CN103824279A - 基于组织进化聚类算法的图像分割方法 - Google Patents

Abstract

本发明公开了一种基于组织进化聚类算法的图像分割方法，主要解决现有技术对初始聚类中心敏感，收敛速度慢及容易陷入局部极值的问题。本方法将图像的聚类分割转化为一个全局优化问题，其实现步骤为：首先，将组织进化遗传算法OEA和模糊C均值聚类算法FCM相结合，同时利用像素点空间信息，通过组织进化遗传算法的全局优化能力获得最优聚类中心和隶属度矩阵；根据最大隶属度原则输出聚类标签，进而实现图像分割。本方法抗噪声能力强，收敛速度快，能够改善图像分割的质量和分割效果的稳定性，可用于图像目标的提取和识别。

Description

基于组织进化聚类算法的图像分割方法

技术领域

本发明属于图像处理技术领域，涉及图像分割方法，特别是基于组织进化聚类算法的图像分割方法，可用于模式识别和计算机视觉等领域。 

背景技术

图像分割是后续图像分析和图像理解的基础，在实际中有着非常广泛的应用，例如对图像目标的提取、测量都离不开图像分割，分割的准确性直接影响后续任务的有效性，因此具有十分重要的意义。 

图像分割又是一种特殊的图像处理技术，其实质是一个按照像素属性即灰度、纹理、颜色进行分类的过程。 

聚类是无监督分类的一种，被广泛地应用于工程、生物、计算机视觉和遥感等领域。聚类是将一组分布未知的数据进行分类，尽可能地使得同一类中的数据具有相同的性质，而不同类的数据其性质各异，其目的是寻找隐藏在数据中的结构。 

基于此，许多聚类算法被应用于图像分割领域并取得了较为满意的效果。但由于图像数据的特殊性，并不是所有的聚类算法都能直接应用于图像分割，有的算法需要改进，有的算法根本不适合这个领域。几种常用的聚类技术包括：分层聚类算法，最近邻域聚类算法，模糊聚类算法，人工神经网络聚类算法，遗传聚类算法。其中，经常被用于图像分割的典型的聚类算法是模糊C均值FCM算法。但这种FCM 算法的缺点是：对初始值敏感及对噪声数据敏感，容易陷入局部最优。为解决这类问题，许多研究人员提出采用遗传算法与FCM结合，得到了比较满意的结果，例如国内的高新波教授在其著作《模糊聚类分析及其应用》（西安电子科技大学出版社，2004年出版）中曾对此做过大量的研究，但由于传统遗传算法全局进化机理的局限，使得这种遗传算法与FCM结合后的方法GA-FCM仍然具有收敛速度慢和容易陷入局部极值等缺陷，导致图像分割质量的下降和分割效果稳定性的降低。另外，前面所述的FCM以及遗传算法与FCM结合后的方法在分割图像时利用的是图像灰度直方图特征，二者均没有充分的考虑图像像素的空间信息，因此图像分割质量容易受到图像中噪声的影响，不利于后续的图像分析和理解。 

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于组织进化聚类算法的图像分割方法，以充分考虑图像像素的空间信息，抑制噪声对图像分割的影响，改善了图像分割效果。 

为实现上述目的，本发明的技术方案是：基于组织进化聚类算法的图像分割方法，其特征是：包括如下步骤： 

步骤101：输入待分割图像，提取待分割图像的灰度信息； 

步骤102：应用组织进化聚类算法对图像二维灰度信息进行聚类； 

步骤103：根据步骤102输出的隶属度矩阵，按最大隶属度原则输出聚类标签； 

步骤104：根据步骤103输出的聚类标签，对图像像素进行分类， 实现图像分割，并输出分割后的图像。 

所述的步骤102，包括如下步骤： 

步骤201：确定聚类数目c和模糊权重m，随机初始化聚类原型，即从待分割图像中随机选取c个像素点的灰度信息作为聚类中心，每个聚类原型代表组织中的一个个体；确定种群大小，使每个组织中只含有一个个体；令进化代数t=0； 

