優解;利用分解過程中得到的聚合值來進行最優解的選取;具體實現是先選擇使用者設定的類別數的非支配解作為候選解;然后分別將每個候選解在聚合函數上聚合值最小的個體作為最優個體;最后將最優個體所對應的類別標號作為像素的灰度值,得到圖像分割結果。

2.  根據權利要求1所述的基于改進多目標粒子群優化聚類的圖像分割方法,其特征在于:所述步驟(1)所述的對每個區域中所有像素點特征取均值,獲得每一個區域的特征向量,按照以下步驟進行:
(1a)對于任意像素點i,利用小波分解,提取圖像的10維小波特征;
(1b)對于任意像素點i,計算0°,45°,90°,135°四個方向上的灰度共生矩陣,選取該四個矩陣上的三個統計量,分別為對比度、同質性和角二階,獲得像素點i的12維紋理特征;
(1c)將上述10維小波特征向量和12維紋理特征向量合并成22維紋理特征向量,作為第i個像素點的特征;
(1d)對原始圖像中的所有像素點重復步驟(1a)-(1c),得到原始圖像所有像素點的紋理特征。

3.  根據權利要求1所述的基于改進多目標粒子群優化聚類的圖像分割方法,其特征在于:所述步驟(4)中f1代表聚類緊湊性,聚類緊湊性是計算所有數據點到其聚類中心的類內距離和,f1(x),通過如下公式進行計算:
f1(x)=Σxk∈xΣi∈xkδ(i,μk)]]>
其中,f1(x)為待聚類數據集的類內距離和;x為待聚類數據集;Σ為算術運算中的累加符號;xk為待聚類數據集的第k類;∈為集合中的屬于符號;i為一個類別中的一個數據點;δ(i,μk)為歐式距離函數;μk為待聚類數據的第k類的聚類中心。

4.  根據權利要求1所述的基于改進多目標粒子群優化聚類的圖像分割方法,其特征在于:所述步驟(4)中第二個目標函數值f2代表聚類連通性,聚類連通性用于評估相鄰數據點被劃 分到同一個類別的相鄰度,f2(x)通過如下公式計算:
f2(x)=Σi=1m(Σj=1Lxi,j)]]>
xi,j=1j,if∃xk:i∈xk^j∈xk0,else]]>
其中,f2(x)為類間距離和;x為待聚類數據集;m為待聚類數據點的個數;Σ為算術運算中的累加符號;i為一個數據點;L是最近鄰的個數,L=10;j為近鄰點;xi,j為第i個數據點與其第j個最近鄰的關系值,當第i個數據點和第j個數據點屬于同一類,則xi,j取0,否則取1/j。

5.  根據權利要求1所述的基于改進多目標粒子群優化聚類的圖像分割方法,其特征在于:所述步驟(7)所標準化目標函數值,按如下公式進行:
S(fi(x))=1/(1+e-fi(x))]]>
其中,fi(x)為第i個目標,i=1,2。

6.  根據權利要求1所述的基于改進多目標粒子群優化聚類的圖像分割方法,其特征在于:所述步驟(7)中所述的各粒子的聚合函數值,任意粒子j的聚合函數值gj(x|λj,z*),按如下公式進行:
minimize  gj(x|λj,z*)=d1+θd2
其中,d1=||(Fj(x)-z*)Tλj||/||λj||,d2=||(Fj(x)-z*)-d1λj/||λj||||,λj=λ1jλ2j]]>是第j個粒子的權值,x表示一個粒子,Fj(x)表示第j個粒子的目標函數值,z*表示理想點,|是算術運算中的條件符號,||·||表示2范數,(·)T為矩陣轉置運算,θ取為0.5。

說明書

說明書基于改進多目標粒子群優化聚類的圖像分割方法
技術領域
本發明屬于圖像處理領域,特別是涉及基于改進多目標粒子群優化聚類的圖像分割方法,可應用于目標識別。 
背景技術
