CN104794732A - 基于人工免疫网络聚类的灰度图像分割方法 - Google Patents

Abstract

本发明公开了一种基于免疫网络聚类的灰度图像分割方法，主要解决现有图像分割技术中计算复杂度高、分割速度慢的问题。其实现步骤为：(1)输入待分割灰度图像；(2)提取待分割灰度图像的特征；(3)获得聚类数据；(4)随机产生初始抗体种群，完成初始化；(5)优化训练；(6)检查是否所有的抗原都已进入网络；(7)重复5-6步100次，优化训练结束；(8)聚类；(9)产生聚类结果；(10)输出分割图像。本发明通过分水岭与免疫网络聚类方法实现灰度图像分割，获得较多图像细节信息，获得更加准确的区域一致性和更好的边缘保持性，分割速度更快，提高了整体分割精度，可应用在自然灰度图像分割技术领域。

Description

基于人工免疫网络聚类的灰度图像分割方法

技术领域

本发明属于图像处理技术领域，更进一步涉及灰度图像分割技术，具体是一种基于人工免疫网络的聚类分割方法。本发明可用于对自然灰度图像的分割以达到目标识别的目的。

背景技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。目前，人们更多采用基于聚类分析的方法来进行图像分割。用基于聚类分析的方法分割图像是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，从而达到图像分割的目的。

为了更加准确、全面的获取图像分割信息，近几年出现了一些应用人工免疫方法实现图像分割的技术，达到了很好的分割结果和分割精度。

西安电子科技大学在其专利申请“基于免疫多目标聚类的图像分割方法”(专利申请号：201010214613.7，公开号：CN101866489A)中公开了一种基于免疫多目标聚类的图像分割方法。该方法提出了一种加入局部搜索机制的免疫方法，并对克隆种群规模进行自适应化，然后将其用于图像分割，最后通过PBM指标获得最终的图像分割结果。虽然该方法在区域一致性和边缘保持方面有一定的改善效果，但是该方法仍然存在不足：采用了过多的进化技术：克隆、二进制交叉和二进制变异，交叉和变异针对聚类中的全部数据进行操作，对于交叉来说，在选定某个断点，即聚类数据的某维度后需要两两之间分别进行操作，这增加了整个分割过程的时间复杂度，使得分割速度较慢，对于图像分割来说，降低了效率；将聚类转化为多目标优化问题，相对于单目标聚类来说采用了多个优化函数，在保证其中某个函数最优的情况下，无法确保其余的优化函数能够得到最优解，而如何选取多个函数的折中最优增加了计算复杂度。

发明内容

本发明针对上述现有技术存在的不足，提出了一种分割速度快，效率高的基于人工免疫聚类的灰度图像分割方法,该分割方法包括有如下步骤：

步骤1.输入待分割灰度图像。

步骤2.提取待分割灰度图像的纹理特征：

2a)利用灰度共生矩阵方法提取待分割灰度图像的特征向量；

2b)用提取的特征向量表示待分割灰度图像的每一个像素点。

步骤3.产生免疫网络的聚类数据，得到初始抗原集合Ag：

3a)用分水岭方法处理待分割灰度图像，得到类别不同的图像块；

3b)对获得的类别不同的所有图像块的像素点特征取平均值，获得代表初始聚类数据的特征值；

3c)将各个类别不同的图像块获得的特征值作为初始抗原集合Ag。

步骤4.随机产生初始抗体种群Ab，种群也称为集合，并将初始化的抗体作为抗原的入侵对象，完成免疫网络的初始化；初始抗体简称抗体，初始抗体经过免疫网络之后的数据作为抗原入侵的对象。具体方法是利用rand函数随机产生长度为12的抗体10个，长度也可称为维度。