步骤202：计算隶属度； 

步骤203：根据如下公式计算种群中每个个体的fitness： 

$\mathrm{fitness}=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^{\′m}{\left|\right|x_j-v_i\left|\right|}^2$

其中：N为待聚类图像灰度信息的数目； 

步骤204：对当前代种群中每个组织检查其大小，当满足如下条件时将该组织放入待分裂组织集合； 

(|org|>Max_OS)或者

其中：|org|表示组织org的大小，即组织中个体数，U(0,1)表示范围在0到1之间的随机数，N_o表示种群中组织个数，Max_os为一个大于3的参数，用于控制组织的大小； 

步骤205：对步骤204得到的待分裂组织集合进行分裂算子的操作，将该组织从当前代中删除，得到的子代放入下一代种群中； 

步骤206：当当前代中剩余的组织数大于等于2时进行步骤207，否则进行步骤210； 

步骤207：从当前代中随机选取两个组织，设R(0,1)为0到1之间 的随机数，当R(0,1)<0.5时对选取的两个组织进行步骤208，否则进行步骤209； 

步骤208：对步骤207中选取的两个组织进行吞并操作，并转向步骤206； 

步骤209：对步骤207中选取的两个组织进行合作操作并转向步骤206； 

步骤210：对于当前代中剩余的组织，将其全部复制到下一代种群中，并从当前代中删除； 

步骤211：如果达到预先设定的进化代数，输出隶属度矩阵和聚类原型并且停止，否则将下一代种群置为当前代种群，转向步骤203。 

所述的步骤202，包括如下步骤： 

步骤301：利用如下隶属度公式求出原始隶属度 

$u_{\mathrm{ik}}=\frac{1}{{\mathrm{\&Sigma;}}_{j=1}^c{\left(\frac{\left|\right|x_k-v_i\left|\right|}{\left|\right|x_k-v_j\left|\right|}\right)}^{2/(m-1)}}$

其中：v_i表示第i类的聚类中心，v_j表示第j类的聚类中心，u_ik表示第k个待聚类数据隶属于第i类的隶属度，x_k表示待聚类的图像灰度信息中的第k个数据； 

步骤302：利用如下空间函数公式求出待聚类图像的每个像素点的空间信息 

$h_{\mathrm{ij}}=\underset{k\&Element;\mathrm{NB}\left(x_j\right)}{\mathrm{\&Sigma;}}{u}_{\mathrm{ik}},$

其中：NB(x_j)表示以待聚类图像中像素点x_j为中心的一个方形邻域窗口，h_ij表示待聚类的图像灰度信息中的第j个数据属于第i类的 可能性； 

步骤303：利用如下公式，根据步骤302中得到的空间信息h_ij将步骤301中的原始隶属度u_ik更新为隶属度u'_ij： 

$u_{\mathrm{ij}}^{\&prime;}=\frac{u_{\mathrm{ij}}^p{h}_{\mathrm{ij}}^q}{\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{kj}}^p{h}_{\mathrm{kj}}^q}$

