论文部分内容阅读
随着科技的飞速发展,图像已成为人们工作和生活中必不可少的信息传递媒介。而图像分割以从图像中提取重要对象为目的,其结果对后续图像处理与理解具有直接影响,因此是图像分析系统中关键和重要的组成部分。考虑到实际问题的复杂性与数据的多样性,本文结合模糊聚类理论,将图像分割建模成多目标优化问题。而进化算法对多目标问题具有优秀的求解性能,因此在本文中被用于优化多目标模糊聚类图像分割问题。本文主要工作概括如下:(1)提出基于分解策略和多目标进化模糊聚类的图像分割。将图像分割建模成保持图像细节和抑制噪声的多目标模糊聚类问题,并采用加权和分解策略将该多目标问题分解为多个单目标模糊聚类问题。其中,每个单目标模糊聚类问题由不同的权重向量来控制图像细节保持和噪声抑制之间的平衡。这些单目标模糊聚类问题被进化算法同时优化,并最终获得既能够保持图像细节又能去除噪声的分割结果。为了加快算法的收敛速度,设计了针对实际问题的混合种群初始化方法,并将反对学习引入多目标优化过程中。通过在不同类型图像上的分割实验,验证了本工作能够获得保持图像细节并去除图像噪声的分割结果。(2)提出基于双层进化模糊聚类的图像分割。将图像分割划分为多目标进化学习层和模糊聚类分割层两部分。在多目标进化学习层中,设计了基于非均质测度的像素采样,并对采样像素构建了保持图像细节和抑制噪声的多目标模糊聚类模型。考虑到实际问题的复杂性,采用切比雪夫分解策略将基于非均质像素的多目标模糊聚类问题分解为多个单目标模糊聚类问题,并通过进化算法同时优化这些单目标模糊聚类问题获得权衡解,而权衡解的权重向量能够较好地平衡保持图像细节和去除噪声之间的关系。在模糊聚类分割层中,基于多目标进化学习层输出的权衡解,针对结合图像局部信息的单目标模糊聚类问题,分别提出了结合图像局部信息的模糊c均值聚类改进算法和自适应进化模糊聚类算法。其中,结合图像局部信息的模糊c均值聚类改进算法能够在较短时间内获取去除噪声的分割结果,而结合图像局部信息的自适应进化模糊聚类算法则以相对较高的优化成本换取更优秀的分割结果。相比于上一个工作,本工作的多目标模糊聚类只针对非均质像素,因此降低了多目标优化的成本。此外,切比雪夫分解策略同时适用于凸优化和非凸优化问题,因此增加了本工作的普适性。实验证明本工作在不同类型的图像上能够获得去除噪声、保持图像边缘与区域细节信息的良好分割效果。(3)提出基于多目标进化的像素采样,将像素采样问题建模成保持图像信息和降低采样像素数目的多目标优化问题。其中,保持图像信息有利于保证后续图像处理的效果,而尽可能减少采样像素数目有助于降低后续图像处理的成本。本工作采用自适应进化算法优化多目标像素采样问题,并对求解得到的非支配解进行简单的集成操作,以获得最终采样结果。通过不同类型图像上的采样实验,验证了本工作能够在保持图像信息的前提下,获得数目尽可能少的采样像素。(4)针对未知类别数的图像分割问题,在多目标进化像素采样的基础上,提出多目标进化模糊聚类,将模糊全局紧凑性和模糊分离性作为多目标模糊聚类的适应度函数。为了提升聚类性能,待分割图像的局部信息与非局部信息均被引入模糊全局紧凑性。同时,控制图像局部与非局部信息的权重向量也被引入多目标优化过程。在优化过程中,针对性地设计了变异算子和个体修复策略来增强算法的搜索能力。为了选取适合的Pareto解,将图像的局部与非局部信息引入选解指标,并最终选取出适合待分割图像的模糊聚类结果。通过对不同类型图像的实验,验证本工作能够确定适合待分割图像的模糊聚类结果和分割类别数。(5)在多目标进化模糊聚类的基础上,提出结合图像局部与非局部信息的模糊c均值聚类改进算法与进化模糊聚类算法。其中,结合图像局部与非局部信息的模糊c均值聚类改进算法能够较快地搜索到待分割图像的可行分割结果。而结合图像局部与非局部信息的进化模糊聚类算法是一种全局优化方法,具有较强的普适性。此外,为了进一步提升分割效果,还提出了基于信息熵的类标矫正策略,用于修正分割异常像素的类标。通过分割不同类型的图像,验证本工作提出的算法均能够获取具有清晰边缘与光滑区域的分割结果,同时能够有效抑制噪声对分割的影响。