專利名稱：基于分水嶺-量子進(jìn)化聚類算法的圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別是涉及一種圖像分割方法，該方法可用于圖像處理中的目標(biāo)識(shí)別。

背景技術(shù)：
圖像處理是一個(gè)跨學(xué)科的領(lǐng)域，隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展，圖像處理和分析逐漸形成了自己的科學(xué)體系。圖像分割是圖像處理中一個(gè)非常重要的步驟，它將圖像分割成為具有相關(guān)性強(qiáng)的子區(qū)域或?qū)ο?。圖像分割就是依據(jù)某種準(zhǔn)則將圖像分為若干區(qū)域的過(guò)程，要求同一區(qū)域內(nèi)的像素具有某種一致性，不同區(qū)域的像素之間不存在這種一致性。圖像分割方法一直是圖像處理和分析中基本而關(guān)鍵的技術(shù)之一，圖像分割的結(jié)果包含著對(duì)圖像理解更為精確的描述，并且支持一些更高級(jí)的概念，例如形狀、區(qū)域、連接等。圖像分割通常用于進(jìn)一步對(duì)圖像進(jìn)行分析、識(shí)別、壓縮編碼等，分割的準(zhǔn)確性直接影響到后續(xù)任務(wù)的有效性，作為由圖像處理到圖像分析的關(guān)鍵步驟，圖像分割不僅得到了人們的廣泛重視，也在實(shí)際中得到了大量的應(yīng)用。
紋理特征是圖像的重要屬性，紋理被認(rèn)為是區(qū)分圖像間不同屬性的重要解譯信息。近三十年來(lái)研究學(xué)者提出了許多基于紋理特征的分割方法。這些方法主要分為四類統(tǒng)計(jì)方法，結(jié)構(gòu)方法，模型方法和信號(hào)處理方法。以上幾種方法在處理圖像分割問(wèn)題時(shí)均采用了有監(jiān)督的方法，而在不同的圖像中，同樣屬性的目標(biāo)區(qū)域看起來(lái)往往會(huì)有很大的不同，即使是處在同一幅圖像中也存在著這樣的差異。因此，采用有監(jiān)督方法選擇的訓(xùn)練樣本往往不能包含圖像中目標(biāo)區(qū)域的所有類屬特征。在這種情況下，無(wú)監(jiān)督的分割方法，通常又叫做聚類方法，就會(huì)更加有效。無(wú)監(jiān)督分割方法一般可以分為兩類層次聚類和劃分聚類，其中劃分聚類通過(guò)最小化特定準(zhǔn)則將數(shù)據(jù)集劃分到不同的類屬中。因此這類方法可以看作是最優(yōu)化問(wèn)題，將圖像分割問(wèn)題視為組合優(yōu)化問(wèn)題。但是已有的優(yōu)化方法對(duì)于處理優(yōu)化問(wèn)題的時(shí)候往往耗時(shí)很長(zhǎng)，并且在搜索過(guò)程中容易陷入局部最優(yōu)，同時(shí)對(duì)于復(fù)雜圖像分割問(wèn)題往往會(huì)存在邊緣定位不夠準(zhǔn)確的缺點(diǎn)，這樣勢(shì)必會(huì)影響到圖像分割的區(qū)域一致性與邊緣保持的性能。


發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于分水嶺-量子進(jìn)化聚類的圖像分割方法，以快速、有效地搜索到最優(yōu)聚類中心，準(zhǔn)確定位邊緣，提高圖像區(qū)域一致性和邊緣保持性能。
實(shí)現(xiàn)本發(fā)明的技術(shù)方案是將圖像分割問(wèn)題看作組合優(yōu)化問(wèn)題，使用分水嶺算法將圖像實(shí)行分塊處理，用量子進(jìn)化算法計(jì)算搜索，使適應(yīng)度函數(shù)最大化的序列組合作為聚類結(jié)果，進(jìn)而得到最終分割結(jié)果。具體實(shí)現(xiàn)步驟如下 (1)輸入待分割圖像，按照分水嶺算法對(duì)圖像進(jìn)行分塊處理； (2)對(duì)分塊后圖像的每個(gè)像素點(diǎn)提取離散小波能量特征，進(jìn)而求得區(qū)域塊特征，將該特征作為聚類數(shù)據(jù)集。