步骤5.优化训练初始化的抗体数据：

5a)从待分割灰度图像的初始抗原集合Ag中随机选择一个抗原Ag_j进入免疫网络；

5b)按照亲和度公式计算抗体集合Ab和入侵抗原Ag_j的亲和度值；即抗体和抗原的亲和度

5c)抗体克隆：选择抗体集合Ab和入侵抗原Ag_j的亲和度大于死亡阈值δ_d的n个抗体进行克隆，得到一个克隆集合c；亲和度越高，抗体克隆数量越多；

5d)抗体变异：按照变异公式对抗体集合Ab进行变异操作；

5e)更新抗体的刺激次数sni和免疫网络的入侵次数in；

5f)计算抗体集合Ab中变异个体与抗原Ag_j的亲和度；

5g)对抗体集合Ab中的抗体进行竞争选择操作；

5h)竞争选择之后，在抗体集合Ab中选择与抗原Ag_j亲和度最高的ε％(该发明中取值为5％)个抗体作为记忆细胞存入记忆库M中；

5i)重复5a-5h，直到所有抗原全部入侵免疫网络并得到相应的记忆细胞；

5j)计算免疫网络中抗体集合Ab和记忆库M中记忆细胞的刺激度sl_i，具体公式是

sl_i＝sn_i/in

其中，in为免疫网络入侵次数，sni为免疫网络刺激次数；

5k)合并抗体集合Ab和记忆库M；

5l)抗体之间进行竞争选择，得到新的抗体集合。

步骤6.对步骤5进行100次迭代操作，迭代次数太大会降低实验效率，迭代次数太少则无法得到理想的分割效果。

步骤7.抗体抗原之间的操作结束，即免疫网络优化训练结束。

步骤8.记忆细胞聚类；当免疫网络优化训练结束时，得到了记忆细胞库M：

8a)利用最小生成树算法对获得的记忆细胞进行聚类；

8b)得到记忆细胞的聚类标号。

步骤9.产生记忆细胞的聚类结果：

9a)将聚类标号相同的记忆细胞聚合为一类；

9b)得到待分割灰度图像的分割结果。

步骤10.输出聚类之后的灰度图像，分割过程结束。

本发明通过分水岭与人工免疫聚类方法来实现图像分割，以解决现有图像分割技术中分割速度慢、计算复杂度高等缺点，提高了图像分割的速度。

本发明的思路是：在对输入的图像进行特征提取和分水岭分割获得聚类数据后，先采用im-ainet网络进行优化训练，获得类别标号，然后利用最小生成树(MST)算法对上述数据进行聚类，并将聚类结果对应到原先的图像上，实现图像分割过程。

本发明与现有技术相比具有如下优点：

第一，本发明由于在图像分割预处理中，采用了灰度共生矩阵方法，分别提取了待分割灰度图像中两个像素点连线与横轴的方向夹角为0°、45°、90°和135°的四个方向上的对比度、逆差距和相关度的数值，获得了较多的图像细节信息，使得本发明提高了整体分割精度。

第二，本发明在图像分割的聚类过程中采用了最小生成树方法，可应用于免疫网络的快速聚类，从而与其它算法相比，本发明具有更快的分割速度。

第三，本发明在图像分割的前处理中采用了分水岭初分割图像获得聚类图像块，用块的平均特征向量代表块特征，克服了现有技术直接对像素点聚类计算量大的缺点，使得本发明具有更快的分割速度。

第四，本发明在图像分割的聚类过程中采用了竞争选择和刺激度，能够在复杂的解空间中进行有效的搜索，克服了已有技术容易陷入局部最优的缺点，使得本发明可以获得更加准确的区域一致性和更好的边缘保持性能。

附图说明

图1为本发明的流程图；

图2是本发明中的实验图像，具体为lina图像；

图3是本发明中的实验图像，具体为蔬菜图像；

图4是本发明中的实验图像，具体为大米图像。

具体实施方式

下面结合附图1对本发明的技术方案做详细说明。

图像分割是近年来在图像技术领域竞争非常激烈的一个研究方向，图像分割是将一幅图像分为多个区域或对象，是图像处理中一项基本的技术。从分割结果的角度看，图像分割的过就是给每个像素赋予一个标号，该标号反应像素在分割结果中所属的类别。在基于特征的图像分割方法中，将每个像素用其图像特征来表示，只要找到这些特征的标号，就能实现对像素的分类，从而达到图像分割的目的，因此，聚类技术是解决这个问题的方法之一。

在公开号为“CN101866489A”的专利中公开了一种基于免疫多目标聚类的图像分割方法。提出了一种加入局部搜索机制的免疫方法。该方法在边缘保持方面有一定的改善，可以克服传统分割方法区域的一致性差、边界凌乱、分割结果不够准确的缺点，但是该方法仍然存在的不足是采用了过多的进化技术：免疫网络中的克隆、遗传算法中二进制交叉和二进制变异，增加了整个分割过程的计算复杂度，使得分割速度较慢。本发明在此基础上，引入了免疫网络聚类的方法，不仅降低了运行时间，还降低了计算复杂度。

实施例1

为了进一步提高分割速度，本发明提供了一种基于人工免疫网络聚类的灰度图像分割方法，参见图1，灰度图像分割包括有以下步骤：

步骤1.输入待分割灰度图像，本例中分别应用的图像为lina图像、蔬菜图像和大米图像，参见图2(a)、图3(a)和图4(a)。

步骤2.提取待分割灰度图像的纹理特征：

2a)利用灰度共生矩阵方法提取待分割灰度图像的特征向量；

2b)用提取的特征向量表示待分割灰度图像的每一个像素点。

步骤3.产生免疫网络的聚类数据，得到初始抗原集合Ag：

3a)用分水岭方法处理待分割灰度图像，得到类别不同的图像块；

3b)对获得的类别不同的所有图像块的像素点特征取平均值，获得代表初始聚类数据的特征值；

3c)将各个类别不同的图像块获得的特征值作为初始抗原集合Ag。

步骤4.随机产生初始抗体种群Ab，种群也称为集合，并将初始化的抗体作为抗原的入侵对象，完成免疫网络的初始化；初始抗体简称抗体，初始抗体经过免疫网络之后的数据作为抗原入侵的对象。具体方法是利用rand函数随机产生长度为12的抗体10个，长度也称为维度。

