專利名稱：：一種遺傳模糊聚類圖像分割方法
技術領域：
：本發明屬于圖像處理及應用領域，具體涉及一種遺傳模糊聚類圖像分割方法。該方法能有效抑制噪聲，并能提高噪聲干擾較為嚴重時的圖像分割精度，防止聚類中心過于接近而導致的誤分割。
背景技術：
：模糊C均值算法(FuzzyC-Means，FCM)是一種具有模糊決策能力的聚類算法，它對模糊邊界區域的分割非常有效，近年來在圖像處理領域應用廣泛。FCM算法易收斂于局部極值，針對這一問題，Bezdek等提出了一種利用遺傳算法優化FCM以保證得到全局最優角率的方法(BezdekJ.C.，Optimizationoffuzzyclusteringcriteriausinggeneticalgorithms,IEEETransactiononEvolutionaryComputation,2，1994:589-594)。該方法利用選擇、交叉和變異等遺傳操作，獲得新一代種群的聚類中心。FCM作為一種分割算法，其本身不包含空間信息導致算法易于受到空間噪聲的干擾。針對這個問題，許多研究者對FCM做出了改進并將空間信息融入分割之中實現抗噪。Cai等(CaiW.，ChenS.，Fastandrobustfuzzyc-meansclusteringalgorithmsincorporatinglocalinformationforimagesegmentation.PatternRecognition,40,2007:825-838)提出了FastandGeneralFuzzyC-Meansalgorithm(FGFCM)，利用抗噪預處理降低了噪聲對FCM算法的干擾。然而，在噪聲干擾較為嚴重時仍然不能達到令人滿意的抗噪效果。Yang等(YangA.，XhouY.，LiX.，TangM.，Aregion-basedimagesegmentationmethodwithkernelFCM.FuzzyInformationandEngineering,ASC40,2007:902-910)利用核函數的非線性變換性質，將圖像特征映射至一特征空間以綜合利用各種信息以抑制噪聲。Wang等(WangJ.，KongJ.，LuY.，QiM.，ZhangB.，AmodifiedFCMalgorithmforMRIbrainimagesegmentationusingbothlocalandnon_localspatialconstraints.ComputerizedMedicalImagingandGraphics,32，2008:685-698)在利用鄰域信息抗噪的基礎上結合鄰域與非鄰域信息實現噪聲抑制。噪聲干擾不僅會使分割結果產生雜點而影響分割的精確性，還會干擾算法對聚類中心的選擇。針對該問題，Krishnapuram等(KirshnapuramR.A.，Possibilisticapproachtoclustering.IEEETransactionsonFuzzySystems,1，1993:98-100)提出了可能性聚類算法(PossiblisticClusteringMethod,PCM)，PCM去除了FCM中單個像素針對各個聚類中心隸屬度之和必須為1的約束條件，允許某些像素相對于各個聚類中心都具有較小的隸屬度，使其不影響聚類中心計算，但是PCM難于單獨應用于圖像分割中。
發明內容本發明的目的在于提供一種遺傳模糊聚類圖像分割方法，該方法能夠有效抑制圖像噪聲，有效分割噪聲干擾程度較為嚴重的圖像，并能防止聚類中心過于接近而導致的誤分割。4本發明提供的遺傳模糊聚類圖像分割方法，其特征在于該方法包括下述步驟第1步對原始圖像進行抗噪預處理，其過程為(1.1)計算原始圖像上每個像素與其鄰域中各像素的相似度；設&為原始圖像上任一像素i的鄰域，i表示原始圖像上像素的編號，設j為&中像素的編號，i、j均為正整數；定義圖像中第i個像素相對其鄰域&中的像素j的相似度為<formula>formulaseeoriginaldocumentpage5</formula>其中，sg為灰度相似度函數，&為鄰域相似度函數，其定義分別為<formula>formulaseeoriginaldocumentpage5</formula>其中<formula>formulaseeoriginaldocumentpage5</formula>Xi、Xj分別為第i個和第j個像素的灰度值；^《為第i個像素的鄰域&中像素的個數，P為相似度下限參數，P>0，A為相似度衰減參數，A>0;<formula>formulaseeoriginaldocumentpage5</formula>其中，Pi和Qi為第i個像素的橫坐標與縱坐標；Pj和qj為第i個像素鄰域&中的像素j的橫坐標與縱坐標；L為空間控制參數，L>0;(1.2)根據每個像素與鄰域中像素的相似度的值，計算抗噪后的新圖像中第i個像素抗噪后的灰度值^，獲得抗噪后的新圖像；<formula>formulaseeoriginaldocumentpage5</formula>第2步利用遺傳模糊聚類算法，獲得抗噪后的新圖像的初步最優的聚類中心，其(2.1)初始化第一代種群；由用戶設定種群大小，記為Q;聚類中心個數即用戶原始圖像分割目標的個數，記為N。