圖像分割作為一種重要的圖像處理技術,在理論研究和實際應用中都得到了人們的廣泛重視。為后續工作有效進行而將圖像劃分為若干個有意義的區域的技術稱為圖像分割。圖像分割是后續工作有效進行的關鍵,從圖像處理到圖像分析的關鍵步驟。目前,從分割操作策略上講,可以分為基于邊界的方法,基于區域生成的分割方法,基于聚類的分割方法等。目前,人們更多采用基于進化聚類的方法來進行圖像分割。進化聚類圖像分割算法主要是進化計算與聚類技術相結合應用到圖像分割上的算法,主要的核心是進化聚類算法的研究。在現有的聚類方法中,通常把基于目標函數的聚類問題歸結為一個優化問題,再結合進化計算對聚類問題進行智能優化。隨著多目標技術的發展,出現了多目標進化聚類技術,基于多目標進化聚類方法的優點在于它可以獲得在多個目標函數間權衡的聚類結果。 
現有的多目標進化算法中,多目標粒子群算法是一種嶄新的隨機優化方法,具有程序實現簡單、控制參數少的特點,所以得到了廣泛應用。在現有的進化聚類圖像分割算法中,單目標聚類圖像分割算法存在評價單一,細節保持不好等缺點,而在現有的多目標進化聚類圖像分割技術中,缺乏種群的多樣性,造成分割不理想,分割正確率低,計算復雜度高等缺點。 
發明內容
本發明的目的在于克服上述已有技術的不足,提出一種基于改進多目標粒子群優化聚類的圖像分割方法,本發明選取了兩個互補的目標函數,將分解的理論融入到多目標粒子群優化算法中,改善現有方法的目標函數單一性和邊緣細節保持不理想等缺點。 
基于改進多目標粒子群優化聚類的圖像分割方法,包括如下步驟: 
(1)輸入待分割圖像,提取待分割圖像的特征,并計算該待分割圖像的梯度,得到梯度 
圖像,對梯度圖像進行分水嶺分割,得到N個互不重疊的區域,N≥1000; 
(2)對每個區域中所有像素點特征取均值,獲得每一個區域的特征向量,作為初始聚類數據點集合W={w1,w2…wN}; 
(3)利用初始聚類數據點集合,隨機初始化大小為M的種群: 
(3a)隨機初始化各粒子的位置X={x1,x2…xM}、速度V={v1,v2…vM},每個粒子 的位置xm代表一種分割結果,m=1,2,…M,M=50; 
(3b)將各粒子的當前位置作為各粒子的最優位置; 
(4)根據每個粒子的位置計算每個粒子的目標函數值F,F=[f1 f2],其中,f1為類內方差,f2為類間連接; 
(5)根據各粒子的位置和目標函數值初始化leader粒子庫和外部粒子庫; 
(6)根據目標函數值初始化理想點Z*,Z*=[Z1 Z2],其中Z1為第一個目標函數f1到目前為止找到的最小值,其中Z2為第二個目標函數f2到目前為止找到的最小值; 
(7)根據各粒子的目標函數值標準化各粒子的目標函數值,并計算各粒子的聚合值; 
(8)升級各個粒子的速度和位置;升級公式按如下進行: 
vit+1=vit+(pit-xit)+(pgt-xit)]]>
xit+1=xit+vit+1]]>
其中,表示t+1代第i個粒子的速度,表示t代第i個粒子的速度,表示t代第i個粒子的位置;表示t+1代第i個粒子的位置,表示t代第i個粒子的最好位置,表示t代leader粒子庫中的粒子; 
(9)對每個新粒子進行評價,即對新粒子計算每個目標函數的值; 
(10)根據每個目標函數的值,升級種群的理想點; 
(11)根據每個粒子的目標函數值計算每個粒子的聚合函數值; 
(12)根據每個粒子的聚合函數的值的大小升級每個粒子的最優位置:如果新粒子的聚合函數值比粒子最優位置的聚合值小,則用新粒子的位置代替粒子的最優位置,否則粒子最優位置不變; 
(13)升級leaders粒子庫和外部粒子庫; 
(14)更新迭代次數t,直到迭代次數達到預先設定的最大值maxgen,則輸出外部種群,否則返回到步驟(6)進行下一代迭代; 