步骤5.优化训练初始化的抗体数据：

5a)从待分割灰度图像的初始抗原集合Ag中随机选择一个抗原Ag_j进入免疫网络；

5b)按照亲和度公式计算抗体集合Ab和入侵抗原Ag_j的亲和度值；即抗体和抗原的亲和度

5c)抗体克隆：选择抗体集合Ab和入侵抗原Ag_j的亲和度大于死亡阈值δ_d的n个抗体进行克隆，得到一个克隆集合c；亲和度越高，抗体克隆数量越多；

5d)抗体变异：按照变异公式对抗体集合Ab进行变异操作；

5e)更新抗体的刺激次数sni和免疫网络的入侵次数in，刺激次数sni和入侵次数in均设初值为0；

5f)计算抗体集合Ab中变异个体与抗原Ag_j的亲和度；

5g)对抗体集合Ab中的抗体进行竞争选择操作；

5h)竞争选择之后，在抗体集合Ab中选择与抗原Ag_j亲和度最高的ε％个抗体作为记忆细胞存入记忆库M中，亲和度值的大小代表抗体和抗原之间距离的倒数，距离太大则无法进行有效的聚类，距离太小则会降低实验效率，无法得到理想的效果，通过多次实验总结，本例中ε取值为5；

5i)重复5a-5h，直到所有抗原全部入侵免疫网络并得到相应的记忆细胞；

5j)计算免疫网络中抗体集合Ab和记忆库M中记忆细胞的刺激度sl_i，具体公式是

sl_i＝sn_i/in

其中，in为免疫网络入侵次数，sni为免疫网络刺激次数，初值均为0；

5k)合并抗体集合Ab和记忆库M；

5l)抗体之间进行竞争选择，得到新的抗体集合Ab。

本发明将遗传算法替换为免疫网络调节，从而大大降低了算法复杂度,提高了分割速度。

步骤6.对步骤5进行100次迭代操作，该值即迭代操作次数100是多次实验的经验值。当迭代值较小时，得不到理想的分类效果，当迭代值太大时，浪费时间。在多次实验效果的总结中，本例选取100做为本实验的迭代次数。

步骤7.抗体抗原之间的操作结束，即免疫网络优化训练结束。

步骤8.记忆细胞聚类；当免疫网络优化训练结束时，得到了记忆细胞库M：

8a)利用最小生成树算法对获得的记忆细胞进行聚类；

8b)得到记忆细胞的聚类标号。

步骤9.产生记忆细胞的聚类结果：

9a)将聚类标号相同的记忆细胞聚合为一类；

9b)得到待分割灰度图像的分割结果。

步骤10.输出聚类之后的灰度图像，参见图2(c)、图3(c)和图4(c)，其中图2(c)是经过本发明处理后的lina图像，图3(c)是经过本发明处理后的蔬菜图像，图4(c)是经过本发明处理后的大米图像。分割过程结束。本发明首先用分水岭的方法对待分割的灰度图像进行分割处理，但由于分水岭方法处理后的图像存在过分割的问题，所以本发明中在分水岭处理之后，又对过分割的图像块采用了免疫网络聚类技术对过分割的图像进行聚类处理，得到更准确的聚类效果。

实施例2

基于人工免疫网络聚类的灰度图像分割方法同实施例1，其中步骤2a)所述的灰度共生矩阵方法包括有如下步骤：

2a1)将待分割灰度图像量化为0-255，共256个灰度级；

2a2)依次选取待分割灰度图像中两个像素点连线与横轴的方向夹角为0°、45°、90°和135°的四个方向，按照下式分别计算待分割图像四个方向的灰度共生矩阵：

p(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|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)位置上的元素值，#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，∈为集合中的属于符号，M×N为待分割灰度图像的大小，|为概率论中的条件符号，r为(x₁,y₁)像素点矢量化后的灰度值，s为(x₂,y₂)像素点矢量化后的灰度值；

2a3)根据待分割灰度图像的灰度共生矩阵分别在夹角为0°、45°、90°和135°四个方向上得到灰度图像的对比度、逆差距和相关度的数值，由于在每个方向上均提取了对比度、逆差距和相关度的数值，所以灰度共生矩阵得到的数据为12维，即待分割灰度图像像素的12维纹理特征向量。相对于只选取一个方向的对比度、逆差距和相关度而言，本发明在12维纹理特征向量中可以获得待分割图像的更多细节信息，在一定程度上保持待分割图像的细节信息，具有较好的边缘保持性能，提高了灰度图像的整体分割精度。

实施例3

基于人工免疫网络聚类的灰度图像分割方法同实施例1-2，其中3a)所述的分水岭方法处理待分割灰度图像包括有如下步骤：

3a1)求取待分割灰度图像的梯度图；

3a2)选取待分割灰度图像的内部标记，即寻找待分割灰度图像的局部最小值；

3a3)选取待分割灰度图像的外部标记，即待分割灰度图像内部标记的分水岭变换；

3a4)梯度修正：利用强制最小技术对待分割灰度图像的梯度进行修正，以便局部最小区域仅出现在待分割灰度图像的标记位置；

3a5)对修正后的待分割灰度图像的梯度图进行分水岭变换，得到最终的待分割灰度图像的纹理特征分割图,即类别不同的图像块。

本发明上述的步骤主要是对待分割灰度图像进行了分水岭操作，通过该操作，得到了类别不同的图像块。

实施例4

基于人工免疫网络聚类的灰度图像分割方法同实施例1-3，其中5b)所述的亲和度公式为：

$S_{\mathrm{1,2}}=\frac{1}{d_{\mathrm{1,2}}}$

$d_{\mathrm{1,2}}=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(x_{1j}-x_{2j})}^2}$

