CN104021560B - 基于多目标进化算法的图像分割方法 - Google Patents

Abstract

本发明公开了一种基于多目标进化算法的图像分割方法，主要解决现有图像分割方法鲁棒性差，易陷入局部最优和早熟现象的缺点。其实现步骤为：(1)输入待分割图像；(2)根据图像类型对待分割图像提取纹理特征；(3)对待分割图像初分割，得到初分割对象数据，并对其初始化得到种群；(4)计算种群中个体适应度值；(5)根据个体适应度值得到非支配种群，并从中选取活跃种群；(6)判断是否满足终止条件，若满足则从步骤(5)的活跃种群中选取最优个体，标记最优个体并产生最终分割图像，否则进化活跃种群，转步骤(4)再计算种群个体适应度值。本发明具有鲁棒性强，稳定性高的优点，适用于合成孔径雷达图像、自然图像及纹理图像的分割。

Description

基于多目标进化算法的图像分割方法

技术领域

本发明隶属于图像处理技术领域，更进一步涉及图像分割方法。本发明可用于对合成孔径雷达SAR图像、纹理图像和自然图像的分割。

背景技术

图像分割是计算机视觉和模式识别中关键技术之一，是近年来在许多学者将智能计算技术应用于图像分割领域，其主要包括神经网络、遗传算法、群智能算法以及人工免疫系统框架。进化多目标优化是进化领域的一个重要研究方向，而基于pareto最优解概念的多目标遗传算法则是当前遗传算法的研究热点。所谓分割就是将图像分为若干个部分，每个部分代表图像中不一样的特征，并把同一部分像素标记为相同的值，每个相同的值在分割过程中对应一个标记号。只要找到对应像素的特征标记号，就行得到对像素的分类结果，从而实现图像分割。

西安电子科技大学在其申请的专利“基于空间邻域信息的FCM纹理图像分割方法”(专利申请号201010522144.5，公开号CN101976438A)中公开了一种利用空间邻域信息的FCM聚类分配像素标号的图像分割方法。该方法能保证空间信息的完整性，减少杂点，但是该方法存在的不足是，过度依赖初始值，对隶属度的选择敏感，容易出现早熟现象，该方法的鲁棒性较差。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于进化多目标进化的图像分割方法，以避免陷入局部最优和早熟现象，提高分割的鲁棒性。

为实现上述目的，本发明具体实现步骤包括如下：

(1)输入一幅待分割图像；

(2)根据待分割图像的类型，进行不同操作：若待分割图像为纹理图像或SAR图像，则提取图像纹理特征后执行步骤(3)，若待分割图像为自然图像，则直接执行步骤(3)；

(3)对待分割图像进行初分割，得到初分割对象数据；

(4)对初分割对象数据进行初始化，得到种群；

(5)计算种群中每个个体的两个适应度值；

(6)获得非支配种群

6a)根据个体的两个适应度值和Pareto准则，对种群进行非支配排序得到非支配个体，将所有的非支配个体组成一个临时种群；

6b)创建一个空的非支配种群，如果临时种群的大小小于设定的非支配种群个体数的上限，则将临时种群中个体直接复制到非支配种群中，否则采用计算拥挤距离的方法对临时种群进行排序，根据排序结果和给定的非支配种群上限选取非支配个体复制到非支配种群中，得到非支配种群；

(7)创建一个空的活跃种群，如果非支配种群的个体数不大于活跃种群的个体数上限，则将非支配种群的个体直接复制到活跃种群中，否则根据拥挤距离选择活跃种群限定个数的个体复制到活跃种群中，得到活跃种群；

(8)判断是否对活跃种群执行进化操作，如果已经执行进化操作，则判断进化次数是否达到迭代上限，如果达到迭代上限则停止迭代，执行步骤(10)，如果未执行进化操作或未达到迭代上限则执行步骤(9)，继续对活跃种群执行进化操作；