(3).設(shè)置抗體規(guī)模n、類別數(shù)k和停機(jī)條件，隨機(jī)產(chǎn)生初始量子染色體Q(t)作為聚類數(shù)據(jù)集的初始聚類中心，其中的αit，βit(i＝1，2…m)和所有的qjt都以等概率

初始化； (4).將初始量子染色體Q(t)觀測(cè)成為二進(jìn)制染色體p(t)； (5).計(jì)算每個(gè)觀測(cè)后的二進(jìn)制染色體p(t)與聚類數(shù)據(jù)集的親和度函數(shù)fk，保留當(dāng)前種群中的最優(yōu)個(gè)體； (6)將初始量子染色體Q(t)進(jìn)行量子變異操作，得到量子種群Qm(t) (7)將的量子種群Qm(t)進(jìn)行量子交叉操作，得到新的量子種群Qc(t)作為新的聚類中心； (8)將新的量子種群Qc(t)觀測(cè)成為二進(jìn)制染色體pc(t)，計(jì)算每個(gè)染色體與聚類數(shù)據(jù)集的適應(yīng)度函數(shù)值fc； (9)對(duì)pc(t)進(jìn)行選擇操作，得到子代染色體p(t+1)； (10)判斷子代染色體是否滿足停機(jī)條件，如果滿足該條件就將子代染色體中親和度最高的染色體對(duì)應(yīng)的圖像類屬劃分作為輸出結(jié)果，否則返回過(guò)程(4)，循環(huán)執(zhí)行過(guò)程(4)～(10)，直到滿足停止條件。
本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn) 本發(fā)明綜合了量子進(jìn)化計(jì)算與分水嶺圖像分割方法，得到了很好的分割效果。首先，量子進(jìn)化計(jì)算作為一種新興的人工智能方法，可以很好地解決這一類型的組合優(yōu)化問(wèn)題，以實(shí)現(xiàn)對(duì)圖像數(shù)據(jù)的有效類別劃分。形態(tài)學(xué)分水嶺算法充分利用了梯度操作捕獲到的邊緣信息，使得邊緣定位比較準(zhǔn)確。
1.在圖像數(shù)據(jù)聚類過(guò)程中快速且有效地搜索到最優(yōu)聚類中心，防止在進(jìn)化過(guò)程中陷入局部最優(yōu)解。
本發(fā)明由于采用了量子進(jìn)化聚類算法，在圖像分割操作中利用量子編碼的疊加性構(gòu)造的染色體，使得作用在量子編碼染色體上的操作具有高效的并行性，為防止盲目的搜索，利用當(dāng)前最優(yōu)染色體的信息來(lái)控制變異，使種群以大概率向著優(yōu)良模式進(jìn)化來(lái)加速收斂，并且有效地提高了搜索速度，使得該操作的時(shí)間復(fù)雜度降低。隨著問(wèn)題的復(fù)雜求解能力不盡人意，在各個(gè)子群體間采用量子交叉操作增強(qiáng)信息交流，在各個(gè)子群體內(nèi)部采用量子旋轉(zhuǎn)門(mén)對(duì)染色體進(jìn)行進(jìn)化，并動(dòng)態(tài)調(diào)整旋轉(zhuǎn)角度，在全局搜索的同時(shí)兼顧局部，有效防止了在進(jìn)化過(guò)程中陷入局部最優(yōu)解。
2.邊緣定位比較準(zhǔn)確 本發(fā)明由于采用了形態(tài)學(xué)分水嶺算法，在圖像分割過(guò)程中充分利用了梯度操作捕獲到的邊緣信息，使得邊緣定位比較準(zhǔn)確。
3.圖像分割效果好 本發(fā)明由于采用了分塊處理的思想以及量子編碼，量子交叉，量子變異操作和精英選擇策略操作，因而具有比現(xiàn)有技術(shù)更好的圖像分割效果。仿真實(shí)驗(yàn)表明，針對(duì)不同紋理圖像，SAR圖像，其分割結(jié)果的區(qū)域一致性，邊緣準(zhǔn)確性好，同時(shí)具有更低的分割錯(cuò)誤率。