其中，S_1,2为抗体和抗原之间的亲和度值，d_1,2为抗体和抗原之间的欧氏距离，本例中抗体和抗原之间的距离公式选取最简单的欧式距离，相对于其他距离公式，如切比雪夫距离(Chebyshev Distance)和闵可夫斯基距离(Minkowski Distance)式中p，q均为可变参数，取值范围1--∞，即无穷。本发明在此使用的欧式距离简单并且用在该例中已能够满足实验需求，故本例选取最简单的欧式距离,x₁＝(x₁₁,x₁₂,...,x_1m)，x₂＝(x₂₁,x₂₂,...,x_2m)分别为抗原的两个样本点，m为抗原和抗体的维数，本例中取值为12，用该亲和度公式计算抗体集合Ab和入侵抗原Ag_j的亲和度值。

本发明上述的步骤应用抗体和抗原之间的亲和度计算公式得到了抗体和抗原之间的亲和度。

实施例5

基于人工免疫网络聚类的灰度图像分割方法同实施例1-4，其中步骤5d)所述的变异公式为：

C^*＝C+λ(C-Ag_j),λ∈(0,1)

其中，c为所选的免疫网络中的抗体集合，c^*为抗体变异操作后的集合，λ与抗体和抗原之间的亲和度成反比，取值在(0,1)之间，本例中λ取值为0.8，该值为多次实验得到的最优数据，Ag_j为进入免疫网络的抗原，用该变异公式对抗体集合Ab进行变异操作，经过该操作，得到了变异之后的抗体集合。

本发明上述的步骤应用抗体的变异公式得到了变异之后的抗体，更新了抗体集合。

实施例6

基于人工免疫网络聚类的灰度图像分割方法同实施例1-5，其中5e)所述的更新免疫网络中抗体的刺激次数sni和免疫网络的入侵次数in的方法包括有如下步骤：

5e1)初始化免疫网络中抗体的刺激次数sni和免疫网络的入侵次数in，均设为0；

5e2)当抗体受到抗原Ag_j刺激并满足与抗原之间距离小于抑制阈值δ_m时该抗体就进行克隆增值操作，克隆增殖之后抗体的刺激次数sni加1；当抗原Ag_j入侵免疫网络时，免疫网络的入侵次数in加1，网络抑制阈值是多次实验能够得到最佳分割效果的实验数据，本例中取值为0.9，该值过大时无法达到抑制的效果，导致记忆细胞的个体庞大，该值过小时会导致大部分记忆细胞被抑制，从而无法进行聚类操作。

本发明上述的步骤得到了不断更新的抗体的刺激次数sni和免疫网络的入侵次数in。

实施例7

基于人工免疫网络聚类的灰度图像分割方法同实施例1-6，其中步骤5g)抗体集合Ab之间竞争选择的方法包括有如下步骤：

5g1)按照抗体的刺激度降序排列记忆库M中的所有记忆细胞；

5g2)计算所有记忆细胞彼此之间的欧式距离，计算公式如下：

$d_{\mathrm{1,2}}=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(x_{1j}-x_{2j})}^2}$

x₁＝(x₁₁,x₁₂,...,x_1m),x₂＝(x₂₁,x₂₂,...,x_2m)分别为记忆细胞的两个样本点，m为记忆细胞的维数，本例中取值为12；

5g3)删除记忆细胞彼此之间距离小于免疫网络抑制阈值δ_m的个体，完成竞争选择，网络抑制阈值太大则无法对过分割的图像块进行有效聚类，太小则会丢失部分记忆细胞信息，通过多次实验总结，本例中δ_m取值为0.9。

本发明上述的步骤对抗体进行了竞争选择操作，得到了竞争选择之后的记忆细胞，更新了记忆细胞集合。

实施例8

基于人工免疫网络聚类的灰度图像分割方法同实施例1-7，其中步骤8a)中利用最小生成树算法对记忆细胞聚类的方法包括如下步骤：

8a1)得到记忆细胞的空的，即不包含任何边的最小生成树MST；

8a2)逐条选择n-1条最小生成树的边，该例的n值为聚类中得到的记忆细胞标号的最大值；

8a3)生成含n-1条边的最小生成树MST。

本发明上述的步骤得到的最小生成树即为记忆细胞的聚类结果，得到聚类结果之后映射回原图像即可以输出聚类之后的灰度图像，到此，分割过程结束。

本发明将分水岭和免疫网络调节算法相结合，大大提高了分割速度，分割速度比较见表1：

表1.本发明与ainet方法对灰度图像分割速度的比较

	图像1	图像2	图像3
				本发明	3.9829s	4.2947s	3.8546s
ainet方法	4.5918s	4.6015s	6.2226s

从上述数据中可看出，本发明相对于ainet方法在图像1的分割速度上提高了15％，本发明相对于ainet方法在图像2的分割速度上提高了7％，本发明相对于ainet方法在图像3的分割速度上提高了61％。以上仅是单幅图提高的处理效率，明显可以看出，本发明在分割速度上有了显著提高，对于大批量图像的处理，效果更加明显。