(9)进化活跃种群

9a)用同比例克隆方法对活跃种群进行克隆操作,得到克隆种群；

9b)用交叉算子对活跃种群和克隆种群进行交叉操作重组种群中的个体信息，保留交叉操作后的种群；

9c)用变异算子对克隆种群进行变异，保留变异操作后的种群；

9d)合并非支配种群、交叉操作后的种群和变异操作后的种群，得到新的种群，转步骤(5)对新的种群个体进行适应度评价；

(10)将步骤(7)得到的活跃种群的个体的适应度值归一化到闭区间[0.0,1.0]，计算每个个体归一化后两个目标函数值的和，选择其最小的个体作为最优个体；

(11)对选取的最优个体按图像块标记其类标号，再对图像块内的所有像素点标记类标号，每一个类标号分别从闭区间[0,255]中选择一个整数作为对应的像素值，将对应像素值赋值给每个像素点得到最终分割结果。

本发明与现有技术相比具有以下优点：

第一，本发明在图像分割的种群初始化过程中采用了基于Prim算法的最小生成树方法和随机编码两种编码方式生成种群，相比在初始化步骤中仅用随机编码生成种群，更具有针对性和可靠性，有效的解决了过度依赖初始值的问题,同时降低了聚类对初始值敏感的带来的不可靠性，使得本发明提高了图像分割方法的鲁棒性和可靠性。

第二，本发明在图像分割的进化过程中采用了多目标进化策略，多目标的选取保证了对图像的连通性和空间紧密性两方面的考虑，同时在种群进化过程中克隆操作采取了计算拥挤距离得到克隆比例的方法，克服了现有技术在进化过程中容易陷入局部最优的缺点，使得本发明提高了获得到全局最优解的可能，可以获得更加准确的图像分割结果。

第三，本发明在图像分割的前期处理中采用了对纹理图像和合成孔径雷达SAR图像提取图像纹理特征的方法，为后面的聚类过程提供了更多的图像细节信息，解决了现有技术在分割复杂图像的情况下由于过度平滑而丢失过多局部信息的缺点，使得本发明提高了识别图像中不显著目标的能力。

附图说明

图1为本发明的实现流程图；

图2为用本发明与现有技术在合成孔径雷达SAR图像上的分割结果对比图；

图3为用本发明与现有技术在自然图像上的分割结果对比图；

图4为用本发明与现有技术在纹理图像上的分割结果对比图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，本发明的具体实现如下：

步骤1，输入一幅待分割图像。

本发明的待分割图像为三种类型，分别为合成孔径雷达SAR图像，自然图像和纹理图像，针对三种图像类型各选一幅图像作为实例图像，分别为大小为P＝256×25的合成孔径雷达SAR图像，其分割类别数为N＝3，大小为P＝320×330的自然图像，其分割类别数为N＝2，大小为P＝256×256的纹理图像，其分割类别数为N＝4。

步骤2，提取待分割图像的纹理特征。

若待分割图像为自然图像，则直接执行步骤3，若待分割图像为纹理图像或合成孔径雷达SAR图像，则按如下步骤提取图像纹理特征：

(2.1)用小波分解方法提取待分割图像所有像素的前10维特征，其中小波分解方法采用对图像进行窗口大小为32×32的三层小波变换，得到由子带系数所构成的小波特征，作为每个像素的前10维小波特征向量；

(2.2)用灰度共生矩阵方法提取待分割图像所有像素的后12维特征,其步骤如下：

(2.2.1)将图像矢量化为B＝16个灰度级；

(2.2.2)再依次令两个像素点连线与横轴的方向夹角为0°、45°、90°和135°，按照下式分别计算所述四个方向的灰度共生矩阵：

P(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×R|f(x₁,y₁)＝r,f(x₂,y₂)＝s}

其中，P(i,j)为灰度共生矩阵在坐标(i,j)位置上的元素，#为集合{}的元素个数，(x₁,y₁)和(x₂,y₂)为距离等于1的两个像素点坐标，∈为集合中的属于操作符号，M×R为图像的大小，∣为概率论中的条件操作符号，f(x₁,y₁)＝r表示(x₁,y₁)处像素点矢量化后的灰度值等于r，f(x₂,y₂)＝s表示(x₂,y₂)处像素点矢量化后的灰度值等于s；