其中：p、q为控制u_ik和h_ij权重的参数。 

所述的步骤205，包括如下步骤： 

步骤401：选取介于组织大小1/3到2/3之间的一个随机整数n； 

步骤402：将组织中顺序在n以前的个体复制到一个新的组织中，将顺序在n及其以后的个体复制到另一个新的组织中； 

步骤403：将步骤402中产生的两个新组织作为分裂算子的子代进行输出。 

所述的步骤208，包括如下步骤： 

步骤501：对于两个组织中适应度高的那个组织，将其中个体全部复制到一个新的组织中，并作为吞并算子的子代组织； 

步骤502：对于适应度较低的那个组织，将其每个个体执行步骤503的操作，若已对最后一个个体进行操作则进行步骤507； 

步骤503：产生一个0到1之间的随机数，当它小于AS时进行步骤504，否则进行步骤505； 

步骤504：按策略一产生一个新的个体，并进行步骤506，其中策略一公式如下： 

其中r为产生的新个体，x为适应度高的组织中最优的个体，y为当前操作个体，

x为待分割图像中灰度信息的最大值和最小值； 

步骤505：按策略二产生一个新的个体，并进行步骤506，其中策略二公式如下： 

其中各符号含义同步骤504； 

步骤506：将上一步得到的新个体和原个体进行比较，对于适应度较高的那个添加到子代组织中，进行步骤502； 

步骤507：将得到的子代组织作为吞并算子的输出。 

所述的步骤209，包括如下步骤： 

步骤601：分别选取两个组织中的最优个体x、y； 

步骤602：按如下公式产生个体q、r： 

$\left\{\begin{array}{c}q=\&PartialD;\&times;x+(1-\&PartialD;)\&times;y\\ r=(1-\&PartialD;)\&times;x+\&PartialD;\&times;y\end{array}\right.$

其中为0到1之间的随机数； 

步骤603：将两个组织中的最优个体分别换为x和q、y和r中较好的那个； 

步骤604：将更新后的两个组织作为合作算子的子代组织输出。 

本发明和现有技术具有如下优点： 

本发明与现有的模糊C均值FCM方法相比，由于种群采用了组织结构，不再是从整个种群中直接选取个体来产生子代个体，而是从组织中选取个体来产生子代，同时设计了三个进化算子，即split、annex、cooperate算子。因此本方法能克服FCM算法对初始聚类中心敏感、收敛速度慢及易陷入局部极值等缺点。 

本发明与现有的模糊C均值FCM算法、GA-FCM聚类算法相比，由于在聚类过程中采用了隶属关系和空间信息结合的方法，因此抑制了噪声对图像分割的影响，改善了图像分割的质量，同时由于采用了组织结构和分裂、吞并、合作这些操作，因此增强了分割效果的稳定性。 

附图说明

图1是基于组织进化聚类算法的图像分割方法的主流程图； 

图2是用组织进化进行对图像灰度信息进行聚类的流程图； 

图3是求出包含图像空间信息的隶属度的流程图； 

图4是组织进化中分裂算子的流程图； 

图5是组织进化中吞并算子的流程图； 

图6是组织进化中合作算子的流程图； 

图7是本发明与现有三种聚类图像分割算法应用于椒盐噪声大小为0.05的两类灰度图像仿真对比图； 

图8是本发明与现有三种聚类图像分割算法应用于高斯噪声为N(0,0.02)的四类灰度图像仿真对比图； 

图9是本发明与现有三种聚类图像分割算法应用于SAR机场图像仿真对比图； 

图10是本发明与现有三种聚类图像分割算法应用于SAR港口图像仿真对比图。 

具体实施方式

如图1所示。 

主流程图步骤特征是： 

步骤101：输入待分割图像，提取待分割图像的灰度信息； 

步骤102：应用组织进化聚类算法对图像二维灰度信息进行聚类； 

步骤103：根据步骤102输出的隶属度矩阵，按最大隶属度原则输出聚类标签； 

步骤104：根据步骤103输出的聚类标签，对图像像素进行分类，实现图像分割，并输出分割后的图像。 

如图2所示， 

所述的步骤102，包括如下步骤： 

步骤201：确定聚类数目c和模糊权重m，随机初始化聚类原型，即从待分割图像中随机选取c个像素点的灰度信息作为聚类中心，每个聚类原型代表组织中的一个个体。确定种群大小，使每个组织中只含有一个个体。令进化代数t=0； 

步骤202：计算隶属度； 

步骤203：根据如下公式计算种群中每个个体的fitness： 

$\mathrm{fitness}=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^{\&prime;m}{\left|\right|x_j-v_i\left|\right|}^2$