实施例9

基于人工免疫网络聚类的灰度图像分割方法同实施例1-8，下面结合附图再对本发明的技术方案做进一步详细说明，参见图1。

步骤1.输入待分割灰度图像，本发明中应用的图像为lina图像、蔬菜图像和大米图像，参见图2(a)、图3(a)和图4(a)。

步骤2.提取待分割灰度图像的特征值：

首先，利用灰度共生矩阵方法提取待分割灰度图像的纹理特征向量；

灰度共生矩阵方法的步骤如下：

先将待处理图像量化为0-255，共256个灰度级，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°，按照下式分别计算四个方向的对比度、逆差距和相关度的数值，由于在每个方向上均提取了对比度、逆差距和相关度的数值，所以灰度共生矩阵得到的数据为12维，即待分割灰度图像像素的12维纹理特征向量：

p(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|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，∈为集合中的属于符号，M×N为待处理图像的大小，|为概率论中的条件符号，r为(x₁,y₁)处像素点矢量化后的灰度值，s为(x₂,y₂)处像素点矢量化后的灰度值；然后根据灰度共生矩阵分别选取该矩阵四个方向上的对比度、逆差距和相关度，获得像素的12维纹理特征向量。

然后，用纹理特征向量表示待分割灰度图像的每一个像素点。

步骤3.产生免疫网络的初始聚类数据：

首先，用分水岭方法处理待分割灰度图像，得到类标号不同的图像块；

分水岭方法的具体步骤是，首先求取待分割灰度图的梯度图；然后选取待分割灰度图的内部标记，即局部最小值(局部最小值是指灰度值在一个灰度范围内的连续区域，且此区域附近的像素值均大于这个区域的值，这个灰度范围的宽度叫做局部最小值落差)；选取灰度图像的外部标记，即内部标记的分水岭变换；然后对获取的内外标记进行梯度修正，梯度修正时利用强制最小技术，这样做的目的是为了让局部最小区域仅出现在标记位置；最后对修正后的梯度图进行分水岭变换，变换后所得的图为最终的纹理分割图。

强制最小技术将梯度极小值与阈值T进行比较，，阈值选取要恰当，过大时，会造成边界的丢失，较小时，不能有效的去除过分割，经过多次实验的比较分析，本例中阈值T取值为100，提取阈值高于T的局部最小值，有利于消除一些噪声、细节纹理及于图像无关的信息，从而有效的抵制了过分割。

其次，对每一个图像块的所有像素点特征取平均值，获得代表初始聚类数据的每一块的特征值；

然后，将各个图像块获得的特征值作为初始抗原集合Ag。

步骤4.随机产生初始抗体种群，完成初始化：

设置种群规模L＝12，最大迭代次数gen＝100，网络抑制阈值δ_m＝0.9，死亡阈值δ_d＝0.9，亲和度成熟率qi＝0.5，克隆增殖倍数N＝10，竞争选择淘汰率f_i＝0.15。随机产生初始抗体种群Ab为10×12，作为免疫网络的初始聚类数据。其中，网络抑制阈值、死亡阈值、亲和度成熟率、竞争选择淘汰率均是多次实验能够得到最佳分割效果的实验数据；本例中种群规模取值为12，可根据需要进行调整；本例中的迭代次数取值为100，迭代次数过大则聚类时间过长，迭代次数过小则无法得到理想的分割效果；本例中克隆增殖倍数取值为10，该值过大时则造成种群规模过大，聚类时间过长，该值过小则容易丢掉聚类中重要的抗体，从而得不到理想的聚类效果；

步骤5.对免疫网络进行优化训练：

5a)从抗原集合Ag中随机选择一个抗原Ag_j进入免疫网络；

5b)按照亲和度公式，计算Ag_j与免疫网络中Ab的亲和度值；

亲和度公式为：

$S_{\mathrm{1,2}}=\frac{1}{d_{\mathrm{1,2}}}$

$d_{\mathrm{1,2}}=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(x_{1j}-x_{2j})}^2}$

其中，S_1,2为亲和度值，d_1,2为欧氏距离，x₁＝(x₁₁,x₁₂,...,x_1m),x₂＝(x₂₁,x₂₂,...,x_2m)分别为两个样本点，m为抗原(抗体)的维数，本例中m取值为12。

5c)选择亲和度大于死亡阈值δ_d的n个抗体进行克隆，得到一个抗体克隆集合c,其中，抗体和抗原的亲和度越高，抗体克隆数量越多，本例中n取值为10，该值为多次实验获得的实验数据，当n值过大时，获得的抗体克隆集合过大，迭代过程中增加了时间复杂度，当n过小时，不足以获得抗体中足够的细节信息；

5d)按照变异公式对克隆抗体进行变异；

变异公式为：

C^*＝C+λ(C-Ag_j),λ∈(0,1)