(2.2.3)根据得到的灰度共生矩阵，分别得到该矩阵四个方向上的同质区H、角二阶矩E和对比度C值；

(2.2.4)将所述四个方向的H、E、C值依次排列构建每个像素的后12维特征向量。

步骤3，对待分割图像进行初分割，获得初分割对象数据。

(3.1)用分水岭方法对图像进行初分割，得到不同的图像块：

(3.1.1)用图像的膨胀变换减去其腐蚀变换，得到形态梯度图像；

(3.1.2)计算形态梯度图像与自身的点积，得到反映图像边缘的浮点活动图像；

(3.1.3)将浮点活动图像输入分水岭，得到T个不同的图像块；

(3.2)对每一个图像块的所有像素点纹理特征向量取平均值，得到该块的纹理特征向量；

(3.3)用线性方法对所有图像块的纹理特征向量归一化，即将块的纹理特征向量数据映射到闭区间[-1,1]内，得到初分割对象数据：

y＝-1+2(x-min)/(max-min)

其中，x为块的纹理特征向量数据，min、max分别为所有纹理特征向量数据中的最小值和最大值。

步骤4，对初分割对象数据进行种群初始化。

种群的初始化采用基于Prim算法的最小生成树方法和随机编码两种方式，得到个体数目为150的种群，具体步骤如下：

(4.1)对初分割对象数据采用基于Prim算法的最小生成树的方法生成种群个体数为50的第一部分种群，其步骤如下：

(4.1.1)随机选择任一图像块作为初始点，由任意两图像块的纹理特征向量间的欧式距离作为权值得到权值矩阵，选取满足距离初始点权值最小的点作为初始点的叶子节点，依此类推遍历所有图像块，生成图像块之间的连接图；

(4.1.2)根据待分割图像的分割类别数N，将连接图随机断开N-1处，得到解码后的N个部分；

(4.1.3)将解码后的N个部分分别编码为N个类别号，得到种群中个体；

(4.2)对初分割对象数据采用随机编码方法生成种群个数为100的第二部分种群，随机编码的方法如下：

对类别数为N、个体长度即初分割得到的图像块数为T的待分割图像，对T个图像块中每一个图像块都随机从闭区间[1，N]选择一个整数值作为类别标签，表示该图像块所属的类别，得到种群中个体；

(4.3)将第一部分种群和第二部分种群合并，得到个体数为150的待处理种群。

步骤5，计算种群中个体的两个适应度值。

现有很多对个体的适应度评价的函数，选取多个目标函数作为个体的适应度评价函数以保证图像的多方面的特征，所以本发明选取多个目标函数并对其进行优化，在选取目标时应本着互补的原则，兼顾图像多方面的特征。现有一些对个体适应度评价的多目标函数，比如基于模糊聚类的全局集群方差和综合全局及局部信息的XB指标函数，参见Sanghamitra Bandyopadhyay等的《Multiobjective Genetic Clustering for PixelClassification in Remote Sensing Imagery》,基于点对称距离的Sym-index和综合全局及局部信息的XB指标，参见Sriparna Saha等的《Automatic MR brain imagesegmentation using a multiseed based multiobjective clustering approach》，这些目标函数在图像分割上有很好的效果，但是其公式计算繁琐复杂度高，而本发明选取的目标函数为基于硬聚类的内部集群方差和表示空间信息的近邻惩罚函数，这两个目标函数反应了对图像的紧密度和连通性两方面的需求，计算较其它目标函数更加简单直观，且收敛性好，对种群中每个个体分别计算此两个目标函数的方法如下：

(5.1)选取表示图像紧密度的基于硬聚类的内部集群方差Dev(x)作为第一个适应度值：

对每个个体的图像块根据编码值计算每一类到聚类中心的距离和，再计算所有类到距离中心的距离和的总和，得到个体的内部集群方差，其计算公式为：

其中，x为所有图像块的集合，x_k为属于第k类的所有图像块，i为属于第k类的图像块中的一个图像块，μ_k为第k类的聚类中心，δ(i,μ_k)为两图像块间的欧式距离；