圖1是本發(fā)明的分割流程圖； 圖2是本發(fā)明將量子染色體觀測(cè)成為二進(jìn)制染色體示意圖； 圖3是現(xiàn)有量子旋轉(zhuǎn)門(mén)的構(gòu)造示意圖； 圖4是用本發(fā)明方法對(duì)人工紋理圖像Image1的分割結(jié)果示意圖； 圖5是用本發(fā)明方法對(duì)人工紋理圖像Image2的分割結(jié)果示意圖； 圖6是用本發(fā)明方法對(duì)人工紋理圖像Image3的分割結(jié)果示意圖； 圖7是用本發(fā)明方法對(duì)Ku波段SAR圖像的分割結(jié)果示意圖； 圖8是用本發(fā)明方法對(duì)X波段SAR圖像的分割結(jié)果示意圖。

具體實(shí)施例方式 參照?qǐng)D1，本發(fā)明的分割過(guò)程如下 過(guò)程1，對(duì)待分割圖像進(jìn)行分塊處理。
1.1)輸入待分割圖像圖像，將待分割圖像簡(jiǎn)化； 簡(jiǎn)化的目的是去掉小的噪聲干擾以及對(duì)感知不重要的細(xì)節(jié)，對(duì)圖像起到平滑作用。這里選取形態(tài)學(xué)中最常用的工具之一開(kāi)形態(tài)重建濾波器。與經(jīng)典的圖像簡(jiǎn)化工具，如低通或中通濾波器相比，形態(tài)重建濾波器的優(yōu)勢(shì)在于簡(jiǎn)化圖像而不造成圖像模糊或改變圖像輪廓。
1.2)計(jì)算簡(jiǎn)化后圖像的形態(tài)梯度圖像； 形態(tài)梯度圖像反映了圖像中灰度的變化情況，在灰度值變化較大的邊緣具有較大的梯度值，而在灰度值均勻的區(qū)域內(nèi)部具有較小的梯度值。一幅圖像f的形態(tài)梯度圖像定義為膨脹變換減去腐蝕變換 grad(f)＝(f⊕b)-(fΘb) 其中，⊕表示膨脹運(yùn)算，Θ表示腐蝕運(yùn)算，b為結(jié)構(gòu)元素，結(jié)構(gòu)元素不能取太大，否則會(huì)將灰度變化劇烈的小區(qū)域?yàn)V掉。
1.3)計(jì)算形態(tài)梯度圖像的浮點(diǎn)活動(dòng)圖像； 所謂“浮點(diǎn)”是指圖像的數(shù)據(jù)類型是浮點(diǎn)型，浮點(diǎn)活動(dòng)圖像在圖像邊緣具有較高的亮度值，因此，浮點(diǎn)活動(dòng)圖像本身就比較粗糙地反映了圖像的邊緣。浮點(diǎn)活動(dòng)圖像定義為 fimg(f)＝grad(f)*grad(f)/255.0 1.4)將浮點(diǎn)活動(dòng)圖像輸入分水嶺算法產(chǎn)生過(guò)分割結(jié)果。
過(guò)程2，對(duì)分塊后圖像的每個(gè)像素點(diǎn)提取離散小波能量特征，進(jìn)而求得區(qū)域塊特征，將該特征作為聚類數(shù)據(jù)集，具體的做法如下 2.1)對(duì)原圖像提取離散小波能量的紋理特征 本發(fā)明中選用離散小波兩層變換的子帶能量f作為圖像的特征向量{f1，f2，…，f3n+1}，其中，n表示特征向量的維數(shù)，本實(shí)例選用n＝7但不限于7，該子帶能量為 其中，M×N為子帶大小，(i，j)表示該子帶系數(shù)的索引，x(i，j)表示該子帶中第i行第j列的系數(shù)值。
2.2)圖像分塊后得到很多不規(guī)則子塊，將所有不規(guī)則子塊中像素特征的均值作為該不規(guī)則塊的特征。
過(guò)程3，設(shè)置初始化參數(shù)，生成初始量子染色體。
3.1)按照量子進(jìn)化算法設(shè)置染色體規(guī)模n、類別數(shù)k，同時(shí)給定本發(fā)明方法的停機(jī)條件—最大適應(yīng)度值改變量的閾值范圍ε以及連續(xù)無(wú)法改進(jìn)次數(shù)n； 3.2)隨機(jī)產(chǎn)生初始量子染色體Q(t)作為聚類數(shù)據(jù)集的初始聚類中心。其中初始量子染色體Q(t)的產(chǎn)生，其過(guò)程是用一對(duì)復(fù)數(shù)定義一個(gè)量子比特位。一個(gè)量子比特的狀態(tài)可以取0或1，其狀態(tài)可以表示為|Ψ＞＝α|0＞+β|1＞，其中α，β為代表相應(yīng)狀態(tài)出現(xiàn)概率的兩個(gè)復(fù)數(shù)。量子比特處于狀態(tài)0和狀態(tài)1的概率分別是|α|2，|β|2，并且|αi|2+|βi|2＝1(i＝1，2，…，m)。一個(gè)具有m個(gè)量子比特位的系統(tǒng)可以描述為