其中：N为为待聚类图像灰度信息的数目； 

步骤204：对当前代种群中每个组织检查其大小，当满足如下条件时将该组织放入待分裂组织集合。 

(|org|>Max_OS)或者

其中：|org|表示组织org的大小，即组织中个体数，U(0,1)表示范围在0到1之间的随机数，N_o表示种群中组织个数，Max_os为一个大于3的参数，用于控制组织的大小； 

步骤205：对步骤204得到的待分裂组织集合进行分裂算子的操作，将该组织从当前代中删除，得到的子代放入下一代种群中； 

步骤206：当当前代中剩余的组织数大于等于2时进行步骤207，否则进行步骤210； 

步骤207：从当前代中随机选取两个组织，设R(0,1)为0到1之间的随机数，当R(0,1)<0.5时对选取的两个组织进行步骤208，否则进行步骤209； 

步骤208：对步骤207中选取的两个组织进行吞并操作，并转向步骤206； 

步骤209：对步骤207中选取的两个组织进行合作操作并转向步骤206； 

步骤210：对于当前代中剩余的组织，将其全部复制到下一代种群中，并从当前代中删除； 

步骤211：如果达到预先设定的进化代数，输出隶属度矩阵和聚类原型并且停止，否则将下一代种群置为当前代种群，转向步骤203； 

如图3所示， 

所述步骤202，包括如下步骤： 

步骤301：利用如下隶属度公式求出原始隶属度 

$u_{\mathrm{ik}}=\frac{1}{{\mathrm{\&Sigma;}}_{j=1}^c{\left(\frac{\left|\right|x_k-v_i\left|\right|}{\left|\right|x_k-v_j\left|\right|}\right)}^{2/(m-1)}}$

其中：v_i表示第i类的聚类中心，v_j表示第j类的聚类中心，u_ik表示第k个待聚类数据隶属于第i类的隶属度，x_k表示待聚类的图像灰度信息中的第k个数据； 

步骤302：利用如下空间函数公式求出待聚类图像的每个像素点的空间信息 

$h_{\mathrm{ij}}=\underset{k\&Element;\mathrm{NB}\left(x_j\right)}{\mathrm{\&Sigma;}}{u}_{\mathrm{ik}},$

其中：NB(x_j)表示以待聚类图像中像素点x_j为中心的一个方形邻域窗口，h_ij表示待聚类的图像灰度信息中的第j个数据属于第i类的可能性； 

步骤303：利用如下公式，根据步骤302中得到的空间信息h_ij将步骤301中的原始隶属度u_ik更新为隶属度u'_ij： 

$u_{\mathrm{ij}}^{\&prime;}=\frac{u_{\mathrm{ij}}^p{h}_{\mathrm{ij}}^q}{\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{kj}}^p{h}_{\mathrm{kj}}^q}$

