图像归一化分割方法研究

摘要

图像分割是将图像分成互相独立且有意义的区域,是计算机视觉和图像处理的重要技术,已在工业、军事、医学等领域有着普遍应用。基于图论的图像分割算法是近年来新发展起来的一种新的图像分割技术,其中归一化分割算法是基于图论分割的一个研究热点。归一化分割算法是一种基于全局优化准则的方法,不易产生小区域现象。但它直接在像素上进行图像分割,计算复杂度比较大,并且求解归一化分割准则的最小值是一个NP难问题。
　　针对归一化分割算法的不足,本文提出一种基于最小生成树划分的模糊C-均值聚类算法与自适应遗传算法的归一化分割准则相结合的图像分割方法,主要内容如下:
　　1)利用最小生成树划分的模糊C-均值聚类算法对原图进行聚类,获得最大相似区域。解决了归一化分割算法随着像素增加,计算复杂度增大的缺点。最小生成树划分的模糊C-均值聚类算法将原图转换成图并采用Kruskal算法建立最小生成树,然后根据密度准则对最小生成树进行划分获得子树,将子树的个数和中心分别作为聚类数目和初始聚类中心进行模糊C-均值聚类,得到最大相似区域。
　　2)利用自适应遗传算法的归一化分割准则对最大相似区域进行遗传迭代操作,寻找使归一化值最小的最优染色体。解决了求归一化分割准则最小值的难题。自适应遗传算法的归一化分割准则对最大相似区域进行染色体编码,将区域个数作为种群大小,随机产生初始种群,以归一化分割准则作为适应度函数,对种群进行选择、交叉和变异遗传迭代操作,直到满足条件为止,最后将归一化值最小的最优染色体映射回原图得到图像的分割结果。
　　基于最小生成树划分的模糊C-均值聚类算法为后续图像分割提供了远小于像素个数的最大相似区域,降低了计算复杂度,提高了算法的效率。自适应遗传算法的归一化分割准则取得了较好的分割效果,并且不需要用户设置任何参数,提高了算法的自适应能力。实验表明,本文提出的最小生成树划分的模糊C-均值聚类算法和自适应遗传算法的归一化分割准则相结合的算法是可行且有效的。