，Q和N。均為整數，隨機賦給種群中每個個體N。個聚類中心初始值；(2.2)計算第一代種群中每個個體的適應度函數值F，<formula>formulaseeoriginaldocumentpage5</formula>其中，a禾P|3均為調節參數，a>0，|3>0，JP(x，c)為帶聚類中心間距懲罰的目標函數，x表示圖像陣列，c表示聚類中心向量，Jp(x，c)表達式為，Jp(x，c)=P(c)XJ(x，c)<formula>formulaseeoriginaldocumentpage6</formula><formula>formulaseeoriginaldocumentpage6</formula>1其它其中，n為原始圖像的像素總個數，k為正整數，表示聚類中心的序號，Vk2為正整數，用以表示不同聚類中心的序號，ck為第k個聚類中心的值，uik為第i個像素相對于第k個聚類中心的隸屬度，m表示遺傳模糊聚類算法的模糊程度，m取值大于l，MinD為各聚類中心距離的最小值的預測值，此值小于區域間灰度差的估計值，w為懲罰力度，<formula>formulaseeoriginaldocumentpage6</formula><formula>formulaseeoriginaldocumentpage6</formula>t為正整數，表示聚類中心的序號；^w與力，，為遺傳模糊聚類算法上代種群所有個體中的最大目標函數值與最小目標函數值；第一代種群不進行懲罰操作，即在第一代種群的計算中，w二O;(2.3)利用遺傳操作獲得下一代種群；(2.4)利用步驟(2.2)的方法計算當代種群中每個個體的適應度函數值；(2.5)判斷種群是否穩定，如果是，進入步驟(2.6)，否則重復步驟(2.3)和(2.4)，直至獲得穩定的種群；(2.6)獲取種群中的最優個體作為初步最優聚類中心；第3步根據直方圖修正第2步獲得的初步最優聚類中心，并獲取分割結果，其過程為(3.1)統計抗噪后的新圖像的灰度值分布，獲得抗噪后的新圖像的灰度直方圖；在第2步獲得的初步最優聚類中心的MinD/2鄰域內搜索直方圖最大峰值，并以此作為修正后的最優聚類中心；(3.2)計算抗噪后的新圖像中每個像素對各個聚類中心的隸屬度，像素被判定屬于隸屬度最大的類別，獲得最終的分割結果。本發明針對模糊C均值算法對噪聲敏感、易因噪聲影響而產生過于接近的聚類中心問題，提出了一種遺傳模糊聚類圖像分割方法。該分割方法首先利用灰度和鄰域信息，對原始圖像進行抗噪預處理；然后利用遺傳模糊聚類算法獲取初步最優的聚類中心；最后，根據獲得的初步最優聚類中心，利用抗噪后的新圖像的直方圖進行聚類中心修正，并計算圖像中每個像素的隸屬度，獲得分割結果。該方法在抗噪預處理中，采用改進了的灰度相似度函數，保證了在強度較大的噪聲下的抗噪效果；在遺傳模糊聚類算法中，加入聚類中心間圖1為本發明遺傳模糊聚類圖像分割方法的流程圖；圖2為本發明遺傳模糊聚類方法獲取初步最優聚類中心的流程圖；圖3為本發明灰度相似度函數參數P不同取值的函數曲線；圖4為本發明灰度相似度函數參數A不同取值的函數曲線；圖5為本發明空間相似度函數參數L不同取值的函數曲線；圖6為本發明實施人工模擬圖像分割結果圖，其中，(6a)為原始圖像，(6b)為分割結果。具體實施例方式下面結合附圖和實例對本發明的技術方案作進一步的詳細說明。如圖1所示，本發明方法包括以下步驟(1)對原始圖像進行抗噪預處理。其過程為(1.1)計算原始圖像上每個像素與其鄰域中各像素的相似度。設&為原始圖像上任一像素i的鄰域，i表示原始圖像上像素的編號，鄰域的范圍由用戶任意設定，設j為&中像素的編號，i、j均為正整數；定義圖像中第i個像素相對其鄰域&中的像素j的相似度為"乂0z"其中，Sg為灰度相似度函數，^為鄰域相似度函數，其定義分別如式(2)和式(3)所示；2AT(x,.,x乂.)—2S=exp(2)(2)其中，^,，x》=exP(—"-y2)，<J(:)；w分別為第1個和Act,第j個像素的灰度值；^《.為第i個像素的鄰域&中像素的個數；P為相似度下限參數，P>0，該參數決定灰度相似度最小值，將灰度相似度函數的取值范園壓縮至(e—，其取值由噪聲的強度決定，P越大，平滑效果越好，P越小，對邊界的保護效果越好，圖3為取不同值時灰度相似度函數的函數曲線，其中，A=l，o=40，從圖中可以看出，在噪聲污染下使用較大的P可以獲得較好的平滑效果；入為相似度衰減參數，A控制Sg隨灰度差變化而變化的速度，A>0，A越小，Sg對灰度變化越敏感，圖4為A取不同值時灰度相似度函數的函數曲線，其中，P=0.8，o=40，從圖中可以看出，在A較小時，灰度相似度函數值隨灰度距離增加而迅速下降，體現出較高的靈敏度。