CN104881871A - 基于改进多目标和声搜索算法的交通图像分割方法 - Google Patents

Abstract

本发明公开了基于改进多目标和声搜索算法的交通图像分割方法，主要解决现有交通图像分割技术中评价指标单一、抗噪声能力弱、分割准确率不高、需人为确定图像分割类别数的问题。其实现步骤主要包括：读入灰度图像，统计灰度直方图；初始化和声记忆库；产生一群新解，个数等于和声记忆库大小；更新和声记忆库；判断是否满足终止条件；根据PBM评价指标，从和声记忆库中选取最优聚类中心；根据最优聚类中心，对图像中各像素分类，得到分割结果。本发明与现有交通图像分割技术相比，评价指标多元化，分割准确率高，抗噪声能力强，能自动确定图像中的分割类别数，可用于对交通图像的分割。

Description

基于改进多目标和声搜索算法的交通图像分割方法

技术领域

本发明属于图像处理技术领域，具体是一种基于改进多目标和声搜索算法的交通图像分割方法。

背景技术

图像分割结果的好坏直接地影响后续图像处理的质量，因此，图像分割是图像理解领域中的重点和难点之一，这一艰难的任务给研究人员带来了巨大的挑战。图像分割的目的是将一幅图像分割成若干个互不重叠的具有特定意义的区域，同一区域具有相似的特性，不同区域差别较大。

现有的图像分割方法主要可以划分为基于边缘的分割方法，基于区域的分割方法，基于聚类的分割方法等。大多数聚类方法，其实质是目标函数的最优化问题。由于传统的聚类方法存在易陷入局部最优、对初始聚类中心敏感等缺点，使得基于进化聚类的分割方法成为当前图像分割方法中的热点，并广泛应用于各类图像的分割中。它很好的将进化计算与聚类技术结合在一起，成功克服了传统聚类方法的不足，另外进化计算方法可以同时优化多个目标，使得多目标进化聚类技术成为可能。鉴于进化计算的优点，研究合适的智能优化算法，使其与聚类技术更好的结合，已成为一个备受关注的研究方向。

和声搜索算法是用于解决全局最优问题的智能优化算法，具有控制参数少、简单易懂、易于实现等优点，现已成功运用到各个领域。目前，基于多目标优化聚类的图像 分割方法大多只考虑两个分割标准，而每类图像都有各自的特点，因此存在应用面小，分割结果不理想，分割正确率低等缺点。

现有交通图像分割方法中，无论是多阈值分割方法，还是聚类分割方法，都需要人为的设定分割目标的数目，而智能交通中基于视觉的智能车导航技术，需要计算机自动将道路、车辆、障碍物等目标分离出来，显然传统的图像分割方法无法满足这一特定的要求。

发明内容

本发明的目的在于克服上述已有方法的不足，提出了一种基于改进多目标和声搜索算法的交通图像分割方法，本发明同时优化三个目标函数，并将动态聚类的算法融入到多目标和声搜索算法中，提高了图像分割精度，实现了自动确定分割类别数，为后续交通图像处理提供了较好的信息基础。

基于改进多目标和声搜索算法的交通图像分割方法，包括如下步骤：

(1)输入待分割灰度图像I，统计图像I的灰度直方图GH＝{h_l,l＝0,1,...,255}，h_l为灰度级l的像素点出现的次数，设置迭代计数器t，初始值为1；

(2)初始化和声记忆库：

(2a)随机初始化和声记忆库HM中的和声X_i所表示的聚类中心的分割类别数K_i，i＝1,...,HMS，HMS为和声记忆库大小，K_i∈[K_min,K_max]，K_i为整数，K_min为图像I最小分割类别数，K_max为最大分割类别数；

(2b)根据图像I中像素灰度值范围，随机生成分割类别数为K_i的聚类中心C_i，C_i＝{c_k＝Lb+(Ub-Lb)*r，k＝1,...,K_i}，c_k为第k类的聚类中心，Lb、Ub分别是图像I中所有像素值中的最小值、最大值，r是随机产生的一个0到1之间的实数；