其中，C为选择的抗体集合，C^*为变异操作后的抗体集合，λ与抗体和抗原的亲和度成反比，范围在(0,1)之间，Ag_j为进入免疫网络的抗原。

5e)更新与Ag_j亲和度大于刺激阈值δ_m的抗体和记忆细胞的刺激次数，并更新其对应的网络入侵次数；

在迭代初始时，免疫网络中各个抗体的刺激次数和网络入侵次数都被初始化为0，在迭代的过程中会有新的抗体加入到网络中，这些新加入的抗体，又称为网络节点的刺激次数将被设置为0，为保证公平，其对应的网络入侵次数也被设置为0。当其受到抗原刺激而进行克隆增值后，其刺激次数就会增加1；相应的，当抗原入侵免疫网络时，其入侵次数就会增加1。

5f)按照亲和度公式，计算变异抗体与抗原Ag_j的亲和度；

5g)根据竞争选择的原理对网络中的抗体进行竞争；

竞争选择的具体原理是，在竞争选择过程中，网络中的每个免疫细胞，即抗体都会与其周围一定范围内的其他免疫细胞进行生存竞争，区域中刺激度最高的免疫细胞将会击败周围的竞争者而存活下来。因为免疫细胞的刺激度越高，它周围抗原的密度就越大，所以竞争选择能够选择出局部最优个体。

竞争选择的具体步骤是：首先按照刺激度降序排列记忆库M中的所有记忆细胞，然后计算记忆细胞之间的距离(即计算彼此之间的绝对值)；最后删除记忆细胞之间彼此距离小于网络抑制阈值的个体。

5h)根据竞争选择的结果，将亲和度最高的ε％的个体存入记忆库M中；

5i)重复5a-5h，直到所有抗原全部入侵免疫网络；

5j)根据刺激度的相关概念，计算免疫网络中抗体和记忆细胞的刺激度；

刺激度的思想如下，当抗原入侵免疫网络时，与此抗原亲和度较高的免疫细胞，即抗体会受到此抗原的刺激并克隆增值，免疫细胞周围的抗原越密集，那么它受到刺激的次数越多，其刺激度就越高；相反，免疫细胞周围的抗原越稀疏，其受到的刺激次数越少，其刺激度就越低。噪声点，即稀疏区域附近的免疫细胞因为受到抗原刺激次数较少而被淘汰。

在im_aiNet中，每一个网络节点Ab_i都对应一个刺激次数sn_i，当其受到抗原Ag_j刺激(即d(Ab_i,Ag_j)＜δ_m，δ_m为刺激阈值)而进克隆增值后，其刺激次数就会增加1，此网络节点的刺激度计算方式如下：

sl_i＝sn_i/in

其中，in为入侵次数，代表抗原入侵免疫网络的总次数。

5k)合并免疫网络的抗体集合Ab和记忆库M；

5l)根据竞争选择的原理对网络中的抗体进行竞争，得到新的网络抗体集合；

步骤6.将步骤5进项迭代计算，重复循环100次以得到最优的训练结果：

步骤7.抗体抗原之间的操作结束，即免疫网络优化训练结束。

步骤8.记忆细胞聚类；当免疫网络优化训练结束时，得到了记忆细胞库M：

8a)利用最小生成树算法对获得的记忆细胞进行聚类；

最小生成树算法的具体步骤如下，首先从空树(共有n条边，n即为聚类得到的聚类标号的最大值)开始，然后往集合T中逐条选择并加入n-1条安全边(u,v)，最后生成含n-1条边的MST。当一条边(u,v)加入T时，必须保证T∪(u,v)仍是MST的子集，我们将这样的边称为T的安全边。

8b)得到记忆细胞的聚类标号。

步骤9.产生记忆细胞的聚类结果：

9a)将聚类标号相同的记忆细胞聚合为一类；

9b)得到待分割灰度图像的分割结果。

步骤10.输出聚类之后的灰度图像，分割过程结束。

经本发明分割后的原lina图的结果见图2(c)，原蔬菜的结果见图3(c)，原大米的结果见图4(c)，图2(b)、图3(b)，图4(b)为ainet方法的分割结果图。从图2(b)和图2(c)可以看出，本发明获得了lina图像更多的细节信息，如左下角的边缘细节以及中间部分帽子和头发相连接的部分，而ainet方法无法获得这些细节信息。从图3(b)和图3(c)可以看出，本发明将尖椒和圆椒与背景进行了有效区分，不仅局限于轮廓，而ainet方法只是区分了中间部分的轮廓，没有将蔬菜进行有效区分。从图3(b)和图3(c)可以看出，本发明大大降低了对大米的错分类数，将大部分大米进行了正确划分，而ainet方法的错分类数则比较多，无法得到比较理想的分割效果。

实施例10

基于人工免疫网络聚类的灰度图像分割方法同实施例1-9，本发明的效果还可以通过以下仿真进一步说明：

1.仿真条件

本发明的仿真是在主频2GHZ的inter Core CPU i3-2310M、内存2GB的硬件环境和MATLAB R2009b的软件环境下进行的。

2.仿真内容

图2为本发明仿真实验中使用的lina图像，此图像为灰度图像，图像大小为256×256。其中，图2(a)为原始图像，图2(b)为利用ainet方法的分割结果图，图2(c)为本发明的分割结果图。