<formula>formulaseeoriginaldocumentpage8</formula>其中，Pi和Qi為第i個像素的橫坐標與縱坐標，Pj和qj為第i個像素鄰域&中的像素j的橫坐標與縱坐標；L為空間控制參數，L>0，圖5為L取不同值時鄰域相似度函數的函數曲線，L較小時，鄰域相似度函數將突出中心像素而相對忽略鄰域像素，當L較大時，鄰域相似度函數在各個像素的權重趨于相同。(1.2)根據每個像素與鄰域中像素的相似度的值，計算獲得抗噪后的新圖像。<formula>formulaseeoriginaldocumentpage8</formula>其中，代表新圖像中第i個像素抗噪后的灰度值。(2)利用遺傳模糊聚類算法，獲得抗噪后的新圖像的初步最優的聚類中心。如圖2所示，步驟(2)的具體過程為(2.1)初始化第一代種群。由用戶設定種群大小，記為Q;聚類中心個數即用戶原始圖像分割目標的個數，記為N。，Q和N。均為整數。隨機賦給種群中每個個體N。個聚類中心初始值。(2.2)計算第一代種群中每個個體的適應度函數值。(a)利用FCM算法采用目標函數來判斷分類效果。目標函數J(x，c)為J(X，C)=2^dcJ2(5)'■=1"l其中，n為原始圖像的像素總個數，k為正整數，表示聚類中心的序號，ck為第k個聚類中心的值，uik為第i個像素相對于第k個聚類中心的隸屬度，參數m表示FCM的模糊程度，取值大于l。隸屬度計算公式為<formula>formulaseeoriginaldocumentpage8</formula>(6)T為正整數，表示公式分母中的聚類中心序號，c,為第T個聚類中心的值c(b)在FCM算法中加入聚類中心間距懲罰項P(c)，目標函數J變為JP:Jp(x，c)=P(c)XJ(x，c)(7)其中，P(c)為懲罰項，定義為<formula>formulaseeoriginaldocumentpage8</formula>式(8)中，MinD為各聚類中心距離的最小值的預測值，此值小于區域間灰度差的估計值，、、k2為正整數，分別表示不同聚類中心的序號，w為懲罰力度，由下式確定w=_￡2￡L_(l_eXp(min{4,"2}_M>iD))(9)式(9)中，^;與Jp^為遺傳模糊聚類算法上代種群所有個體中的最大目標函數值與最小目標函數值，第一代種群不進行懲罰操作，即w二O。在P(c)影響下，間距小于MinD的聚類中心組合更易于在進化中被淘汰；在聚類中心間距符合要求時，P(c)則不會對進化過程造成影響。(c)遺傳模糊聚類算法的適應度函數定義為''—(10)〃+々(x,c)其中，Jp為如式(7)所示的帶聚類中心間距懲罰的目標函數，a和|3為調節參數，a>0，P>0。(d)利用公式(10)計算當代種群中每個個體的適應度函數F的值。(2.3)利用遺傳操作獲得下一代種群。利用選擇、交叉和變異等遺傳操作，獲得新一代種群的聚類中心。選擇過程中，復制上一代初步最優個體D次直接遺傳進入下一代，D為正整數。其中，適應度函數值越大，認為該個體越優；適應度函數值最大的個體被認為初步最優個體。(2.4)計算當代種群中每個個體的適應度函數值。其計算方法與步驟(2.2)相同。(2.5)判斷種群的穩定性。可以采用判斷遺傳過程中初步最優個體是否連續M次不發生變化，或已達到最大的進化代數T，M和T均為正整數，可由用戶自行設定。若未達到穩定狀態，則重復步驟(2.3)和(2.4)，直至獲得穩定的種群。(2.6)獲取種群中的最優個體作為初步最優聚類中心。從步驟(2.5)中獲得的穩定種群中，選出最優個體作為初步最優的聚類中心，該聚類中心作為直方圖修正的依據。(3)聚類中心的直方圖修正并獲取分割結果。(3.1)統計抗噪后的新圖像的灰度值分布，獲得抗噪后的新圖像的灰度直方圖；在步驟(2)獲得的初步最優聚類中心的MinD/2鄰域內搜索直方圖最大峰值，并以此作為修正后的最優聚類中心。(3.2)利用公式(6)計算抗噪后的新圖像中每個像素對各個聚類中心的隸屬度，像素被判定屬于隸屬度最大的類別，從而獲得最終的分割結果。分割結果如圖6所示。其中，(6a)為原始圖像，(6b)為分割結果。本發明提出的一種遺傳模糊聚類圖像分割方法涉及到若干參數，這些參數需針對具體的處理數據進行調節以達到良好的性能。