其中：p、q为控制u_ik和h_ij权重的参数； 

如图4所示， 

所述的步骤205，包括如下步骤： 

步骤401：选取介于组织大小1/3到2/3之间的一个随机整数n； 

步骤402：将组织中顺序在n以前的个体复制到一个新的组织中，将顺序在n及其以后的个体复制到另一个新的组织中； 

步骤403：将步骤402中产生的两个新组织作为分裂算子的子代进行输出。 

如图5所示， 

所述步骤208，包括如下步骤： 

步骤501：对于两个组织中适应度高的那个组织，将其中个体全部复制到一个新的组织中，并作为吞并算子的子代组织； 

步骤502：对于适应度较低的那个组织，将其每个个体执行步骤503的操作，若已对最后一个个体进行操作则进行步骤507； 

步骤503：产生一个0到1之间的随机数，当它小于AS时进行步骤504，否则进行步骤505； 

步骤504：按策略一产生一个新的个体，并进行步骤506，其中策略一公式如下： 

其中r为产生的新个体，x为适应度高的组织中最优的个体，y为当前操作个体，

x为待分割图像中灰度信息的最大值和最小值:； 

步骤505：按策略二产生一个新的个体，并进行步骤506，其中策略二公式如下： 

其中各符号含义同步骤504； 

步骤506：将上一步得到的新个体和原个体进行比较，对于适应度较高的那个添加到子代组织中，进行步骤502； 

步骤507：将得到的子代组织作为吞并算子的输出； 

如图6所述， 

所述步骤209，包括如下步骤： 

步骤601：分别选取两个组织中的最优个体x、y； 

步骤602：按如下公式产生个体q、r： 

$\left\{\begin{array}{c}q=\&PartialD;\&times;x+(1-\&PartialD;)\&times;y\\ r=(1-\&PartialD;)\&times;x+\&PartialD;\&times;y\end{array}\right.$

其中为0到1之间的随机数； 

步骤603：将两个组织中的最优个体分别换为x和q、y和r中较好的那个； 

步骤604：将更新后的两个组织作为合作算子的子代组织输出； 

本实施例没有详细叙述的部分属本行业的公知的常用手段，这里不一一叙述。 

本发明的效果可以通过以下仿真结果进一步说明。 

参数设置 

本文中的组织进化聚类算法参数设置为：初始种群大小为500，最大进化代数50，分裂算子中的分裂参数Max_OS，吞并算子中的吞并参数AS为0.8，计算像素点空间信息时的窗口大小为3，控制隶属度信息和空间信息比重的参数p、q分别为0和2。 

GA-FCM聚类算法参数设置为：种群大小36，最大进化代数100， 交叉概率0.4，变异概率0.1。 

2DGA-FCM聚类算法参数设置为：种群大小36，最大进化代数100，交叉概率0.4，变异概率0.1。 

FCM参数设置：m=2，阈值10e-6，最大代数100。 

仿真内容 

应用本发明图像分割方法和现有的FCM聚类分割方法、GA-FCM聚类分割算法、2DGA-FCM聚类分割算法，分别对一幅两类加燥图像、一幅四类加燥图像、一幅SAR机场图像、一幅SAR港口图像进行分割，并给出了分割正确率作为客观评价标准来说明本发明应用于图像分割的性能，其正确率越高，说明分割性能越好。 

仿真内容1，将现有FCM聚类分割方法，GA-FCM聚类分割方法，2DGA-FCM聚类分割方法和本发明的图像分割方法应用于两类加燥图像进行分割，其结果如图2所示，其中：图7(a)为原始合成图像，物体灰度值为150，背景灰度值为100，图7(b)为对图7(a)加椒盐噪声后的图像，噪声大小为0.05，图7(c)为FCM聚类分割方法分割图，图7(d)为GA-FCM聚类分割方法分割图，图7(e)为2DGA-FCM聚类分割方法分割图，图7(f)为本发明方法分割图。 

仿真内容2，将现有FCM聚类分割方法，GA-FCM聚类分割方法，2DGA-FCM聚类分割方法和本发明的图像分割方法应用于四类加燥图像进行分割，其结果如图3所示，其中：图8(a)为原始合成图像，图像四部分灰度值分布为0，80,160,240，图8(b)为图5加高斯噪声后的图像，噪声大小为N(0,0.02)，图8(c)为FCM聚类分割方法分 割图，图8(d)为GA-FCM聚类分割方法分割图，图8(e)为2DGA-FCM聚类分割方法分割图，图8(f)为本发明方法分割图。 

仿真内容3，将现有FCM聚类分割方法，GA-FCM聚类分割方法，2DGA-FCM聚类分割方法和本发明的图像分割方法应用于SAR机场图像进行分割，其结果如图4所示，其中：图9(a)为原SAR机场图像，图9(b)为FCM聚类分割方法分割图，图9(c)为GA-FCM聚类分割方法分割图，图9(d)为2DGA-FCM聚类分割方法分割图，图9(e)为本发明方法分割图。 