這種表示方法能夠表征任意的線性疊加態(tài)。在本發(fā)明中，均以等概率

初始化，意味著所有可能的線性疊加態(tài)以相同的概率出現(xiàn)。
過(guò)程4，將初始量子染色體Q(t)觀測(cè)成為二進(jìn)制染色體p(t)。
通過(guò)觀察初始量子染色體Q(t)的狀態(tài)，產(chǎn)生一組普通二進(jìn)制解p(t)，其中在第t代中每個(gè)xjt(j＝1，2，…，n)是長(zhǎng)度為m的串(x1x2…xm)，它是由量子比特幅度

或

得到的。產(chǎn)生二進(jìn)制染色體的具體過(guò)程，見(jiàn)圖2隨機(jī)產(chǎn)生一個(gè)
數(shù)，若它大于

則相應(yīng)的二進(jìn)制位上取1，否則取0。
過(guò)程5，計(jì)算每個(gè)觀測(cè)后的二進(jìn)制染色體p(t)與聚類數(shù)據(jù)集的親和度函數(shù)fk，保留當(dāng)前群體中的個(gè)體。
個(gè)體適應(yīng)度函數(shù)定義為 其中，μij表示一個(gè)像素點(diǎn)樣本j屬于各個(gè)類別i的隸屬度，m表示模糊指數(shù)，d(i，j)表示第i個(gè)聚類中心到第j個(gè)像素樣本之間的歐幾里德距離。
過(guò)程6，將初始量子染色體Q(t)進(jìn)行量子變異操作，得到新的量子種群Qm(t)。
在本發(fā)明中，各個(gè)狀態(tài)間的轉(zhuǎn)移是通過(guò)量子門(mén)變換矩陣實(shí)現(xiàn)的，用量子旋轉(zhuǎn)門(mén)的旋轉(zhuǎn)角度表征了量子染色體中的優(yōu)化方向，進(jìn)而方便的在變異過(guò)程中加入最優(yōu)個(gè)體的信息，加快算法收斂。在0、1編碼的問(wèn)題中，設(shè)計(jì)了下面這種量子變異算子來(lái)加速進(jìn)化求優(yōu)表示量子旋轉(zhuǎn)門(mén)，旋轉(zhuǎn)變異的角度θ可由表1得到。
表1 變異角θ(二值編碼)
其中xi為當(dāng)前染色體的第i位；besti為當(dāng)前的最優(yōu)染色體的第i位；f(x)為適應(yīng)度函數(shù)，Δθi為旋轉(zhuǎn)角度的大小，控制算法收斂的速度；s(αiβi)為旋轉(zhuǎn)角度的方向，保證算法的收斂。
量子旋轉(zhuǎn)門(mén)的構(gòu)造參照?qǐng)D3直觀的說(shuō)明如當(dāng)xi＝0，besti＝1，f(x)≥f(best)時(shí)，為使當(dāng)前解收斂到一個(gè)具有更高適應(yīng)度的染色體，應(yīng)增大當(dāng)前解取0的概率，即要使|αi|2變大，如果(αi，βi)在第一、三象限，θ應(yīng)向順時(shí)針?lè)较蛐D(zhuǎn)；如果(αi，βi)在第二、四象限，θ應(yīng)向逆時(shí)針?lè)较蛐D(zhuǎn)。
過(guò)程7，將新的量子種群Qm(t)進(jìn)行量子交叉操作，得到Qc(t)，并將其作為新的聚類中心。
本發(fā)明通過(guò)使用量子的相干特性構(gòu)造一種新的交叉操作—“全干擾交叉”。量子染色體在實(shí)行在這種交叉操作之前的狀態(tài)如表2所示，該量子交叉操作采用對(duì)角線交叉的方式，讓處于對(duì)角線上的染色體經(jīng)過(guò)這種量子交叉方式之后處于同一行上面，這樣保證了種群中的所有染色體均參與交叉。實(shí)行量子交叉后各個(gè)染色體之間的狀態(tài)如表3所示。這種量子交叉可以充分利用種群中的盡可能多的染色體的信息，改進(jìn)普通交叉的局部性與片面性，在種群進(jìn)化出現(xiàn)早熟時(shí)，它能夠產(chǎn)生新的個(gè)體，給進(jìn)化過(guò)程注入新的動(dòng)力。