此處列出本發明實例中處理數據設定的參實例采用人工模擬圖像，圖像大小為300X300，加入均值為0、方差為0.005的高斯噪聲°步驟(1.1)中，A=3，L=5，ii=0.7，鄰域R取3X3的矩形窗；步驟(2.1)中，種群大小Q=20，Nc=4;步驟(2.2)中，m=2，MinD=20，a=1000000，P=4000;步驟(2.3)中，D二l，交叉比例為50%，變異比例為5%;步驟(2.5)中，M=3，T=30。以上所述為本發明的較佳實施例而已，但本發明不應該局限于該實施例和附圖所公開的內容。所以，凡是不脫離本發明所公開的精神下完成的等效或修改，都落入本發明保護的范圍。權利要求一種遺傳模糊聚類圖像分割方法，其特征在于該方法包括下述步驟第1步對原始圖像進行抗噪預處理，其過程為(1.1)計算原始圖像上每個像素與其鄰域中各像素的相似度設Ri為原始圖像上任一像素i的鄰域，i表示原始圖像上像素的編號，設j為Ri中像素的編號，i、j均為正整數；定義圖像中第i個像素相對其鄰域Ri中的像素j的相似度Sij為<mrow><msub><mi>S</mi><mi>ij</mi></msub><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>S</mi><mi>g</mi></msub><mo>×</mo><msub><mi>S</mi><mi>l</mi></msub></mtd><mtd><mi>i</mi><mo>≠</mo><mi>j</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mi>i</mi><mo>=</mo><mi>j</mi></mtd></mtr></mtable></mfenced></mrow>其中，Sg為灰度相似度函數，Sl為鄰域相似度函數，其定義分別為<mrow><msub><mi>S</mi><mi>g</mi></msub><mo>=</mo><mi>exp</mi><mrow><mo>(</mo><mfrac><mrow><mn>2</mn><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>-</mo><mn>2</mn></mrow><msup><mi>μ</mi><mn>2</mn></msup></mfrac><mo>)</mo></mrow></mrow>其中，<mrow><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>=</mo><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><msup><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>-</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mn>2</mn></msup><mrow><mi>λ</mi><msubsup><mi>σ</mi><mi>i</mi><mn>2</mn></msubsup></mrow></mfrac><mo>)</mo></mrow><mo>,</mo></mrow><mrow><msubsup><mi>σ</mi><mi>i</mi><mn>2</mn></msubsup><mo>=</mo><mfrac><mrow><munder><mi>Σ</mi><mrow><mi>j</mi><mo>∈</mo><msub><mi>R</mi><mi>i</mi></msub></mrow></munder><msup><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>-</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mn>2</mn></msup></mrow><msub><mi>N</mi><msub><mi>R</mi><mi>i</mi></msub></msub></mfrac><mo>;</mo></mrow>xi、xj分別為第i個和第j個像素的灰度值；為第i個像素的鄰域Ri中像素的個數，μ為相似度下限參數，μ＞0，λ為相似度衰減參數，λ＞0；<mrow><msub><mi>S</mi><mi>l</mi></msub><mo>=</mo><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><mrow><mi>max</mi><mrow><mo>(</mo><mo>|</mo><msub><mi>p</mi><mi>j</mi></msub><mo>-</mo><msub><mi>p</mi><mi>i</mi></msub><mo>|</mo><mo>,</