图3为本发明仿真实验中使用的蔬菜图像，此图像为灰度图像，图像大小为160×160。其中图3(a)为原始图像，图3(b)为ainet算法的分割结果图，图3(c)为本发明的分割结果图。

图4为本发明仿真实验中使用的大米图像，此图像为灰度图像，图像大小为256×256。其中图4(a)为原始图像，图3(b)为ainet算法的分割结果图，图3(c)为本发明的分割结果图。

3.仿真效果分析

通过上述三幅原始灰度图像的仿真实验以及利用ainet方法和本发明方法的分割结果图对比，能够看出本发明方法与对比方法相比，在不同的图像中都可以获得更加准确的分割结果。

图2是对lina图像的分割。图2(a)为原始图像，图2(b)为普通人工免疫网络,即ainet聚类的分割结果图，图2(c)为本发明的分割结果图。由图2(b)、2(c)的仿真结果可以看到，基于竞争选择和刺激度的人工免疫网络，即本发明聚类的分割结果图2(c)优于ainet方法的分割结果图2(b)，其中图2(c)可以清晰的分割出来更多细节，比如帽子边沿和左下角的人物轮廓，而2(b)则无法把这些细节准确的分割出来。

图3是对蔬菜图像的分割。图3(a)为原始图像，图3(b)为普通人工免疫网络，即ainet聚类的分割结果图，图3(c)为本发明的分割结果图。从图3(a)可以看出，尖椒和圆椒的像素值非常接近，很难分割开来。从图3(b)可以看出，ainet方法只是将相关的轮廓分割出来，但是内部无法进行准确区分，而图3(c)虽然也无法得到准确的分割结果，但是它不仅将轮廓进行了区分，同时对内部也进行了划分，如图像的中间部分很好的蔬菜的颜色进行了区分，并且3(c)的准确率也有了提高，如在右上角本发明就能够得到相同的类别。

图4是对大米图像的分割。图4(a)为原始图像，图4(b)为普通人工免疫网络，即ainet聚类的分割结果图，图4(c)为本发明的分割结果图。从图4(a)可以看出，该灰度图像包含两类：背景和大米颗粒。从图4(b)可以看出，ainet方法错分的概率比较大，将图像中的大米颗粒聚合为多类，而图4(c)虽然也无法得到准确的分割结果，但是它大大降低了大米颗粒的错分类数，与4(b)相比，分割效果得到了显著提高。

综上，本发明公开的基于免疫网络聚类的灰度图像分割方法，主要解决现有图像分割技术中计算复杂度高、分割速度慢的问题。其实现步骤为：(1)输入待分割灰度图像；(2)提取待分割灰度图像的特征；(3)获得聚类数据；(4)随机产生初始抗体种群，完成初始化；(5)优化训练；(6)检查是否所有的抗原都已进入网络；(7)重复5-6步100次，优化训练结束；(8)聚类；(9)产生聚类结果；(10)输出分割图像。本发明通过分水岭与免疫网络聚类方法实现灰度图像分割，获得较多图像细节信息，获得更加准确的区域一致性和更好的边缘保持性，分割速度更快，提高了整体分割精度，可应用在自然灰度图像分割技术领域。

Claims (8)

