CN104050680A - 基于迭代自组织和多智能体遗传聚类算法的图像分割方法 - Google Patents

Abstract

本发明公开了一种基于迭代自组织和多智能体遗传聚类算法的图像分割方法，主要解决现有技术中分割结果过分依赖初始参数、容易陷入局部最优的问题。其分割步骤为：1)提取待分割图像的灰度信息；2)将迭代自组织算法ISODATA算法思想作用到待分割图像上，获得最优聚类数目；3)根据最优聚类数目，利用多智能体的算法框架对待分割图像进行聚类，获得最优聚类标签；4)根据最优聚类标签，对待分割图像像素分类，实现图像分割。本发明不需明确确定聚类数目，且收敛效果好，容易得到全局最优值，能够改善图像分割的质量、增强了分割结果的稳定性，可用于图像目标的提取和识别以及其它后续处理。

Description

基于迭代自组织和多智能体遗传聚类算法的图像分割方法

技术领域

本发明隶属于数字图像处理技术领域，涉及一种图像分割方法，可用于模式识别以及计算机视觉领域。

背景技术

图象分割是图象处理中一项关键技术，其在图像处理研究中有着非常广泛的应用，例如目标识别、目标测量都是以图像分割为基础的，图像的分割结果直接影响着后续任务的进行，因此图像分割的研究具有十分重要的意义。图像分割是一种特殊的图像处理技术，其实质上是按照图像像素属性即灰度、纹理、颜色进行分类的一个过程。现有图像分割方法中较为常用的方法包括基于聚类的图像分割方法和基于边缘提取的图像分割方法。其中，基于聚类的图像分割方法应用尤为突出，其优点是易于实现，分割效果好。基于边缘提取的图像分割方法常应用于边缘清晰，对比度明显的图像上，但是其缺点尤为明显：无法应用于复杂的自然图像分割和SAR图像分割上。

基于聚类的分割方法被广泛地应用于生物医学、计算机视觉和遥感图像处理等领域。聚类实质是将未知分布的一组数据进行分类，最大程度的使同一类别中的数据具有相同的性质，且不同类的数据具有不同的性质。

基于此，各种各样的聚类算法被应用到图像分割领域，并且取得了越来越满意的效果。但由于图像数据的特殊性与多样性，并非所有的聚类算法都可以直接应用到图像分割领域，很多算法都需要进行包装改进，甚至一部分算法根本就不适合用于进行图像分割。目前的研究中，常用的聚类技术有以下几种：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。

初期，研究人员常常用于图像分割的聚类算法是分层聚类算法。这种算法的优点是简单，易于操作，但同时它也带来了很多不便，比如：依赖于初始设定的聚类种类数目、容易陷入局部最优、聚类结果不理想等等。为了解决这类问题，研究人员进行了很多尝试，有人采用遗传算法GA与聚类算法相结合，得到了比较满意的结果，但由于传统遗传算法全局进化机理的局限性，结合后的聚类方法仍然具有依赖聚类初始设定类别和容易陷入局部最优值等缺点，导致图像分割结果质量的下降和分割效果稳定性的降低，不利于后续的图像分析和处理。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于迭代自组织和多智能体遗传聚类算法的图像分割方法，以减小初始设定参数对聚类结果的影响，改善图像分割效果，增强图像分割结果的稳定性。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)输入待分割图像，提取待分割图像的灰度信息，标记为data；

(2)对数据data进行迭代自组织处理，输出最优聚类数目c：

(2a)令聚类数目为c₀，最大迭代次数为T₀，最大类内标准差为θ_s，最小聚类中心距离为θ_c，随机初始化聚类原型，令迭代次数t＝0；

(2b)利用下式修正聚类原型的各聚类中心

$z_j=\frac{1}{N_j}\underset{x\∈S_j}{\mathrm{\Σ}}x,j=\mathrm{1,2},...,c_0;$

式中，z_j为第j类聚类集聚类中心，N_j为第j类聚类集中的像素点数目，S_j为第j类聚类集，x为第j类内的对应数据值，c₀为聚类数目；

(2c)计算聚类原型中的总类内平均距离D以及第j类聚类集的类内平均距离和类内标准差d_j，其中j＝1,2,...,c₀；

(2d)将类内标准差d_j与最大类内标准差θ_s进行比较，如果d_j>θ_s且则执行步骤(2e)，否则跳转步骤(2f)；

(2e)将S_j平均分成两个新的聚类集，更新聚类数目c₀，返回步骤(2b)；

(2f)计算聚类原型中第j个聚类集S_j和第j+1个聚类集S_j+1的聚类中心的距离D_j,j+1；并将其与最小聚类中心距离θ_c相比较，如果D_j,j+1<θ_c则执行步骤(2g)，否则，跳转步骤(2h)；