表2 量子交叉操作前的染色體
表3 量子交叉操作后的染色體
過(guò)程8，將新的量子種群Qc(t)觀測(cè)成為二進(jìn)制染色體pc(t)，計(jì)算每個(gè)染色體與聚類數(shù)據(jù)集的適應(yīng)度函數(shù)值fc； 過(guò)程9，對(duì)pc(t)進(jìn)行選擇操作，得到子代染色體p(t+1)。選擇操作的目的是選擇出適應(yīng)度較高的染色體，這些染色體對(duì)應(yīng)的待分割圖像的結(jié)果要好于適應(yīng)度低的染色體對(duì)應(yīng)的分割結(jié)果。本發(fā)明采用的是精英選擇策略。通常的選擇方法就是高適應(yīng)度的個(gè)體被選擇保留下的幾率會(huì)很大。采用精英選擇策略可以保證某一代的最優(yōu)解在整個(gè)進(jìn)化過(guò)程中可以毫發(fā)無(wú)損地被保留下來(lái)。具體為，即在進(jìn)化過(guò)程中，如果某一代中的最優(yōu)解的適應(yīng)度函數(shù)值優(yōu)于當(dāng)前代最優(yōu)解的適應(yīng)度函數(shù)值，則當(dāng)前代最優(yōu)解就被該最優(yōu)解所代替，以保證在進(jìn)化過(guò)程中每一代的最優(yōu)解都不會(huì)丟失。
過(guò)程10，輸出圖像類屬劃分結(jié)果的條件判斷。
按照輸出分割結(jié)果時(shí)最佳的染色體適應(yīng)度改變量至少連續(xù)迭代n次不變的原則，設(shè)置停機(jī)條件。具體為判斷第t代與t+1代最大適應(yīng)度值之差是否大于該閾值，如果最大適應(yīng)度值之差，則稱為最佳適應(yīng)度改變量1次不變。如此反復(fù)迭代，直到滿足n次不大于已設(shè)定的閾值范圍，就將該染色體中親和度最高的染色體體對(duì)應(yīng)的圖像類屬劃分作為輸出結(jié)果。否則返回步驟(4)，循環(huán)執(zhí)行步驟(4)～(10)，直到滿足輸出類屬劃分結(jié)果的條件為止。
通過(guò)上面十個(gè)步驟的操作，對(duì)于輸入的待分割圖像均可以輸出一個(gè)最佳的分割結(jié)果。
本發(fā)明的效果可以通過(guò)以下仿真進(jìn)一步說(shuō)明 1仿真內(nèi)容將本發(fā)明方法與基于遺傳算法聚類方法GAC，和基于免疫進(jìn)化聚類算法IEC以及傳統(tǒng)的K均值聚類方法KM，分別針對(duì)人工紋理圖像數(shù)據(jù)，Ku波段SAR圖像數(shù)據(jù)，X波段SAR圖像數(shù)據(jù)的分割性能進(jìn)行了比較。
2仿真參數(shù)設(shè)置本發(fā)明QWC參數(shù)設(shè)置為種群規(guī)模40個(gè)個(gè)體；現(xiàn)有的遺傳算法GA的參數(shù)設(shè)置為種群規(guī)模40個(gè)個(gè)體，交叉概率pc＝0.75，變異概率pm＝0.1；現(xiàn)有的免疫進(jìn)化算法IEA的參數(shù)設(shè)置為種群規(guī)模40個(gè)個(gè)體，疫苗長(zhǎng)度v＝10，交叉概率pc＝0.75，變異概率pm＝0.1，疫苗接種概率pv＝0.3，所有方法均以指定預(yù)先精度1e-5為閾值，連續(xù)30次最大適應(yīng)度無(wú)改進(jìn)為停機(jī)條件。
3.仿真實(shí)驗(yàn)結(jié)果 (1)人工紋理圖像分割的仿真結(jié)果 為進(jìn)一步驗(yàn)證新方法的有效性，對(duì)三幅人工紋理圖像進(jìn)行了測(cè)試。Image1是一幅256×256的灰度圖，取自Brodatz紋理圖像庫(kù)，它包含兩類紋理特征，如圖4(a)所示，圖4(b)給出了Image1的理想分割結(jié)果。Image2包含三類紋理特征，圖5(a)和圖5(b)分別代表了Image2的原始圖像和理想分割結(jié)果。Image3包含四類紋理，圖6(a)和6(b)分別代表了Image3的原始圖像和理想分割結(jié)果。針對(duì)每一個(gè)測(cè)試問(wèn)題分別進(jìn)行20次獨(dú)立實(shí)驗(yàn)，三幅人工紋理圖像分割結(jié)果的Cluster Error指標(biāo)平均結(jié)果如表4所示。圖4～圖6中的(c)～(f)分別是基于QWC，GAC，IEA和KM四種算法針對(duì)三幅紋理圖像的分割結(jié)果。