(5.2)选取表示图像连通性的近邻惩罚函数Conn(x)作为第二个适应度值：

对每个个体的每个图像块计算与其最近的L个图像块的惩罚值，再将所有图像块的惩罚值求和得到近邻惩罚值，其计算公式为：

其中，

其中，n_ij为距第i块像素均值第j近的图像块，本方法选取的为与该图像块像素均值最接近的L＝20个图像块，N为分类数目，x_r,s为对图像块r的惩罚值，如果图像块r与图像块s在同一类其值为0，若不在同一类其值为1/δ(x_r,x_s)，其中δ(x_r,x_s)为该两图像块r和s间的欧式距离，∈为集合中的属于操作符号，表示不存在性，为逻辑与。

步骤6，获得非支配种群。

(6.1)根据个体的适应度值和Pareto准则，对种群进行非支配排序得到非支配个体，将所有的非支配个体组成一个临时种群，其中，Pareto准则为：

对M个多目标变量的多目标优化问题可表述为：

minF(x)＝(f₁(x),f₂(x),…,f_M(x))^T,x∈X

假设x_A,x_B∈X为两个可行解，若x_APareto支配x_B，则存在且只存在

记作x_A＞x_B,如果不存在其它解支配x_A，则称x_A为非支配解，

其中X为可行域，x为可行域中的个体，f_i(x)为第i个目标函数，F(x)为多个目标函数值得到的矩阵，min表示对F(x)进行最小化计算，( )^T表示对( )内矩阵的转置，表示任意性，表示存在性，为逻辑与，在本发明中，M值为2，两个目标函数分别选取步骤5得到的内部集群方差Dev(x)和近邻惩罚函数Conn(x)；

(6.2)创建一个空的非支配种群，并设定种群的个数上限为n_N＝50，如果临时种群的大小小于设定的非支配种群个体数的上限n_N，则将临时种群中个体直接复制到非支配种群中，否则采用计算拥挤距离的方法对临时种群进行降序排序，根据排序结果选取前n_N个个体复制到非支配种群中；

其中，计算拥挤距离的步骤如下：

(6.2.1)创建一个二维坐标系，将非支配种群中的每个个体的两个目标函数值分别作为个体的两个坐标值，将所有个体依照坐标值放在二维坐标系上；

(6.2.2)对坐标系内的非边界点，将距离当前点最近的前一个和后一个点作为矩形的两个对角顶点计算该矩形的周长作为该点的拥挤距离i_distance，对两个边界点设定其拥挤距离为非边界点中最大的拥挤距离的2倍。

步骤7，获得活跃种群。

创建一个空的活跃种群，并设定种群的个数上限为n_A＝20，如果非支配种群的个体数不大于n_A，则将非支配种群的个体直接复制到活跃种群中，否则拥挤距离进行降序排序，选择前n_A个体复制到活跃种群中，得到活跃种群。

步骤8，终止条件的判断。

判断是否对种群进行进化操作，如果已经执行进化操作，则判断进化次数是否达到迭代上限，如果达到最大迭代次数G_max＝50次则停止迭代，执行步骤10，如果未执行种群进化或未达到迭代上限则执行步骤9。

步骤9，进化活跃种群。

(9.1)用同比例克隆的方法对活跃种群进行克隆操作得到克隆种群，克隆方法如下；

(9.1.1)根据计算得到的个体的拥挤距离i_distance确定待克隆个体的克隆比例，再根据克隆比例确定克隆强度即克隆次数的自适应参数q_i，其计算公式如下：

其中，q_i为对应不同个体的克隆次数，i_distance为步骤(6.2)中得到的个体的拥挤距离，n_C为克隆种群的上限，n_A为活跃种群的个体数，符号为向上取整操作符；

(9.1.2)根据克隆次数q_i对每个个体进行复制操作，将复制得到的所有个体进行保留得到克隆种群，对于活跃种群进行克隆操作的公式为：

其中，T^C(a_i)表示对待克隆个体ai进行克隆操作，表示对a_i克隆后得到的q_i个个体，其中i＝1,2,…,n_A，表示克隆后得到的个体，其值与a_i相同，j＝1,2,…,q_i，n_A为待克隆种群即活跃种群包含的个体数，+为不同个体的组合而非算数运算符，{}为表示其内部个体的集合；