(2g)将所述的两个聚类集S_j和S_j+1合并成一个聚类集，更新聚类数目c₀，返回步骤(2b)；

(2h)将迭代次数t与最大迭代次数T₀相比较，如果t＝T₀，输出最优聚类数目c＝c₀,终止迭代操作，否则令t＝t+1，返回步骤(2b)；

(3)根据最优聚类数目c，应用多智能体遗传聚类算法，对图像灰度信息数据data进行聚类、优化，输出最优聚类标签：

(4)根据最优聚类标签，对输入的待分割图像的像素点进行分类，将每一类像素点作为一个图像块，得到分割图像。

本发明与现有技术相比，具有以下优点：

1)本发明由于引入了迭代自组织的算法思想，对聚类结果采用了合并和分裂操作，因此克服了现有技术对初始聚类数目过于依赖的缺点，增强了分割结果的稳定性；

2)本发明由于在聚类时使用了多智能体遗传算法，分割时选择最优聚类标签进行，更有利得到全局最优解，因此克服了现有技术易陷入局部最优解的缺点，提高了分割效果。

仿真结果表明，本发明方法获得了较好的分割效果，而且在设定不同的初始聚类数目时，可以得到稳定、一致的分割结果。

附图说明

图1本发明的实现流程图；

图2智能体生存的网格环境；

图3是用本发明方法在初始聚类数目设定为c₀＝2和c₀＝3时应用到两类灰度图像的仿真分割结果；

图4是用本发明方法在初始聚类数目设定为c₀＝2和c₀＝3时应用到sar河流图像的仿真分割结果；

图5是用本发明方法在初始聚类数目设定为c₀＝2和c₀＝3时应用到sar机场图像的仿真分割结果。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，输入一幅待分割图像，提取该待分割图像像素的灰度信息数据。

步骤2，对待分割图像的灰度信息数据进行迭代自组织处理，输出最优聚类数目c。

(2.1)令聚类数目为c₀，最大迭代次数为T₀，最大类内标准差为θ_s，最小聚类中心距离为θ_c，随机初始化聚类原型，令迭代次数t＝0；

所述的随机初始化聚类原型是指：随机选取c₀个像素值z_j，j＝1,2,...,c₀，将图像像素根据灰度信息按最小距离原则分给聚类中心z_j，组成一个聚类集S_j，其中最小距离原则是指灰度信息中灰度值差距最小；

(2.2)利用下式修正聚类原型的聚类中心：

$z_j=\frac{1}{N_j}\underset{x\&Element;S_j}{\mathrm{\&Sigma;}}x,j=\mathrm{1,2},...,c_0,$

式中，z_j为第j类聚类集聚类中心，N_j为第j类聚类域中的像素点数目，S_j为第j类聚类集，x为聚类集S_j内像素点的灰度值,c₀为聚类数目；

(2.3)计算修正聚类中心后聚类原型的如下参数：

总类内平均距离： $\stackrel{\&OverBar;}{D}=\frac{1}{N}\underset{j=1}{\overset{c_0}{\mathrm{\&Sigma;}}}{N}_j{\stackrel{\&OverBar;}{D}}_j,$

类内平均距离： ${\stackrel{\&OverBar;}{D}}_j=\frac{1}{N_j}\underset{x\&Element;S_j}{\mathrm{\&Sigma;}}|x-z_j|,$

类内标准差： $d_j=\sqrt{\frac{1}{N_j}\underset{x\&Element;S_j}{\mathrm{\&Sigma;}}{(x-z_j)}^2},$

式中，j＝1,2,...,c₀,N为图像内所有像素点的个数，N_j为第j类聚类集中的像素点数目，S_j为第j类聚类集，x为聚类集S_j内像素点的灰度值,Z_j为第j类聚类域的聚类中心，c₀为聚类数目；

