基于免疫克隆選擇優(yōu)化和譜聚類的復雜圖像分割.pdf

1、近年來，數(shù)字圖像處理已成為信息科學、計算機科學、生物醫(yī)學、軍事學甚至社會科學等領域中各學科競相學習和研究的對象。圖像分割則是數(shù)字圖像處理和計算機視覺領域的關鍵技術和經(jīng)典難題，其質量決定了更高層的圖像分析和理解的效果。圖像分割問題可以建模為不同的數(shù)學模型，借由不同的優(yōu)化方法求解。免疫克隆選擇優(yōu)化是最近人工智能研究者研究的新熱點和新領域，其借鑒了生物免疫系統(tǒng)內部蘊含豐富的信息處理機理和功能，所以可以提供新穎的解決圖像分割問題的方法和途徑。另

2、外，譜聚類算法目前在模式識別領域得到了重視，與傳統(tǒng)的聚類算法相比，可以應用于非凸且交疊嚴重的數(shù)據(jù)集上，而且不會陷入局部最優(yōu)。但是將其應用于圖像分割領域仍然存在不少困難。針對目前圖像分割技術普遍存在的若干問題，提出了多種新穎有效的算法和實現(xiàn)策略。本論文的主要工作概括如下：
　　1.很多基于聚類的圖像分割算法面對大尺寸圖像以及其特征空間內含有大量的噪聲和異常點時，往往會影響分割的效率和質量。于是，根據(jù)免疫克隆選擇理論，提出了一個混合免

3、疫克隆k-medoids聚類算法，并將其應用于圖像分割中。該算法有以下幾個特點：首先，使用TurboPixels超像素算法將待分割圖像進行過分割，其目的是降低空間和時間復雜度；其次，設計了一個合適的變異策略并結合一個新穎的局部啟發(fā)式搜索算子，新算法可以較快較好的得到全局最優(yōu)解；最后，被優(yōu)化求解的對象是k-medoids聚類問題，因為它對噪聲和異常點不敏感。在實驗部分，選取多個人工數(shù)據(jù)集和多幅典型圖像，并對比經(jīng)典的 k-means算法、R

4、ARWGA算法以及GCA算法，新算法都顯示出較優(yōu)的性能。
　　2.聚類算法在對圖像進行分割過程中，通常要面對如何自動確定聚類類別數(shù)、如何克服圖像特征點分布復雜的流形結構、如何減少算法運行的時間。針對上述迫切需要解決的問題，提出了兩個流形距離的自動免疫克隆聚類圖像分割算法。這兩種算法的優(yōu)點是：第一，可以自動確定聚類個數(shù)，不需要人為事先給定；第二，使用流形距離可以反映空間分布復雜的流形數(shù)據(jù)；第三，使用SLIC超像素而非像素來降低圖像的

5、分割時間。通過對多組人工數(shù)據(jù)集和復雜自然圖像進行測試，并對比著名的k-means算法和GCUK算法，結果表明這兩種流形距離的自動免疫克隆聚類圖像分割算法優(yōu)勢比較明顯，具有一定的實用性和先進性。
　　3.彩色圖像分割可以看成是對像素點在顏色特征空間的分類問題。所以彩色圖像分割方法有兩大關鍵技術需要解決：第一是如何選取合適的顏色特征空間；第二是如何選取合適的像素點分類器。論文中提出了一個基于克隆選擇和多重空間構造的彩色圖像分割算法，該

6、方法首先將一些經(jīng)典的顏色分量分為亮度成分、單頻光譜成分、雙頻光譜成分、多頻光譜成分，利用主分量分析(PCA)技術分別對這四組分量進行計算，得到最具有識別能力的顏色分量來構造多重顏色空間；然后，對待分割彩色圖像選取訓練樣本，使用克隆選擇算法對每類訓練樣本進行訓練，獲得全局最佳的聚類中心；最后，使用這些聚類中心對整幅彩色圖像進行分割。由于該方法結合了克隆選擇算法的非線性分類能力，通過對彩色圖像自適應的構造最佳多重顏色空間，能夠快速有效的得到

7、分割結果，克服了傳統(tǒng)分割方法的缺點。通過實驗表明，新方法對彩色圖像同質區(qū)的分割均勻，邊緣保持度好。此外，新方法對彩色圖像的亮度和紋理變化不敏感，魯棒性較強。
　　4.使用譜聚類算法對SAR圖像進行分割，存在幾個需要解決的問題：使用Nystr(o)m逼近的譜聚類算法雖然可以降低計算復雜度，但分割結果會受到隨機采樣的影響；譜聚類算法對核函數(shù)的尺度參數(shù)比較敏感；空間信息的權重如何選擇。據(jù)此，提出了一個基于非負矩陣分解的譜聚類集成SAR圖