(9.2)用交叉算子对活跃种群和克隆种群进行交叉操作重组种群中的个体信息，保留交叉操作后的种群；

交叉操作是采用交叉算子对克隆种群和活跃种群进行操作，依次对克隆种群中的每个个体从活跃种群中随机选取一个个体作为交叉对象，将这两个个体作为父代染色体，在任意一个染色体上随机选取一个位置作为交换点，将两个父代染色体交换点的后半部分进行交换，得到两个新的个体并保存。

对种群进行交叉操作的公式为：

其中，T^R(c_i)和crossover(c_i,A)均表示对c_i进行交叉操作，crossover(c_i,A)表示与c_i进行交叉操作的对象为随机从活跃种群A中选取的个体，其中c_i表示从克隆种群中选取的个体，A表示等概率从活跃种群中选取的个体，+为不同个体的组合而非算数运算符，n_C为克隆种群的个体数；

(9.3)用变异算子对克隆种群进行变异，保留变异操作后的种群：

设定变异概率P_m＝0.1，依次对克隆种群中每个个体生成一个在闭区间[0.0,1.0]内的随机数值，如果生成的随机数值小于设定的变异概率P_m则对个体随机选择一个变异位，将变异位的值随机改为其它任意的类别值，得到新的个体并保存，否则对下一个个体生成随机数。

对种群进行变异操作的公式为：

其中，T^H(r_i)＝mutate(r_i)表示对个体r_i进行变异操作，i＝1,2,…,n_c，其中r_i为交叉后种群中的个体，mutate(r_i)表示按照概率P_m＝0.1对个体r_i进行变异操作，+为不同个体的组合而非算数运算符，n_C为待变异的种群即变异种群的个体数；

(9.4)合并非支配种群、交叉操作后的种群和变异操作后的种群，得到新的种群，再返回步骤5对新的种群个体进行适应度评价。

步骤10，产生最优个体。

(10.1)将步骤7得到的活跃种群中的个体适应度值归一化到闭区间[0.0,1.0]；

(10.2)计算归一化后两个适应度值的和，选择其最小的个体作为最优个体。

步骤11，标记并产生分割图像。

(11.1)对选取的最优个体按区域块标记类标号；

(11.2)对标记后的N个类标号，分别从闭区间[0,255]中选择N个不同整数作为对应的像素值，将对应像素值赋值给每个像素点得到最终分割结果。

本发明的效果可通过以下仿真进一步说明：

应用本发明方法以及现有技术的k均值方法、模糊C均值方法分别对一幅合成孔径雷达SAR图像、一幅自然图像和一幅纹理图像进行分割的仿真实验，对合成孔径雷达SAR图像、自然图像和纹理图像从目标识别能力、区域一致性、边缘保持、细节保留等方面来评价这些图像分割方法的性能。

仿真1，应用本发明方法及现有技术的k均值方法、模糊C均值方法对合成孔径雷达SAR图像进行分割，分割结果如图2所示。其中：

图2(a)为图像原图，图像中包含平地、机场跑道、建筑物三个区域；

图2(b)为用本发明方法得到的仿真分割结果图；

图2(c)为用k均值方法得到的仿真分割结果图；

图2(d)为用模糊C均值方法得到的仿真分割结果图。

由图2可以看出，虽然图2(c)中用k均值方法和图2(d)中用模糊C均值方法得到的分割结果都能把建筑区域分割出来，但左上侧的机场跑道区域被腐蚀，而图2(b)中用本方法得到的分割结果不但将建筑区域一致性地分割出来，而且能正确地、完整地识别出跑道区域，也完整地将细小的跑道区域呈现出来，保护了图像的细节部分，获得了更准确的分割结果。

仿真2，应用本发明方法及现有技术的k均值方法、模糊C均值方法对自然图像进行分割，分割结果如图3所示。其中：

图3(a)为图像原图，图像中包含鸟及其所在的树和天空两个区域，鸟和树作为目标，天空作为背景；

图3(b)为用本发明方法得到的仿真分割结果图；

图3(c)为用k均值方法得到的仿真分割结果图；

图3(d)为用模糊C均值方法得到的仿真分割结果图。

由图3可以看出，图3(c)中用k均值方法和图3(d)中用模糊C均值方法得到的分割结果都能把作为目标的鸟和树区域分割出来，而图3(b)中用本方法得到的分割结果不但把作为目标的鸟和树区域分割出来，而且在鸟嘴、左侧树干树干及左侧拐角处都有更好的分割结果，具有更好的区域一致性，获得了更准确的分割结果。