(2.4)将类内标准差d_j与最大类内标准差θ_s进行比较，如果d_j>θ_s且则执行步骤(2.5)，否则跳转步骤(2.6)；

(2.5)对S_j进行分裂操作：

(2.5.1)将S_j平均分裂成正聚类集和负聚类集计算正聚类集的聚类中心和负聚类集的聚类中心

$z_j^{+}=z_j-|z_{j+1}-z_{j-1}|/6,$

$z_j^{-}=z_j+|z_{j+1}-z_{j-1}|/6,$

式中，j＝1,2,...c₀-1，z_j-1是第j-1类聚类集的聚类中心，z_j是第j类聚类集的聚类中心，z_j+1是第j+1类聚类集的聚类中心，c₀为聚类数目；

(2.5.2)更新聚类数目：c₀＝c₀+1，返回步骤(2.2)；

(2.6)计算聚类原型中第j个聚类集S_j和第j+1个聚类集S_j+1的聚类中心的距离D_j,j+1：

D_j,j+1＝|z_j+1-z_j|，j＝1,2,...c₀-1，

式中，z_j是第j类聚类集的聚类中心，z_j+1是第j+1类聚类集的聚类中心；

(2.7)将步骤(2.6)得到的聚类中心的距离D_j,j+1与最小聚类中心距离θ_c相比较，如果D_j,j+1<θ_c则执行步骤(2.8)，否则，跳转步骤(2.9)；

(2.8)对第j类聚类集S_j和第j+1类聚类集S_j+1进行合并操作：

(2.8.1)将第j类聚类集S_j和第j+1类聚类集S_j+1合并成第jj类聚类集S_jj，计算S_jj的聚类中心z_jj：

z_jj＝(z_j+1+z_j)/2，j＝1,2,...c₀-1；

式中，z_j是第j类聚类集的聚类中心，z_j+1是第j+1类聚类集的聚类中心，c₀为聚类数目；

(2.8.2)更新聚类数目：c₀＝c₀-1，返回步骤(2.2)；

(2.9)将迭代次数t与最大迭代次数T₀相比较，如果t＝T₀，输出最优聚类数目c＝c₀，终止迭代操作，否则令t＝t+1，返回步骤(2.2)。

步骤3，应用多智能体遗传聚类算法，根据最优聚类数目c，对图像灰度信息数据进行聚类，输出最优聚类标签。

(3.1)令聚类数目为最优聚类数目c，最大进化代数为T，竞争概率为P₀，变异概率为p_m，随机初始化聚类原型，即随机选取c个像素值z_j，j＝1,2,...,c，将图像像素根据灰度信息按最小距离原则分给聚类中心z_j，组成一个聚类集S_j，其中最小距离原则是指灰度信息中灰度值差距最小；

(3.2)将一个聚类原型作为一个智能体，智能体中包含元素聚类中心，确定智能体种群大小即智能体个数，令进化代数t＝0；

(3.3)利用如下公式计算种群中每个智能体的能量Energy(V)：

$\mathrm{Energy}\left(V\right)=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{x\&Element;S_j}{\mathrm{\&Sigma;}}{|x-z_j|}^2}$

式中V表示种群中的单个智能体，c为最优聚类数目，S_j为第j类聚类集，x为聚类集S_j内像素点的灰度值，z_j为对应聚类中心；

(3.4)根据种群中智能体的能量Energy(V)，将邻域竞争算子作用在智能体网格L^t中的每个智能体上，获得智能体网格L^t+1/2，该智能体网格是智能体生存的一个网格环境，记为L，大小定义为L_size×L_size，其中L_size为整数，每个智能体固定在一个格点上，记处于第ii行、第jj列的智能体为L_ii,jj，ii,jj＝1,2,…,L_size，智能体L_ii,jj的邻域为：

$L_{\mathrm{ii},\mathrm{jj}}^n=\{L_{{\mathrm{ii}}^{\&prime;},\mathrm{jj}}{,L}_{\mathrm{ii},{\mathrm{jj}}^{\&prime;}},L_{{\mathrm{ii}}^{\&prime;\&prime;},\mathrm{jj}},L_{\mathrm{ii},{\mathrm{jj}}^{\&prime;\&prime;}}\}$