mo><mo>|</mo><msub><mi>q</mi><mi>j</mi></msub><mo>-</mo><msub><mi>q</mi><mi>i</mi></msub><mo>|</mo><mo>)</mo></mrow></mrow><mi>L</mi></mfrac><mo>)</mo></mrow></mrow>其中，pi和qi為第i個像素的橫坐標與縱坐標；pj和qj為第i個像素鄰域Ri中的像素j的橫坐標與縱坐標；L為空間控制參數，L＞0；(1.2)根據每個像素與鄰域中像素的相似度Sij的值，計算抗噪后的新圖像中第i個像素抗噪后的灰度值ψi，獲得抗噪后的新圖像；<mrow><msub><mi>ψ</mi><mi>i</mi></msub><mo>=</mo><mfrac><mrow><munder><mi>Σ</mi><mrow><mi>j</mi><mo>∈</mo><msub><mi>R</mi><mi>i</mi></msub></mrow></munder><msub><mi>S</mi><mi>ij</mi></msub><msub><mi>x</mi><mi>j</mi></msub></mrow><mrow><munder><mi>Σ</mi><mrow><mi>j</mi><mo>∈</mo><msub><mi>R</mi><mi>i</mi></msub></mrow></munder><msub><mi>S</mi><mi>ij</mi></msub></mrow></mfrac></mrow>第2步利用遺傳模糊聚類算法，獲得抗噪后的新圖像的初步最優的聚類中心，其過程為(2.1)初始化第一代種群由用戶設定種群大小，記為Q；聚類中心個數即用戶原始圖像分割目標的個數，記為Nc，Q和Nc均為整數，隨機賦給種群中每個個體Nc個聚類中心初始值；(2.2)計算第一代種群中每個個體的適應度函數值F，<mrow><mi>F</mi><mo>=</mo><mfrac><mi>α</mi><mrow><mi>β</mi><mo>+</mo><msub><mi>J</mi><mi>P</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>c</mi><mo>)</mo></mrow></mrow></mfrac></mrow>其中，α和β均為調節參數，α＞0，β＞0，JP(x，c)為帶聚類中心間距懲罰的目標函數，x表示圖像陣列，c表示聚類中心向量，JP(x，c)表達式為，JP(x，c)＝P(c)×J(x，c)<mrow><mi>J</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>c</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>N</mi><mi>c</mi></msub></munderover><msup><msub><mi>u</mi><mi>ik</mi></msub><mi>m</mi></msup><msup><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>-</mo><msub><mi>c</mi><mi>k</mi></msub><mo>)</mo></mrow><mn>2</mn></msup></mrow>其中，n為原始圖像的像素總個數，k為正整數，表示聚類中心的序號，k1、k2為正整數，用以表示不同聚類中心的序號，ck為第k個聚類中心的值，uik為第i個像素相對于第k個聚類中心的隸屬度，m表示遺傳模糊聚類算法的模糊程度，m取值大于1，MinD為各聚類中心距離的最小值的預測值，此值小于區域間灰度差的估計值，w為懲罰力度，<mrow><msub><mi>u</mi><mi>ik</mi></msub><mo>=</mo><mfrac><msup><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>-</mo><msub><mi>c</mi><mi>k</mi></msub><mo>)</mo></mrow><mfrac><mrow><mo>-</mo><mn>2</mn></mrow><mrow><mi>m</mi><mo>-</mo><mn>1</mn></mrow></mfrac></msup><mrow><munderover><mi>Σ</mi><mrow><mi>τ</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>N</mi><mi>c</mi></msub></munderover