仿真3，应用本发明方法及现有技术的k均值方法、模糊C均值方法对纹理图像进行分割，分割结果如图4所示。其中：

图4(a)为图像原图，图像为被一条直线和三条曲线分开的四类图像；

图4(b)为用本发明方法得到的仿真分割结果图；

图4(c)为用k均值方法得到的仿真分割结果图；

图4(d)为用模糊C均值方法得到的仿真分割结果图；

图4(e)为理想的分割结果图。

由图4可以看出，根据图4(e)中理想分割结果图可以看出图4(c)中用k均值方法和图4(d)中用模糊C均值方法得到的分割结果都能将4个部分的大体轮廓分割出来，但是图4(c)中用k均值方法得到的分割结果将两个不同类的区域分割为同一区块，出现了明显的错分结果，而图4(b)中用本方法得到的分割结果不但把4个目标区域分割出来，而且比图4(c)中用k均值方法和图4(d)中用模糊C均值方法得到的分割结果在局部区域尤其是边界部分的分割结果更好，错分的区域明显减少，具有更好的区域一致性，获得了更准确的分割结果。

Claims (6)

1.一种基于多目标进化算法的图像分割方法，实现步骤如下：

(1)输入一幅待分割图像；

(2)根据待分割图像的类型，进行不同操作：若待分割图像为纹理图像或SAR图像，则提取图像纹理特征后执行步骤(3)，若待分割图像为自然图像，则直接执行步骤(3)；

(3)对待分割图像进行初分割，得到初分割对象数据；

(4)对初分割对象数据进行初始化，得到种群；

(4.1)对初分割对象数据采用基于Prim算法的最小生成树方法得到连接图，再对连接图解码得到第一部分种群；

(4.2)对初分割对象数据采用随机编码方法得到第二部分种群；

(4.3)将第一部分种群和第二部分种群合并，作为下一步待处理的种群；

(5)计算种群中每个个体的两个适应度值；

(6)获得非支配种群

6a)根据个体的两个适应度值和Pareto准则，对种群进行非支配排序得到非支配个体，将所有的非支配个体组成一个临时种群，

所述Pareto准则为：

对M个多目标变量的多目标优化问题可表述为：

min F(x)＝(f₁(x),f₂(x),…,f_M(x))^T,x∈X

假设x_A,x_B∈X为两个可行解，若x_APareto支配x_B，则存在且只存在

$\&Exists;j=1,2,...,M,f_j\left(x_A\right)<f_j\left(x_B\right)$

记作x_A＞x_B,如果不存在其它解支配x_A，则称x_A为非支配解，

其中X为可行域，x为可行域中的个体，f_i(x)为第i个目标函数，F(x)为多个目标函数值得到的矩阵，min表示对F(x)进行最小化计算，()^T表示对()内矩阵的转置，表示任意性，表示存在性，∧为逻辑与；

6b)创建一个空的非支配种群，如果临时种群的大小小于设定的非支配种群个体数的上限，则将临时种群中个体直接复制到非支配种群中，否则计算拥挤距离，根据拥挤距离对临时种群进行降序排序，从排序结果中选取前n_N个个体复制到非支配种群中排序，

所述计算拥挤距离按如下步骤进行：

(6b1)创建一个二维坐标系，将非支配种群中的每个个体的两个目标函数值分别作为个体的两个坐标值，将所有个体依照坐标值放在二维坐标系上；

(6b2)对二维坐标系内的非边界点，将与该非边界点距离最近的前一个和后一个点作为矩形的两个对角顶点，并计算该矩形的周长作为该非边界点的拥挤距离i_distance；而对于任意的边界点，设定其拥挤距离为非边界点中最大的拥挤距离的2倍；