其中，

${\mathrm{ii}}^{\&prime;}=\left\{\begin{array}{cc}\mathrm{ii}-1& \mathrm{ii}\&NotEqual;1\\ L_{\mathrm{size}}& \mathrm{ii}=1\end{array}\right.,{\mathrm{jj}}^{\&prime;}=\left\{\begin{array}{cc}\mathrm{jj}-1& \mathrm{jj}\&NotEqual;1\\ L_{\mathrm{size}}& \mathrm{jj}=1\end{array}\right.,{\mathrm{ii}}^{\&prime;\&prime;}=\left\{\begin{array}{cc}\mathrm{ii}+1& \mathrm{ii}\&NotEqual;L_{\mathrm{size}}\\ 1& \mathrm{ii}=L_{\mathrm{size}}\end{array}\right.,{\mathrm{jj}}^{\&prime;\&prime;}=\left\{\begin{array}{cc}\mathrm{jj}+1& \mathrm{jj}\&NotEqual;L_{\mathrm{size}}\\ 1& \mathrm{jj}=L_{\mathrm{size}}\end{array}\right.$

每个智能体不能移动，只能与其邻域发生相互作用，为智能体L_ii,jj邻域能量最大的智能体；

图2给出了智能体网格的结构示意图，图中每个圆圈表示一个智能体，圆圈中的数字表示该智能体在网格中的位置，而有互相连线的两个智能体才能发生相互作用；

所述的邻域竞争算子是按如下两种策略产生一个新的智能体

策略1：

按下式产生新智能体

其中p＝1,2,…,c，e_p为中的元素，为智能体网格中智能体元素数值的下界，为智能体网格中智能体元素数值的上界，m_p为智能体中位于p处的值，l_p为智能体L_ii,jj中位于p处的值，c为聚类数目，R(-1,1)为-1到+1之间的随机数；

策略2，按如下步骤产生新智能体

首先，按下式将中所有元素m_p映射到区间[0,1]上，得到新的元素:用这些元素构成中间智能体

$L_{\mathrm{ii},\mathrm{jj}}^{{\mathrm{new}}^{\&prime;}}=(m_1^{\&prime;},m_2^{\&prime;},...,m_{i_1-1}^{\&prime;},m_{i_2-1}^{\&prime;},...,m_{i_1+1}^{\&prime;},m_{i_1}^{\&prime;},m_{i_2+1}^{\&prime;},m_{i_2+2}^{\&prime;},...,m_p^{\&prime;}),$

其中p＝1,2,…,c，1<i₁<c，1<i₂<c，i₁<i₂，c为最优聚类数目，m_p为智能体中位于p处的值，x _p为智能体网格中智能体元素数值的下界，为智能体网格中智能体元素数值的上界；

然后，根据下式将智能体映射回区间上，得到新智能体

$e_p={\underset{\&OverBar;}{x}}_p+m_p^{\&prime;}({\stackrel{\&OverBar;}{x}}_p-{\underset{\&OverBar;}{x}}_p).p=\mathrm{1,2},...,c$

e_p为中的元素，x _p为智能体网格中智能体元素数值的下界，为智能体网格中智能体元素数值的上界，c为聚类数目；

所述的两种不同策略根据竞争概率P₀进行选择：首先，产生0到1之间的随机数R(0,1)；其次，令R(0,1)与竞争概率P₀相比较，如果R(0,1)>P₀，则选择策略1，否则，选择策略2；

(3.5)对于新的智能体网格L^t+1/2中的每一个智能体，设R(0,1)是0到1之间的随机数，如果R(0,1)小于变异概率p_m，将高斯变异算子作用在智能体上，得到下一代智能体网格L^t+1；

所述的高斯变异算子是通过下式产生一个新的变异智能体

其中p＝1,2,…,c，c为聚类数目，l_p为智能体L_ii,jj中位于p处的值；G(0,1/t)是高斯分布的随机数；R(0,1)是0到1之间的随机数，T为总进化代数，t是当前进化代数；