(15)在輸出的外部種群中選擇最優解;利用分解過程中得到的聚合值來進行最優解的選取;具體實現是先選擇使用者設定的類別數的非支配解作為候選解;然后分別將每個候選解在聚合函數上聚合值最小的個體作為最優個體;最后將最優個體所對應的類別標號作為像素的灰度值,得到圖像分割結果。 
所述步驟(1)所述的對每個區域中所有像素點特征取均值,獲得每一個區域的特征向量,按照以下步驟進行: 
(1a)對于任意像素點i,利用小波分解,提取圖像的10維小波特征; 
(1b)對于任意像素點i,計算0°,45°,90°,135°四個方向上的灰度共生矩陣,選取該四個矩陣上的三個統計量,分別為對比度、同質性和角二階,獲得像素點i的12維紋理特征; 
(1c)將上述10維小波特征向量和12維紋理特征向量合并成22維紋理特征向量,作為第i個像素點的特征; 
(1d)對原始圖像中的所有像素點重復步驟(1a)-(1c),得到原始圖像所有像素點的紋理特征。 
所述步驟(4)中f1代表聚類緊湊性,聚類緊湊性是計算所有數據點到其聚類中心的類內距離和,f1(x),通過如下公式進行計算: 
f1(x)=Σxk∈xΣi∈xkδ(i,μk)]]>
其中,f1(x)為待聚類數據集的類內距離和;x為待聚類數據集;Σ為算術運算中的累加符號;xk為待聚類數據集的第k類;∈為集合中的屬于符號;i為一個類別中的一個數據點;δ(i,μk)為歐式距離函數;μk為待聚類數據的第k類的聚類中心。 
所述步驟(4)中第二個目標函數值f2代表聚類連通性,聚類連通性用于評估相鄰數據點被劃分到同一個類別的相鄰度,f2(x)通過如下公式計算: 
f2(x)=Σi=1m(Σj=1Lxi,j)]]>
xi,j=1j,if∃xk:i∈xk^j∈xk0,else]]>
其中,f2(x)為類間距離和;x為待聚類數據集;m為待聚類數據點的個數;Σ為算術運算中的累加符號;i為一個數據點;L是最近鄰的個數,L=10;j為近鄰點;xi,j為第i個數據點與其第j個最近鄰的關系值,當第i個數據點和第j個數據點屬于同一類,則xi,j取 0,否則取1/j。 
所述步驟(7)所標準化目標函數值,按如下公式進行: 
S(fi(x))=1/(1+e-fi(x))]]>
其中,fi(x)為第i個目標,i=1,2。 
所述步驟(7)中所述的各粒子的聚合函數值,任意粒子j的聚合函數值gj(x|λj,z*),按如下公式進行: 
minimize  gj(x|λj,z*)=d1+θd2
其中,d1=||(Fj(x)-z*)Tλj||/||λj||,d2=||(Fj(x)-z*)-d1λj/||λj||||,λj=λ1jλ2j]]>是第j個粒子的權值,x表示一個粒子,Fj(x)表示第j個粒子的目標函數值,z*表示理想點,|是算術運算中的條件符號,||·||表示2范數,(·)T為矩陣轉置運算,θ取為0.5。 
本發明與現有的技術相比具有以下優點: 
1、本發明由于選取了兩個互補的目標函數,增加了評價的多樣性,保證了圖像信息的完整性; 
2、本發明將分解理論融入到多目標粒子群中,不僅提高了非支配解集的多樣性而且增加了非支配解集的數量,從而獲得更優秀的解,進一步提高了分割精確度; 
附圖說明
圖1是本發明的實現流程圖; 
圖2(a)為三類合成紋理圖像image1; 
圖2(b)為圖像image1的理想分割結果; 
圖2(c)為用現有多目標進化聚類方法對圖2(a)進行分割得到的結果; 
圖2(d)為用現有多目標粒子群優化聚類方法對圖2(a)進行分割得到的結果; 
圖2(e)為用本發明方法對圖2(a)進行分割得到的結果。 
圖3(a)為四類合成紋理圖像image2; 
圖3(b)為對圖像image2的理想分割結果; 
圖3(c)為用現有多目標進化聚類方法對圖3(a)進行分割得到的結果; 