表4 QWC，GAC，IEA和KM對(duì)三幅人工紋理圖像的分割對(duì)比結(jié)果
從表4中可以看出，四種方法均可以很好地對(duì)Image1進(jìn)行分割。從Clustering Error指標(biāo)以及圖3的結(jié)果均可以看出，方法獲得結(jié)果要比其他三種方法更好。
針對(duì)Image2的分割結(jié)果，本發(fā)明的方法獲得的平均Cluster Error指標(biāo)要遠(yuǎn)小于GAC、IEA和KM方法，從圖5以及表4中可以看出，對(duì)Image2這幅圖像，采用本發(fā)明方法獲得的結(jié)果要遠(yuǎn)好于GAC和KM的結(jié)果，并且QWC方法的結(jié)果要好于IEA的結(jié)果。因此本發(fā)明針對(duì)Image2獲得了最優(yōu)結(jié)果。
針對(duì)更加復(fù)雜的紋理圖像Image3進(jìn)行分割時(shí)，從表4中可以很直觀地看出本發(fā)明方法所得到的平均Cluster Error指標(biāo)要小于其他三種方法。從圖6可以看出，采用本發(fā)明得到的分割結(jié)果圖(c)，雜點(diǎn)明顯減少，區(qū)域一致性優(yōu)于圖(d)，(e)，(f) QWC方法對(duì)于兩類紋理的分割結(jié)果要好于其他三種方法，這主要?dú)w功于采用了分水嶺算法實(shí)現(xiàn)分塊處理，以及量子進(jìn)化聚類算法更好地搜索到聚類中心，這大大提高了方法實(shí)現(xiàn)圖像分割效果的能力。
從表4及圖3～圖6對(duì)比結(jié)果可以明顯看出，對(duì)于三幅人工紋理圖像的分割結(jié)果具有更低的分割誤差率，雜點(diǎn)較少，紋理的一致性要明顯優(yōu)于其它三種方法，因此本發(fā)明方法對(duì)人工紋理圖像具有更好的分割效果。
(2)遙感圖像紋理分割的仿真結(jié)果 第一幅如圖7(a)所示，為一幅美國(guó)新墨西哥州中部Rio Grande River的Ku波段SAR圖像，圖像大小為256×256，圖7(a)顯示圖像具有三個(gè)區(qū)域，分別為河流、植被和莊稼。圖7(b)給出了7(a)采用分水嶺算法后的初始分割圖像。圖7(c)～(f)分別給出了基于QWC、GAC、IEA和KM四種方法針對(duì)圖7(a)的分割結(jié)果。圖8(a)的分割結(jié)果則分別在圖8(c)～(f)中給出。第二幅圖像是一幅256×256大小的X-SAR子圖像，其分辨率為5cm。圖8(a)顯示圖像具有四個(gè)區(qū)域，河流，城區(qū)以及兩類農(nóng)作物。圖8(b)給出了8(a)采用分水嶺算法后的初始分割圖像。圖8(c)～(f)分別給出了基于QWC、GAC、IEA和KM四種方法針對(duì)圖8(a)的分割結(jié)果。
從圖7中可以看出基于分水嶺量子進(jìn)化聚類的和IEA方法產(chǎn)生的分割結(jié)果要好于GAC和KM方法。然而，四種方法均可以對(duì)河流區(qū)域進(jìn)行很好的劃分。在區(qū)分植被和莊稼時(shí)，IEA，GAC和KM方法在分割結(jié)果的連續(xù)性與區(qū)域一致性上遠(yuǎn)遠(yuǎn)不如QWC方法。GAC和IEA以及KM方法更易于將沿著河流的莊稼和植被錯(cuò)分，同時(shí)將莊稼區(qū)域進(jìn)行了過(guò)分割。