(3.6)从下一代智能体网格L^t+1中找到能量最大的智能体CBest^t+1，将自学习算子作用在该智能体CBest^t+1上，如果满足Energy(CBest^t+1)＞Energy(Best^t),则Best^t+1←CBest^t+1，否则，Best^t+1←Best^t，CBest^t+1←Best^t，其中：Best^t为L⁰,L¹,...,L^t中能量最大的智能体，检查当前代数t是否达到最大进化代数T，如果t＝T，输出最优聚类标签并停止，否则，t←t+1返回步骤(3.2)。

所述的自学习算子是按如下步骤产生一个新的智能体：

首先，利用智能体网格生成的方法产生一个自学习智能体网格sL，其大小为sL_size×sL_size，sL_size为整数，其上的所有智能体sL_i′,j′,i′,j′＝1,2,...,sL_size根据下式产生：

其中p＝1,2,…,c，x _p为智能体网格中智能体元素数值的下界；为智能体网格中智能体元素数值的上界；l_p为智能体CBest^t+1中位于p处的值，R(1-sR,1+sR)表示1-sR到1+sR之间的随机数，sR∈[0,1]表示搜索半径；

其次，将邻域竞争算子和变异算子迭代作用在自学习智能体网格sL上，最大迭代代数为sG，用自学习智能体网格sL中能量最大的智能体替代当前种群中的任意一个智能体。

步骤4，根据最优聚类标签，对输入的待分割图像的像素点进行分类，将每一类像素点作为一个图像块，得到分割图像，输出分割后的图像。

本发明的效果可以通过以下仿真结果进一步说明。

1.参数设置

在初始聚类数目c₀＝2时，最大进化代数T₀＝10,T＝20，最大类内标准差θ_s＝15000，最小聚类中心距离θ_c＝40，智能体网格大小L_size＝10，竞争概率P₀＝0.3，变异概率P_m＝0.1，自学习智能体网格大小sL_size＝4，搜索半径sR＝0.2，自学习代数sG＝8。

在初始聚类数目c₀＝3时，最大进化代数T₀＝10,T＝20，最大类内标准差θ_s＝15000，最小聚类中心距离θ_c＝40，智能体网格大小L_size＝10，竞争概率P₀＝0.3，变异概率P_m＝0.1，自学习智能体网格大小sL_size＝4，搜索半径sR＝0.2，自学习代数sG＝8。

2.仿真内容

仿真内容1，用本发明对合成的两类灰度图像进行分割，其结果如图3所示，其中：图3(a)为原始合成的两类灰度图像，圆形物体灰度值为255，背景灰度值为51，图3(b)为初始聚类数目c₀＝2时的分割结果图，图3(c)为初始聚类数目c₀＝3时的分割结果图。

仿真内容2，用本发明对SAR河流图像进行分割，其结果如图4所示，其中：图4(a)为原SAR河流图像，图4(b)为初始聚类数目c₀＝2时的分割结果图，图4(c)为初始聚类数目c₀＝3时的分割结果图。

仿真内容3，用本发明对SAR机场图像进行分割，其结果如图5所示，其中：图5(a)为原SAR机场图像，图5(b)为初始聚类数目c₀＝2时的分割结果图，图5(c)为初始聚类数目c₀＝3时的分割结果图。

3.仿真分析

从图3中仿真结果可以看出，在c₀设定为2和c₀设定为3时，对于合成的两灰度图像，本发明均获得了一致的分割结果，成功的分割出了合成的两类灰度图像中的圆形物体，说明对于简单合成灰度图像本发明方法不受初始聚类数目设定的影响，能够取得准确的分割结果。

从图4中仿真结果可以看出，在c₀设定为2和c₀设定为3时，本发明都能获得很稳定的分割结果，分割结果都具有很好的区域一致性，成功的分割出了图像中的河流，说明本发明大大减弱了初始聚类数目设定对图像分割效果的影响。

从图5中仿真结果可以看出，本发明获得了良好的分割结果，分割出的机场跑道清晰，且在c₀设定为2和c₀设定为3时都取得了一致的分割结果，说明本方法增强了图像分割结果的稳定性并减弱了初始聚类数目设定对图像分割效果的影响，同时，在分割结果的稳定性方面，本发明也得到了比较满意的效果。

Claims (6)