仿真内容4，将现有FCM聚类分割方法，GA-FCM聚类分割方法，2DGA-FCM聚类分割方法和本发明的图像分割方法应用于SAR港口图像进行分割，其结果如图5所示，其中：图10(a)为原SAR港口图像，图10(b)为FCM聚类分割方法分割图，图10(c)为GA-FCM聚类分割方法分割图，图10(d)为2DGA-FCM聚类分割方法分割图，图10(e)为本发明方法分割图。 

仿真分析 

表1列出了仿真内容1仿真结果所得到的正确率的对比结果。 

表1：仿真1中不同聚类方法分割方法正确率 

从表1中可以看出，本发明方法获得了比现有其他方法更高分割正确率，从图7(f)中可以看出，本发明方法分割后的图像视觉效果更 接近于原始图像，本发明方法有效的抑制了椒盐噪声对图像分割的影响。 

表2列出了仿真内容3的仿真结果所得的正确率对比结果。 

表2：仿真2中不同聚类方法分割方法正确率 

从表2中可以看出，本发明获得了比现有其他方法更高分割正确率，从图8(f)可以看出，本发明方法分割后的图像视觉效果更接近于原始图像，有效的抑制了高斯噪声对图像分割的影响。 

从图9仿真结果可以看出，本方法的分割结果具有更好的区域一致性，而且抑制了机场跑道上的噪声对图像分割的影响，同时，对于除主跑道之外的弱目标则给予忽略，更加清晰地分割出机场主跑道。 

从图10仿真结果可以看出，本发明获得了比现有其他方法更好的分割结果，本发明方法和其他方法相比在最大程度上抑制了噪声和杂散点对图像分割效果的影响同时，尤其是在区域一致性的保持上面，本发明得到了比较满意的效果。 

Claims (6)

1.基于组织进化聚类算法的图像分割方法，其特征是：包括如下步骤：

步骤101：输入待分割图像，提取待分割图像的灰度信息；

步骤102：应用组织进化聚类算法对图像二维灰度信息进行聚类；

步骤103：根据步骤102输出的隶属度矩阵，按最大隶属度原则输出聚类标签；

步骤104：根据步骤103输出的聚类标签，对图像像素进行分类，实现图像分割，并输出分割后的图像。

2.根据权利要求1所述的基于组织进化聚类算法的图像分割方法，其特征是：所述的步骤102，包括如下步骤：

步骤201：确定聚类数目c和模糊权重m，随机初始化聚类原型，即从待分割图像中随机选取c个像素点的灰度信息作为聚类中心，每个聚类原型代表组织中的一个个体；确定种群大小，使每个组织中只含有一个个体；令进化代数t=0；

步骤202：计算隶属度；

步骤203：根据如下公式计算种群中每个个体的fitness：

$\mathrm{fitness}=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^{\&prime;m}{\left|\right|x_j-v_i\left|\right|}^2$

其中：N为待聚类图像灰度信息的数目；

步骤204：对当前代种群中每个组织检查其大小，当满足如下条件时将该组织放入待分裂组织集合；

(|org|>Max_OS)或者

其中：|org|表示组织org的大小，即组织中个体数，U(0,1)表示范围在0到1之间的随机数，N_o表示种群中组织个数，Max_os为一个大于3的参数，用于控制组织的大小；