從圖8中可以看出，四種方法均能夠?qū)波段的SAR圖像的河流，城區(qū)以及兩類農(nóng)作物四類目標(biāo)分別開(kāi)來(lái)。圖8(d)、(e)和(f)顯示GAC和IEA和KM方法將許多作物區(qū)域錯(cuò)誤分為河流。圖8(c)顯示方法可以很好地識(shí)別這些區(qū)域，該方法可以明顯地降低這種誤識(shí)別概率。同時(shí)其他三種方法對(duì)原圖像的一致性都造成了很大程度的破壞，在確定圖像分割性能兩個(gè)重要因素——圖像一致性與圖像邊緣保持，本發(fā)明方法能夠輸出更好的劃分效果。
從圖7，圖8的分割結(jié)果中可以明顯看出本發(fā)明方法對(duì)于復(fù)雜的SAR圖像，相比于其它方法具有更好的區(qū)域一致性，區(qū)域邊緣劃分準(zhǔn)確，分割效果圖中雜點(diǎn)明顯少于其它幾種方法。
權(quán)利要求
1.一種基于分水嶺-量子進(jìn)化聚類算法的圖像分割方法，包括以下過(guò)程
(1)輸入待分割圖像，按照分水嶺算法對(duì)圖像進(jìn)行分塊處理；
(2)對(duì)分塊后圖像的每個(gè)像素點(diǎn)提取離散小波能量特征，進(jìn)而求得區(qū)域塊特征，將該特征作為聚類數(shù)據(jù)集；
(3).設(shè)置抗體規(guī)模n、類別數(shù)k和停機(jī)條件，隨機(jī)產(chǎn)生初始量子染色體Q(t)作為聚類數(shù)據(jù)集的初始聚類中心，其中的αit，βit(i＝1，2…m)和所有的qjt都以等概率
初始化；
(4).將初始量子染色體Q(t)觀測(cè)成為二進(jìn)制染色體p(t)；
(5).計(jì)算每個(gè)觀測(cè)后的二進(jìn)制染色體p(t)與聚類數(shù)據(jù)集的親和度函數(shù)fk，保留當(dāng)前種群中的最優(yōu)個(gè)體；
(6)將初始量子染色體Q(t)進(jìn)行量子變異操作，得到量子種群Qm(t)；
(7)將的量子種群Qm(t)進(jìn)行量子交叉操作，得到新的量子種群Qc(t)作為新的聚類中心；
(8)將新的量子種群Qc(t)觀測(cè)成為二進(jìn)制染色體pc(t)，計(jì)算每個(gè)染色體與聚類數(shù)據(jù)集的適應(yīng)度函數(shù)值fc；
(9)對(duì)pc(t)進(jìn)行選擇操作，得到子代染色體p(t+1)；
(10)判斷子代染色體是否滿足停機(jī)條件，如果滿足該條件就將子代染色體中親和度最高的染色體對(duì)應(yīng)的圖像類屬劃分作為輸出結(jié)果，否則返回過(guò)程(4)，循環(huán)執(zhí)行過(guò)程(4)～(10)，直到滿足停止條件。
2.根據(jù)權(quán)利要求1所述的圖像分割方法，其中過(guò)程(1)所說(shuō)的按照分水嶺算法對(duì)待分割圖像進(jìn)行分塊處理，具體過(guò)程如下
2a)將待分割圖像簡(jiǎn)化；
2b)計(jì)算簡(jiǎn)化后圖像的形態(tài)梯度圖像；
2c)計(jì)算梯度圖像的浮點(diǎn)活動(dòng)圖像；
2d)將浮點(diǎn)活動(dòng)圖像輸入分水嶺算法產(chǎn)生過(guò)分割結(jié)果。
3.根據(jù)權(quán)利要求1所述的圖像分割方法，其中過(guò)程(2)所說(shuō)的求得區(qū)域塊特征，是先求得待分割圖像的離散小波能量的紋理特征，然后將圖像分塊后所得到的所有不規(guī)則塊的紋理特征的均值作為該不規(guī)則塊的特征。
4.根據(jù)權(quán)利要求1所述的圖像分割方法，其中過(guò)程(3)所說(shuō)的隨機(jī)產(chǎn)生初始量子染色體Q(t)作為聚類數(shù)據(jù)集的初始聚類中心，其過(guò)程是用一對(duì)復(fù)數(shù)定義一個(gè)量子比特位，該量子比特位的狀態(tài)取0或1，其狀態(tài)表示為|Ψ>＝α|0>+β|1>，其中α，β為代表相應(yīng)狀態(tài)出現(xiàn)概率的兩個(gè)復(fù)數(shù)，量子比特處于狀態(tài)0和狀態(tài)1的概率分別是|α|2，|β|2，并且|αi|2+|βi|2＝1(i＝1，2，…，m)。