(7)创建一个空的活跃种群，如果非支配种群的个体数不大于活跃种群的个体数上限，则将非支配种群的个体直接复制到活跃种群中，否则根据拥挤距离选择活跃种群限定个数的个体复制到活跃种群中，得到活跃种群；

(8)判断是否对活跃种群执行进化操作，如果已经执行进化操作，则判断进化次数是否达到迭代上限，如果达到迭代上限则停止迭代，执行步骤(10)，如果未执行进化操作或未达到迭代上限则执行步骤(9)，继续对活跃种群执行进化操作；

(9)进化活跃种群

9a)用同比例克隆方法对活跃种群进行克隆操作,得到克隆种群；

9b)用交叉算子对活跃种群和克隆种群进行交叉操作重组种群中的个体信息，保留交叉操作后的种群；

9c)用变异算子对克隆种群进行变异，保留变异操作后的种群；

9d)合并非支配种群、交叉操作后的种群和变异操作后的种群，得到新的种群，转步骤(5)对新的种群个体进行适应度评价；

(10)将步骤(7)得到的活跃种群的个体的适应度值归一化到闭区间[0.0,1.0]，计算每个个体归一化后两个目标函数值的和，选择其最小的个体作为最优个体；

(11)对选取的最优个体按图像块标记其类标号，再对图像块内的所有像素点标记类标号，每一个类标号分别从闭区间[0,255]中选择一个整数作为对应的像素值，将对应像素值赋值给每个像素点得到最终分割结果。

2.根据权利要求1所述的基于多目标进化算法的图像分割方法，其特征在于：步骤(3)所述的对待分割图像进行初分割，得到初分割对象数据，按如下步骤进行：

(3.1)采用分水岭方法对待分割图像进行初分割，得到不同的图像块；

(3.2)对每一个图像块的所有像素点纹理特征向量取平均值，得到该块的纹理特征向量；

(3.3)用线性方法对所有图像块的纹理特征向量归一化，得到初分割对象数据。

3.根据权利要求1所述的基于多目标进化算法的图像分割方法，其特征在于：步骤(5)所述的计算种群中每个个体的两个适应度值，按如下步骤进行：

(5.1)对种群中每个个体根据编码值计算每一类的所有图像块到该类聚类中心的距离和，再计算所有类到其聚类中心的距离和的总和，得到表示图像紧密度的内部集群方差，作为个体的一个适应度值；

(5.2)对种群中每个个体的每个图像块计算与其欧式距离最近的L个图像块的惩罚值并求和，再将所有图像块的惩罚值求和得到近邻惩罚值，将得到的近邻惩罚值作为表示图像连通性的另一个适应度值。

4.根据权利要求1所述的基于多目标进化算法的图像分割方法，其特征在于：步骤9a)所述的用同比例克隆方法对活跃种群进行克隆操作得到克隆种群，按如下步骤进行：

(9a.1)应用拥挤距离计算得到的克隆的比例系数，根据比例系数得到对每个个体的繁殖次数，按照繁殖次数对活跃种群中的个体进行复制操作；

(9a.2)将复制得到的所有个体进行保存，得到克隆种群。

5.根据权利要求1所述的基于多目标进化算法的图像分割方法，其特征在于：步骤9b)所述的用交叉算子对活跃种群和克隆种群进行交叉操作重组种群中的个体信息，按如下步骤进行：

(9b.1)依次对克隆种群中的每个个体从活跃种群中随机选取一个个体作为交叉对象，将这两个个体作为父代染色体；

(9b.2)在任意一个染色体上随机选取一个位置作为交换点，将两个父代染色体交换点的后半部分进行交换，得到两个新的个体并保存。

6.根据权利要求1所述的基于多目标进化算法的图像分割方法，其特征在于：步骤9c)所述的用变异算子对克隆种群进行变异，按如下步骤进行：

(9c.1)设定变异概率P_m，依次对克隆种群中每个个体生成一个在闭区间[0.0,1.0]内的随机数值，如果生成的随机数值小于设定的变异概率P_m，则执行步骤(9c.2)，否则对下一个个体进行是否变异的判断；

(9c.2)对待变异个体随机选择一个变异位，将变异位的类别值随机改为其它任意的类别值，得到新的个体并保存。