步骤205：对步骤204得到的待分裂组织集合进行分裂算子的操作，将该组织从当前代中删除，得到的子代放入下一代种群中；

步骤206：当当前代中剩余的组织数大于等于2时进行步骤207，否则进行步骤210；

步骤207：从当前代中随机选取两个组织，设R(0,1)为0到1之间的随机数，当R(0,1)<0.5时对选取的两个组织进行步骤208，否则进行步骤209；

步骤208：对步骤207中选取的两个组织进行吞并操作，并转向步骤206；

步骤209：对步骤207中选取的两个组织进行合作操作并转向步骤206；

步骤210：对于当前代中剩余的组织，将其全部复制到下一代种群中，并从当前代中删除；

步骤211：如果达到预先设定的进化代数，输出隶属度矩阵和聚类原型并且停止，否则将下一代种群置为当前代种群，转向步骤203。

3.根据权利要求2所述的基于组织进化聚类算法的图像分割方法，其特征是：所述的步骤202，包括如下步骤：

步骤301：利用如下隶属度公式求出原始隶属度

$u_{\mathrm{ik}}=\frac{1}{{\mathrm{\&Sigma;}}_{j=1}^c{\left(\frac{\left|\right|x_k-v_i\left|\right|}{\left|\right|x_k-v_j\left|\right|}\right)}^{2/(m-1)}}$

其中：v_i表示第i类的聚类中心，v_j表示第j类的聚类中心，u_ik表示第k个待聚类数据隶属于第i类的隶属度，x_k表示待聚类的图像灰度信息中的第k个数据；

步骤302：利用如下空间函数公式求出待聚类图像的每个像素点的空间信息

$h_{\mathrm{ij}}=\underset{k\&Element;\mathrm{NB}\left(x_j\right)}{\mathrm{\&Sigma;}}{u}_{\mathrm{ik}},$

其中：NB(x_j)表示以待聚类图像中像素点x_j为中心的一个方形邻域窗口，h_ij表示待聚类的图像灰度信息中的第j个数据属于第i类的可能性；

步骤303：利用如下公式，根据步骤302中得到的空间信息h_ij将步骤301中的原始隶属度u_ik更新为隶属度u'_ij：

$u_{\mathrm{ij}}^{\&prime;}=\frac{u_{\mathrm{ij}}^p{h}_{\mathrm{ij}}^q}{\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{kj}}^p{h}_{\mathrm{kj}}^q}$

其中：p、q为控制u_ik和h_ij权重的参数。

4.根据权利要求2所述的基于组织进化聚类算法的图像分割方法，其特征是：所述的步骤205，包括如下步骤：

步骤401：选取介于组织大小1/3到2/3之间的一个随机整数n；

步骤402：将组织中顺序在n以前的个体复制到一个新的组织中，将顺序在n及其以后的个体复制到另一个新的组织中；

步骤403：将步骤402中产生的两个新组织作为分裂算子的子代进行输出。

5.根据权利要求2所述的基于组织进化聚类算法的图像分割方法，其特征是：所述的步骤208，包括如下步骤：

步骤501：对于两个组织中适应度高的那个组织，将其中个体全部复制到一个新的组织中，并作为吞并算子的子代组织；

步骤502：对于适应度较低的那个组织，将其每个个体执行步骤503的操作，若已对最后一个个体进行操作则进行步骤507；

步骤503：产生一个0到1之间的随机数，当它小于AS时进行步骤504，否则进行步骤505；

步骤504：按策略一产生一个新的个体，并进行步骤506，其中策略一公式如下：

其中r为产生的新个体，x为适应度高的组织中最优的个体，y为当前操作个体，

x为待分割图像中灰度信息的最大值和最小值；

步骤505：按策略二产生一个新的个体，并进行步骤506，其中策略二公式如下：

其中各符号含义同步骤504；

步骤506：将上一步得到的新个体和原个体进行比较，对于适应度较高的那个添加到子代组织中，进行步骤502；

步骤507：将得到的子代组织作为吞并算子的输出。

6.根据权利要求2所述的基于组织进化聚类算法的图像分割方法，其特征是：所述的步骤209，包括如下步骤：

步骤601：分别选取两个组织中的最优个体x、y；

步骤602：按如下公式产生个体q、r：

$\left\{\begin{array}{c}q=\&PartialD;\&times;x+(1-\&PartialD;)\&times;y\\ r=(1-\&PartialD;)\&times;x+\&PartialD;\&times;y\end{array}\right.$

其中为0到1之间的随机数；

步骤603：将两个组织中的最优个体分别换为x和q、y和r中较好的那个；

步骤604：将更新后的两个组织作为合作算子的子代组织输出。

Images