1.一种基于迭代自组织和多智能体遗传聚类算法的图像分割方法，包括如下步骤：

(1)输入待分割图像，提取待分割图像的灰度信息，标记为data；

(2)对数据data进行迭代自组织处理，输出最优聚类数目c：

(2a)令聚类数目为c₀，最大迭代次数为T₀，最大类内标准差为θ_s，最小聚类中心距离为θ_c，随机初始化聚类原型，令迭代次数t＝0；

(2b)利用下式修正聚类原型的各聚类中心

$z_j=\frac{1}{N_j}\underset{x\&Element;S_j}{\mathrm{\&Sigma;}}x,j=\mathrm{1,2},...,c_0;$

式中，z_j为第j类聚类集聚类中心，N_j为第j类聚类集中的像素点数目，S_j为第j类聚类集，x为第j类内的对应数据值，c₀为聚类数目；

(2c)计算聚类原型中的总类内平均距离以及第j类聚类集的类内平均距离和类内标准差d_j，其中j＝1,2,...,c₀；

(2d)将类内标准差d_j与最大类内标准差θ_s进行比较，如果d_j>θ_s且则执行步骤(2e)，否则跳转步骤(2f)；

(2e)将S_j平均分成两个新的聚类集，更新聚类数目c₀，返回步骤(2b)；

(2f)计算聚类原型中第j个聚类集S_j和第j+1个聚类集S_j+1的聚类中心的距离D_j,j+1；并将其与最小聚类中心距离θ_c相比较，如果D_j,j+1<θ_c则执行步骤(2g)，否则，跳转步骤(2h)；

(2g)将所述的两个聚类集S_j和S_j+1合并成一个聚类集，更新聚类数目c₀，返回步骤(2b)；

(2h)将迭代次数t与最大迭代次数T₀相比较，如果t＝T₀，输出最优聚类数目c＝c₀,终止迭代操作，否则令t＝t+1，返回步骤(2b)；

(3)根据最优聚类数目c，应用多智能体遗传聚类算法，对图像灰度信息数据data进行聚类，输出最优聚类标签：

(4)根据最优聚类标签，对输入的待分割图像的像素点进行分类，将每一类像素点作为一个图像块，得到分割图像。

2.根据权利要求1所述的基于迭代自组织和多智能体遗传聚类算法的图像分割方法，其中所述步骤(2c)中的总类内平均距离类内平均距离和类内标准差d_j，其计算公式分别为：

总类内平均距离： $\stackrel{\&OverBar;}{D}=\frac{1}{N}\underset{j=1}{\overset{c_0}{\mathrm{\&Sigma;}}}{N}_j{\stackrel{\&OverBar;}{D}}_j$

类内平均距离： ${\stackrel{\&OverBar;}{D}}_j=\frac{1}{N_j}\underset{x\&Element;S_j}{\mathrm{\&Sigma;}}|x-z_j|$

类内标准差： $d_j=\sqrt{\frac{1}{N_j}\underset{x\&Element;S_j}{\mathrm{\&Sigma;}}{(x-z_j)}^2},$

式中，j＝1,2,...,c₀,N为图像内所有像素点的个数，N_j为第j类聚类集中的像素点数目，S_j为第j类聚类集，x为聚类集S_j内像素点的灰度值,Z_j为第j类聚类域的聚类中心，c₀为聚类数目。

3.根据权利要求1所述的基于迭代自组织和多智能体遗传聚类算法的图像分割方法，其中步骤(3)中所述的应用多智能体遗传聚类算法，对图像灰度信息数据data进行聚类，按如下步骤进行：

(3a)随机初始化聚类原型，每个聚类原型作为一个智能体，确定智能体种群大小,最大进化代数T，竞争概率为P₀，变异概率为p_m，令进化代数t＝0；

(3b)利用如下公式计算种群中智能体的能量Energy(V)：

$\mathrm{Energy}\left(V\right)=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{x\&Element;S_j}{\mathrm{\&Sigma;}}{|x-z_j|}^2}$

式中V表示种群中的单个智能体，c为最优聚类数目，S_j为第j类聚类集，x为聚类集S_j内像素点的灰度值，z_j为对应聚类中心；

(3c)根据种群中智能体的能量Energy(V)，将邻域竞争算子作用在智能体网格L^t中的每个智能体上，获得智能体网格L^t+1/2；

(3d)设R(0,1)是0到1之间的随机数，如果R(0,1)小于变异概率p_m，将高斯变异算子作用在智能体网格L^t+1/2中的智能体上，得到下一代智能体网格L^t+1；