圖3(d)為用現有多目標粒子群優化聚類方法對圖3(a)進行分割得到的結果; 
圖3(e)為用本發明方法對圖3(a)進行分割得到的結果; 
圖4(a)為兩類機載SAR原圖像,分為田地和森林; 
圖4(b)為用現有多目標進化聚類方法對圖4(a)進行分割得到的結果; 
圖4(c)為用現有多目標粒子群優化聚類方法對圖4(a)進行分割得到的結果; 
圖4(d)為用本發明方法對圖4(a)進行分割得到的結果; 
圖5(a)為三類SAR圖像,分為植被、農作物和河流; 
圖5(b)為用現有多目標進化聚類方法對圖5(a)進行分割得到的結果; 
圖5(c)為用現有多目標粒子群優化聚類方法對圖5(a)進行分割得到的結果; 
圖5(d)為用本發明方法對圖5(a)進行分割得到的結果。 
具體實施方式
參照圖1,本發明的具體實現步驟如下: 
步驟一、輸入待分割圖像,提取該圖像的特征。 
(1a)對于任意像素點i,利用小波分解,提取圖像的10維小波特征向量; 
(1b)對于任意像素點i,計算0°,45°,90°,135°四個方向上的灰度共生矩陣,選取該四個矩陣上的三個統計量,即對比度、同質性和角二階,獲得像素點i的12維紋理特征向量; 
(1c)將上述10維小波特征向量和12維紋理特征向量合并成22維特征向量,作為第i個像素點的紋理特征; 
(1d)對圖像中的所有像素點重復步驟(1a)-(1c),得到原始圖像所有像素點的特征。 
步驟二、計算待分割圖像的梯度。 
對待分割圖像分別進行膨脹變換和腐蝕變換,再用膨脹變換后的結果減去其腐蝕變換后的結果,由此得到待分割圖像形態梯度圖像。 
步驟三、對形態梯度圖像進行分水嶺分割,得到N個互不重疊的區域,N≥1000,對每個區域中所有像素點特征取均值,獲得每一個區域的特征向量,作為初始聚類數據點集合:Z={z1,z2…zN}。 
步驟四、根據待聚類數據初始化大小為M的種群: 
(4a)初始種群各粒子的位置X={x1,x2,....xM}利用Prim算法最小生成樹,數的權值是兩個數據點之間的歐式距離,根據最小生成樹原理和權值矩陣,可得到N個數據點之間的連接圖,隨機斷開K處并通過解碼得到個體,每個個體代表一種分割結果。隨機初始化種群中各粒子的速度V={v1,v2…vM}。 
(4b)將各粒子的當前位置作為各粒子的最優位置,并為每個粒子j分配權重向量λj, 是第j個粒子的權值;λ1j=j/M,λ2j=(M-j)/M,j=1,2,...,M.]]>
步驟五、根據每個粒子的位置計算每個粒子的目標函數值F,F=[f1 f2],其中,f1為類內方差,f2為類間連接。 
(5a)第一個目標函數值f1代表聚類緊湊性,聚類緊湊性是計算所有數據點到其聚類中心的類內距離和,f1(x),通過如下公式進行計算: 
f1(x)=Σxk∈xΣi∈xkδ(i,μk)]]>
其中,f1(x)為待聚類數據集的類內距離和;x為待聚類數據集;Σ為算術運算中的累加符號;xk為待聚類數據集的第k類;∈為集合中的屬于符號;i為一個類別中的一個數據點;δ(i,μk)為歐式距離函數;μk為待聚類數據的第k類的聚類中心。 
(5b)第二個目標函數值f2代表聚類連通性,聚類連通性用于評估相鄰數據點被劃分到同一個類別的相鄰度,f2(x)通過如下公式計算: 
f2(x)=Σi=1m(Σj=1Lxi,j)]]>
xi,j=1j,if∃xk:i∈xk^j∈xk0,else]]>
其中,f2(x)為類間距離和;x為待聚類數據集;m為待聚類數據點的個數;Σ為算術運算中的累加符號;i為一個數據點;L是最近鄰的個數,L=10;j為近鄰點;xi,j為第i個數據點與其第j個最近鄰的關系值,當第i個數據點和第j個數據點屬于同一類,則xi,j取0,否則取1/j。 