><msup><mrow><mo>[</mo><msup><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>-</mo><msub><mi>c</mi><mi>τ</mi></msub><mo>)</mo></mrow><mn>2</mn></msup><mo>]</mo></mrow><mfrac><mrow><mo>-</mo><mn>1</mn></mrow><mrow><mi>m</mi><mo>-</mo><mn>1</mn></mrow></mfrac></msup></mrow></mfrac></mrow><mrow><mi>w</mi><mo>=</mo><mfrac><msub><mi>J</mi><msub><mi>p</mi><mi>max</mi></msub></msub><msub><mi>J</mi><msub><mi>p</mi><mi>min</mi></msub></msub></mfrac><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>exp</mi><mrow><mo>(</mo><munder><munder><mrow><munder><mi>min</mi><mrow><mn>1</mn><mo>≤</mo><msub><mi>k</mi><mn>1</mn></msub><mo>≤</mo><msub><mi>N</mi><mi>c</mi></msub></mrow></munder><mo>{</mo><mo>|</mo><msub><mi>c</mi><msub><mi>k</mi><mn>1</mn></msub></msub><mo>-</mo><msub><mi>c</mi><msub><mi>k</mi><mn>2</mn></msub></msub><mo>|</mo><mo>}</mo><mo>-</mo><mi>MinD</mi></mrow><mrow><mn>1</mn><mo>≤</mo><msub><mi>k</mi><mn>2</mn></msub><mo>≤</mo><msub><mi>N</mi><mi>c</mi></msub></mrow></munder><mrow><msub><mi>k</mi><mn>1</mn></msub><mo>≠</mo><msub><mi>k</mi><mn>2</mn></msub></mrow></munder><mo>)</mo></mrow><mo>)</mo></mrow></mrow>τ為正整數，表示聚類中心的序號；Jpmax與Jpmin為遺傳模糊聚類算法上代種群所有個體中的最大目標函數值與最小目標函數值；第一代種群不進行懲罰操作，即在第一代種群的計算中，w＝0；(2.3)利用遺傳操作獲得下一代種群；(2.4)利用步驟(2.2)的方法計算當代種群中每個個體的適應度函數值；(2.5)判斷種群是否穩定，如果是，進入步驟(2.6)，否則重復步驟(2.3)和(2.4)，直至獲得穩定的種群；(2.6)獲取種群中的最優個體作為初步最優聚類中心；第3步根據直方圖修正第2步獲得的初步最優聚類中心，并獲取分割結果，其過程為(3.1)統計抗噪后的新圖像的灰度值分布，獲得抗噪后的新圖像的灰度直方圖；在第2步獲得的初步最優聚類中心的MinD/2鄰域內搜索直方圖最大峰值，并以此作為修正后的最優聚類中心；(3.2)計算抗噪后的新圖像中每個像素對各個聚類中心的隸屬度，像素被判定屬于隸屬度最大的類別，獲得最終的分割結果。F2009102735177C00015.tif,F2009102735177C00023.tif全文摘要本發明公開了一種遺傳模糊聚類圖像分割方法。該方法針對模糊C均值算法對噪聲敏感、易因噪聲影響而產生過于接近的聚類中心問題，提出了一種基于遺傳算法的模糊聚類圖像分割方法。該分割方法首先利用灰度和鄰域信息，對原始圖像進行抗噪預處理；然后利用遺傳模糊聚類算法獲取初步最優的聚類中心；最后，根據獲得的初步最優聚類中心，利用抗噪后圖像的直方圖修正聚類中心，計算圖像中每個像素的隸屬度，獲得分割結果。該方法在抗噪預處理中，采用改進了的灰度相似度函數，保證了在強度較大噪聲下的抗噪效果；在遺傳模糊聚類算法中，加入聚類中心間距懲罰措施，能有效分割噪聲干擾嚴重且待分割目標較小的圖像，獲取正確的聚類中心，得到精確分割結果。文檔編號G06T7/00GK101719277SQ20091027351公開日2010年6月2日申請日期2009年12月31日優先權日2009年12月31日發明者于龍,劉晶晶,張智,李震,王璐瑤,胡道予,謝慶國申請人:華中科技大學;蘇州瑞派寧科技有限公司