(3e)从下一代智能体网格L^t+1中找到能量最大的智能体CBest^t+1，将自学习算子作用在该智能体CBest^t+1上，更新智能体网格得到更新后的智能体网格L^t+1，检查当前代数t是否达到最大进化代数T，如果t＝T，输出最优聚类标签并停止，否则，t←t+1返回步骤(3b)。

4.根据权利要求3所述的基于迭代自组织和多智能体遗传聚类算法的图像分割方法，其中所述步骤(3c)中的邻域竞争算子，是指按如下两种策略之一产生一个新的智能体

策略1：

按下式产生新智能体

其中p＝1,2,…,c，e_p为中的元素，x _p为智能体网格中智能体元素数值的下界，为智能体网格中智能体元素数值的上界，m_p为智能体中位于p处的值，l_p为智能体L_ii,jj中位于p处的值，c为聚类数目，R(-1,1)为-1到+1之间的随机数；

策略2，按如下步骤产生新智能体

第一步，按下式将中所有元素m_p映射到区间[0,1]上，得到新的元素用这些元素构成中间智能体

$L_{\mathrm{ii},\mathrm{jj}}^{{\mathrm{new}}^{\&prime;}}=(m_1^{\&prime;},m_2^{\&prime;},...,m_{i_1-1}^{\&prime;},m_{i_2-1}^{\&prime;},...,m_{i_1+1}^{\&prime;},m_{i_1}^{\&prime;},m_{i_2+1}^{\&prime;},m_{i_2+2}^{\&prime;},...,m_p^{\&prime;}),$

其中p＝1,2,…,c，1<i₁<c，1<i₂<c，i₁<i₂，c为最优聚类数目，m_p为智能体中位于p处的值，x _p为智能体网格中智能体元素数值的下界，为智能体网格中智能体元素数值的上界；

第二步，根据下式将智能体映射回区间上，得到新智能体

$e_p={\underset{\&OverBar;}{x}}_p+m_p^{\&prime;}({\stackrel{\&OverBar;}{x}}_p-{\underset{\&OverBar;}{x}}_p).p=\mathrm{1,2},...,c$

e_p为中的元素，x _p为智能体网格中智能体元素数值的下界，为智能体网格中智能体元素数值的上界，c为聚类数目；

所述的两种不同策略根据竞争概率P₀进行选择：

首先，产生0到1之间的随机数R(0,1)；

其次，令R(0,1)与竞争概率P₀相比较，如果R(0,1)>P₀，则选择策略1，否则，选择策略2。

5.根据权利要求3所述的基于迭代自组织和多智能体遗传聚类算法的图像分割方法，其中所述步骤(3d)中的高斯变异算子，是指通过下式产生一个新的变异智能体 $L_{\mathrm{ii},\mathrm{jj}}^{\mathrm{mut}}=\left\{e_p^{\mathrm{mut}}\right\},$

其中p＝1,2,…,c，c为聚类数目，l_p为智能体L_ii,jj中位于p处的值；G(0,1/t)是高斯分布的随机数；R(0,1)是0到1之间的随机数，T为总进化代数，t是当前进化代数。

6.根据权利要求3所述的基于迭代自组织和多智能体遗传聚类算法的图像分割方法，其中所述步骤(3e)中的自学习算子，是指按如下步骤产生一个新的智能体：

(3e1)利用智能体网格生成的方法产生一个自学习智能体网格sL，其大小为sL_size×sL_size，sL_size为整数，其上的所有智能体sL_i′,j′,i′,j′＝1,2,...,sL_size根据下式产生：

其中p＝1,2,…,c，x _p为智能体网格中智能体元素数值的下界；为智能体网格中智能体元素数值的上界；l_p为智能体CBest^t+1中位于p处的值，R(1-sR,1+sR)表示1-sR到1+sR之间的随机数，sR∈[0,1]表示搜索半径；

(3e2)将邻域竞争算子和变异算子迭代作用在自学习智能体网格sL上，最大迭代代数为sG，用自学习智能体网格sL中能量最大的智能体替代当前种群中的任意一个智能体。