5.根據(jù)權(quán)利要求1所述的圖像分割方法，其中過(guò)程(6)所說(shuō)的將初始量子染色體Q(t)進(jìn)行變異操作，是通過(guò)量子門(mén)變換矩陣實(shí)現(xiàn)量子染色體各個(gè)狀態(tài)間的轉(zhuǎn)移。
6.根據(jù)權(quán)利要求1所述的圖像分割方法，其中過(guò)程(7)所涉及的量子染色體Qm(t)進(jìn)行量子交叉操作，是通過(guò)使用量子的相干特性構(gòu)造全干擾交叉操作，該操作采用對(duì)角線交叉的方式，使得種群中的所有染色體均參與交叉。
7.根據(jù)權(quán)利要求1所述的圖像分割方法，其中過(guò)程(9)所說(shuō)的將對(duì)pc(t)進(jìn)行選擇操作，采是用精英選擇策略，即在進(jìn)化過(guò)程中，如果某一代中的最優(yōu)解的適應(yīng)度函數(shù)值優(yōu)于當(dāng)前代最優(yōu)解的適應(yīng)度函數(shù)值，則當(dāng)前代最優(yōu)解就被該最優(yōu)解所代替，以保證在進(jìn)化過(guò)程中每一代的最優(yōu)解都不會(huì)丟失。
8根據(jù)權(quán)利要求1所述的圖像分割方法，其中過(guò)程(3)所說(shuō)的設(shè)置停機(jī)條件，是通過(guò)兩個(gè)參數(shù)共同控制的，一個(gè)是第t代與t+1代染色體中最大適應(yīng)度值改變量的閾值范圍ε，另外一個(gè)是第t代與t+1代染色體中最大適應(yīng)度值連續(xù)無(wú)改進(jìn)的次數(shù)n。
9根據(jù)權(quán)利要求1所述的圖像分割方法，其中過(guò)程(10)所說(shuō)的判斷子代染色體p(t+1)是否停機(jī)條件，是判斷第t代與t+1代染色體中最大適應(yīng)度值之差是否大于已設(shè)定的閾值范圍ε，如果不大于已設(shè)定的閾值范圍，就稱為最佳適應(yīng)度改變量1次不變；如此反復(fù)迭代，直到滿足n次不大于已設(shè)定的閾值范圍，就將該染色體中親和度最高的染色體體對(duì)應(yīng)的圖像類屬劃分作為輸出結(jié)果。
全文摘要
本發(fā)明公開(kāi)一種基于分水嶺-量子進(jìn)化聚類算法的圖像分割方法。其過(guò)程為(1)分塊處理輸入的待分割圖像，求其區(qū)域塊特征作為聚類數(shù)據(jù)集(2)設(shè)置種群規(guī)模、類別數(shù)k及停機(jī)條件，隨機(jī)產(chǎn)生初始量子染色體Q(t)作為初始聚類中心；(3)將Q(t)觀測(cè)成為二進(jìn)制染色體p(t)，計(jì)算每個(gè)染色體的適應(yīng)度函數(shù)值fk，保留當(dāng)前群體中的個(gè)體；(4)對(duì)Q(t)進(jìn)行變異操作得到Qm(t)；(5)量子交叉Qm(t)得到Qc(t)；(6)將Qc(t)觀測(cè)成為二進(jìn)制染色體pc(t)，計(jì)算每個(gè)染色體的適應(yīng)度函數(shù)值fc；(7)選擇操作pc(t)，得到子代染色體；(8)判斷子代染色體的停機(jī)條件，若滿足就將子代染色體中親和度最高的染色體對(duì)應(yīng)的圖像類屬劃分作為輸出結(jié)果，否則返回過(guò)程(3)。本發(fā)明具有區(qū)域一致性好，邊緣保持準(zhǔn)確的優(yōu)點(diǎn)，可用于圖像處理領(lǐng)域中的目標(biāo)識(shí)別。
文檔編號(hào)G06T5/00GK101625755SQ20091002351
公開(kāi)日2010年1月13日 申請(qǐng)日期2009年8月6日 優(yōu)先權(quán)日2009年8月6日
發(fā)明者李陽(yáng)陽(yáng), 石洪竺, 焦李成, 芳 劉, 馬文萍, 尚榮華, 公茂果, 吳建設(shè) 申請(qǐng)人:西安電子科技大學(xué)