1.一种基于人工免疫网络聚类的灰度图像分割方法，其特征在于：包括有如下步骤：

步骤1.输入待分割灰度图像；

步骤2.提取待分割灰度图像的纹理特征：

2a)利用灰度共生矩阵方法提取待分割灰度图像的特征向量；

2b)用提取的特征向量表示待分割灰度图像的每一个像素点；

步骤3.产生免疫网络的聚类数据，得到初始抗原集合Ag：

3a)用分水岭方法处理待分割灰度图像，得到类别不同的图像块；

3b)对获得的类别不同的所有图像块的像素点特征取平均值，获得代表初始聚类数据的特征值；

3c)将各个类别不同的图像块获得的特征值作为初始抗原集合Ag；

步骤4.随机产生初始抗体种群Ab，并将初始化的抗体作为抗原的入侵对象，完成免疫网络的初始化；具体方法是利用rand函数随机产生长度为12的抗体10个；

步骤5.优化训练初始化的抗体数据：

5a)从待分割灰度图像的初始抗原集合Ag中随机选择一个抗原Ag_j进入免疫网络；

5b)按照亲和度公式计算抗体集合Ab和入侵抗原Ag_j的亲和度值；

5c)抗体克隆：选择抗体集合Ab和入侵抗原Ag_j的亲和度大于死亡阈值δ_d的n个抗体进行克隆，得到一个克隆集合c；亲和度越高，抗体克隆数量越多；

5d)抗体变异：按照变异公式对抗体集合Ab进行变异操作；

5e)更新抗体的刺激次数sni和免疫网络的入侵次数in；

5f)计算抗体集合Ab中变异个体与抗原Ag_j的亲和度；

5g)对抗体集合Ab中的抗体进行竞争选择操作；

5h)竞争选择之后，在抗体集合Ab中选择与抗原Ag_j亲和度最高的ε％个抗体作为记忆细胞存入记忆库M中；

5i)重复5a-5h，直到所有抗原全部入侵免疫网络并得到相应的记忆细胞；

5j)计算免疫网络中抗体集合Ab和记忆库M中记忆细胞的刺激度sl_i，具体公式是

sl_i＝sn_i/in

其中，in为免疫网络入侵次数，sni为免疫网络刺激次数；

5k)合并抗体集合Ab和记忆库M；

5l)抗体之间进行竞争选择，得到新的抗体集合；

步骤6.对步骤5进行50-100次迭代操作；

步骤7.免疫网络优化训练结束；

步骤8.记忆细胞聚类；

8a)利用最小生成树算法对获得的记忆细胞进行聚类；

8b)得到记忆细胞的聚类标号；

步骤9.产生记忆细胞的聚类结果：

9a)将聚类标号相同的记忆细胞聚合为一类；

9b)得到待分割灰度图像的分割结果；

步骤10.输出聚类之后的灰度图像，分割过程结束。

2.根据权利要求1所述的基于人工免疫网络聚类的灰度图像分割方法，其特征在于，步骤2a)所述的灰度共生矩阵方法包括有如下步骤：

2a1)将待分割灰度图像量化为0-255，共256个灰度级；

2a2)依次选取待分割灰度图像中两个像素点连线与横轴的方向夹角为0°、45°、90°和135°的四个方向，按照下式分别计算待分割图像四个方向的灰度共生矩阵：

p(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|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)位置上的元素值，#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，∈为集合中的属于符号，M×N为待分割灰度图像的大小，|为概率论中的条件符号，r为(x₁,y₁)像素点矢量化后的灰度值，s为(x₂,y₂)像素点矢量化后的灰度值；

2a3)根据待分割灰度图像的灰度共生矩阵分别得到在夹角为0°、45°、90°和135°四个方向上的对比度、逆差距和相关度的数值，即待分割灰度图像像素的12维纹理特征向量。

3.根据权利要求1所述的基于人工免疫网络聚类的灰度图像分割方法，其特征在于，步骤3a)所述的分水岭方法处理待分割灰度图像包括有如下步骤：

3a1)求取待分割灰度图像的梯度图；

3a2)选取待分割灰度图像的内部标记；(寻找局部最小值)

3a3)选取待分割灰度图像的外部标记(内部标记的分水岭变换)；

3a4)梯度修正：利用强制最小技术对待分割灰度图像的梯度进行修正，以便局部最小区域仅出现在待分割灰度图像的标记位置；

3a5)对修正后的待分割灰度图像的梯度图进行分水岭变换，得到最终的待分割灰度图像的纹理特征分割图,即类别不同的图像块。

4.根据权利要求1所述的基于人工免疫网络聚类的灰度图像分割方法，其特征在于，步骤5b)所述的亲和度公式为：

$S_{\mathrm{1,2}}=\frac{1}{d_{\mathrm{1,2}}}$

$d_{\mathrm{1,2}}=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(x_{1j}-x_{2j})}^2}$

其中，S_1,2为抗体和抗原之间的亲和度值，d_1,2为抗体和抗原之间的欧氏距离，x₁＝(x₁₁,x₁₂,...,x_1m)，x₂＝(x₂₁,x₂₂,...,x_2m)分别为抗原的两个样本点，m为抗原和抗体的维数，用该亲和度公式计算抗体集合Ab和入侵抗原Ag_j的亲和度值。

5.根据权利要求1所述的基于人工免疫网络聚类的灰度图像分割方法，其特征在于，步骤5d)所述的变异公式为：

C^*＝C+λ(C-Ag_j),λ∈(0,1)

其中，c为所选的免疫网络中的抗体集合，C^*为变异后的抗体集合，λ与抗体和抗原之间的亲和度成反比，Ag_j为进入免疫网络的抗原，用该变异公式对抗体集合Ab进行变异操作。

6.根据权利要求1所述的基于人工免疫网络聚类的灰度图像分割方法，其特征在于，步骤5e)所述的更新免疫网络中抗体的刺激次数sni和免疫网络的入侵次数in方法包括有如下步骤：

5e1)初始化免疫网络中抗体的刺激次数sni和免疫网络的入侵次数in，均设为0；

5e2)当抗体受到抗原Ag_j刺激并满足抗体和抗原之间距离小于抑制阈值δ_m时进行克隆增值，并令其刺激次数sni加1；当抗原Ag_j入侵免疫网络时，其入侵次数in加1。

7.根据权利要求1所述的基于人工免疫网络聚类的灰度图像分割方法，其特征在于，步骤5g)抗体集合Ab之间竞争选择的方法包括有如下步骤：

5g1)按照抗体的刺激度降序排列记忆库M中的所有记忆细胞；

5g2)计算所有记忆细胞彼此之间的距离；

5g3)删除记忆细胞彼此之间距离小于免疫网络抑制阈值δ_m的个体，完成竞争选择。

8.根据权利要求1所述的基于人工免疫网络聚类的灰度图像分割方法，其特征在于，步骤8a)利用最小生成树算法聚类的方法包括如下步骤：

8a1)得到记忆细胞的空的最小生成树MST；

8a2)逐条选择n-1条最小生成树的边；

8a3)生成含n-1条边的最小生成树MST。