步驟六:根據各粒子的位置和目標函數值選擇非支配粒子,將非支配粒子存入leader粒子庫和外部粒子庫,即初始化leader粒子庫和外部粒子庫。 
步驟七、根據各粒子的目標函數值標準化各粒子的目標函數值,并計算各粒子的聚合值。(7a)為了對每一個粒子達到公平的原則,對目標函數進行標準化,按如下公式計算: 
S(fi(x))=1/(1+e-fi(x))]]>
其中,fi(x)為第i個目標,i=1,2。 
(7b)第j個粒子的聚合函數值gj(x|λj,z*),按如下公式進行: 
minimize  gj(x|λj,z*)=d1+θd2
其中,d1=||(Fj(x)-z*)Tλj||/||λj||,d2=||(Fj(x)-z*)-d1λj/||λj||||,λj=λ1jλ2j]]>是第j個粒子的權值,x表示一個粒子,Fj(x)表示第j個粒子的目標函數值,z*表示理想點,|是算術運算中的條件符號,||·||表示2范數,(·)T為矩陣轉置運算,θ取為0.5。 
步驟八、根據目標函數值初始化理想點Z*,Z*=[Z1 Z2],其中Z1為第一個目標函數f1到目前為止找到的最小值,其中Z2為第二個目標函數f2到目前為止找到的最小值。 
步驟九、升級各個粒子的速度和位置。粒子的速度和位置更新公式,按如下進行, 
vit+1=vit+(pit-xit)+(pgt-xit)]]>
xit+1=xit+vit+1]]>
其中,表示t+1代第i個粒子的速度,表示t代第i個粒子的速度,表示t代第i個粒子的位置;表示t+1代第i個粒子的位置,表示t代第i個粒子的最好位置,表示t代leader粒子庫中的粒子,該粒子的選取的規則是選擇leader粒子庫中聚合值最小的粒子,即leader庫中最優的粒子。 
步驟十、對每個新粒子進行評價,即對新粒子計算每個目標函數的值。 
步驟十一、根據各個新粒子每個目標函數的值,升級種群的理想點:如果所有新粒子的第一個目標函數值的最小值f1min小于Z1則用f1min代替Z1,否則Z1不變;如果所有新粒子的第二個目標函數值的最小值f2min小于Z2則用f2min代替Z2,否則Z2不變。 
步驟十二、根據各粒子的目標函數值標準化各粒子的目標函數值并計算其聚合函數值。 
步驟十三、根據聚合函數的值的大小升級各粒子的最優位置:如果新粒子的聚合函數值比粒子最優位置的聚合值小,則用新粒子的位置代替粒子的最優位置,否則粒子最優位置不變。由此根據支配關系升級leader粒子庫。 
步驟十四、根據各個新粒子和它們之間的支配關系升級外部粒子庫。 
步驟十五、更新迭代次數t,直到迭代次數達到預先設定的最大值maxgen,則輸出外部種群,否則返回到步驟九進行下一代迭代; 
步驟十六、在輸出的外部種群中選擇最優解。利用分解過程中得到的聚合值來進行最優解的選取。具體實現是先選擇使用者設定的類別數的非支配解作為候選解;然后分別將每個候選解在聚合函數上聚合值最小的個體作為最優個體;最后將最優個體所對應的類別標號作為像素的灰度值,得到圖像分割結果。 
本發明的的效果可通過以下仿真進一步說明: 
1.仿真條件:本發明的仿真在windowsXP,SPI,CPUInterCore2Duo,基本頻率2.33Ghz,軟件平臺為MatlabR2011a運行。 
2.仿真內容:應用本發明方法和多目標進化聚類方法,多目標粒子群優化聚類方法分別對兩幅合成紋理圖像和兩幅SAR圖像進行分割實驗,并從細節信息的完整性、同質區域的內部一致性和邊緣邊界的清晰性評價這些方法的各自性能。合成紋理圖像還可以用平均分割正確率結果來評價各種方法的性能。 
仿真1,用本發明方法以及多目標進化聚類方法,多目標粒子群優化聚類方法分別對兩類合成紋理圖像image1進行分割,其結果如圖2所示。其中圖2(a)為三類合成紋理圖像image1;圖2(b)為圖像image1的理想分割結果;圖2(c)為用現有多目標進化聚類方法對圖2(a)進行分割得到的結果;圖2(d)為用現有多目標粒子群優化聚類方法對圖2(a)進行分割得到的結果;圖2(e)為用本發明方法對圖2(a)進行分割得到的結果。 
仿真2,用本發明方法以及多目標進化聚類方法,多目標粒子群優化聚類方法對四類合成紋理圖像image2進行分割,其結果如圖3所示。其中圖3(a)為四類合成紋理圖像image2;圖3(b)為對圖像image2的理想分割結果;圖3(c)為用現有多目標進化聚類方法對圖3(a)進行分割得到的結果;圖3(d)為用現有多目標粒子群優化聚類方法對圖3(a)進行分割得到的結果;圖3(e)為用本發明方法對圖3(a)進行分割得到的結果。 
仿真3,用本發明方法以及多目標進化聚類方法,多目標粒子群優化聚類方法分別對SAR圖像分割,其結果如圖4所示。其中圖4(a)為兩類機載SAR原圖像,分為田地和森林;圖4(b)為用現有多目標進化聚類方法對圖4(a)進行分割得到的結果;圖4(c)為用現有多目標粒子群優化聚類方法對圖4(a)進行分割得到的結果;圖4(d)為用本發明方法對圖4(a)進行分割得到的結果。 
仿真4,用本發明方法以及多目標進化聚類方法,多目標粒子群優化聚類方法分別對Ku波段的SAR圖像分割,其結果如圖5所示。其中圖5(a)為三類SAR圖像,分為植被、農作物和河流;圖5(b)為用現有多目標進化聚類方法對圖5(a)進行分割得到的結果;圖5(c)為用現有多目標粒子群優化聚類方法對圖5(a)進行分割得到的結果;圖5(d)為用本發明方法對圖5(a)進行分割得到的結果。 
3.仿真結果分析: 
從圖2(c),2(d)和2(e)的分割結果中可以看出,本發明在邊緣細節保持上都比其他兩個現有方法好,且平均分割正確率也是最高的。 
從圖3(c),3(d)和3(e)的分割結果中可以看出,本發明在邊緣細節保持上優于多目標進化聚類算法,區域一致性上優于多目標粒子群優化聚類算法且平均分割正確率也是最高的。 
從圖4(c)和4(d)的分割結果中可以看出,本發明在區域一致性上優于多目標進化聚類算法和多目標粒子群優化聚類算法,本發明在森林得到了完整的分割,而其他兩個方法均缺少了一小部分森林,本發明得到了最好的分割。 
從圖5(c)和5(d)的分割結果中可以看出,本發明相比較多目標進化聚類算法,將一些小的植被區域分割出來,本發明相比較于多目標粒子群優化聚類算法,在農作物區域上保持了一致性,本發明得到了最好的分割。 
表1給出了不同的方法對Image1和Image2的獨立分割運行20次后的平均分割正確率。多目標進化聚類算法用MOCK表示,多目標粒子群優化聚類算法用MPSO表示,本發明用DMPSO表示。 
表1  不同的方法對Image1和Image2的分割正確率 
圖像 MOCK MPSO DMPSO Image1 0.8959 0.9203 0.9463 Image2 0.8943 0.9486 0.9719
從表1可見,本發明與其他兩種算法的對比,得到了最高的平均正確率。 

關 鍵 詞:
基于 改進 多目標 粒子 優化 圖像 分割 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:基于改進多目標粒子群優化聚類的圖像分割方法.pdf
鏈接地址:http://www.wwszu.club/p-6140822.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大