(2c)将每个聚类中心C_i随机编排到对应和声X_i中，X_i是一个K_max维向量；

(2d)找出HM中每个和声X_i中所有值不等于NOTcenter的分量作为该和声所表示的聚类中心C_i，评估聚类中心C_i的三个适应度函数值f₁，f₂，f₃，并将这三个适应度函数值作为对应和声X_i的适应度值；

(3)生成一个新解：

(3a)创作的新和声中的每一个变量都是经过以下三种机理产生，即保留和声记忆库中分量，音调微调，随机选择音调，n＝K_max，该过程描述为：

其中r₁、r₂均为随机产生的0到1之间的实数，HMCR、PAR、bw分别为和声忆库保留概率、音调调节概率、音调调节步长；

(3b)对新产生的和声X^new执行变异操作，生成变异后的解向量X^mut；

(3c)对解向量X^mut执行随机操作，生成解向量X^rand；

(3d)按照步骤(2d)的方式，评估新生成的解向量X^rand的三个适应度函数值f₁，f₂，f₃；

(4)重复步骤(3)，直到生成HMS个新解；

(5)将新生成的HMS个解与和声记忆库HM中的解组合在一起，形成一个具有2×HMS个解的组合和声记忆库，并根据各个解的适应度函数值，采用NSGA-II中的快速非支配排序策略，对组合和声记忆库中所有的解进行排序；

(6)删除HM中原有的和声，根据NSGA-II中拥挤比较操作，从组合和声记忆库中选取最优的HMS个解保存到和声记忆库HM中，形成新的和声记忆库HM；

(7)判断当前迭代次数t是否大于最大迭代次数t_max，如果满足该条件，则执行步骤(8)，否则返回步骤(3)，t＝t+1；

(8)从迭代结束后得到的和声记忆库中找出每个和声中所有值不等于NOTcenter的分量作为该和声所表示的聚类中心，计算其聚类有效性指标PBM值，选取PBM值最大的对应的聚类中心作为最优聚类中心，其中PBM表示为：

$PBM={(\frac{1}{K}\×\frac{E_1}{E_c}\×D_c)}^2$

$E_c=\underset{i=1}{\overset{N}{\Σ}}\underset{k=1}{\overset{K}{\Σ}}{u}_{ki}d(x_i,c_k)$

其中E₁对于同一幅图像是一个常数，D_c＝{maxd(c_i,c_j),i,j＝1,...,K}是各聚类中心间欧式距离最大值，K为分割类别数，d(x_i,c_k)为图像I中第i个像素点x_i到第k类的聚类中心c_k的欧式距离；

(9)计算图像I各像素的灰度值与最优聚类中心的欧式距离，把该像素划分到距离它的欧氏距离最小的聚类中心的类别中，得到每一个像素所属的类别，从而得到灰度图像的分类结果。

本发明的实现还在于：步骤(2a)中的所述的和声记库大小HMS在80到120之间取值效果较好。HMS取值过小，不易于保持和声记忆库中解的多样性，从而容易过早成熟，HMS取值过大会造成计算量大，导致计算时间过长，HMS的取值在一定程度上影响着算法的收敛速度和收敛精度，通过大量实验仿真得出HMS在80到120之间取值，算法能够同时获得较好的收敛速度和收敛精度。

本发明的实现还在于：步骤(2c)中每个聚类中心C_i随机编排到对应和声X_i中，其过程包括：初始化一个K_max维的空向量V_i＝(，，...,)，将聚类中心C_i每类的中心c_k，k＝1,..,K_i，随机放到V_i中任意一空维，直到聚类中心C_i中的所有类中心被放完，对于V_i中仍存在的空维用NOTcenter替代，NOTcenter是一个负常数，表示不是类中心，最后将V_i赋给X_i。

本发明的实现还在于：步骤(3a)中的音调微调采用一种随迭代次数t增加而逐渐 减小的音调调节步长bw，表示为： 

其中bw_max，bw_min为音调调节步长的上下界，为一个正常数。

在本发明中，采用动态变化的bw使算法在迭代早期有较好的全局搜索能力，而迭代后期有较好的局部搜索能力。

本发明的实现还在于：步骤(3b)中对新产生的和声X^new执行变异操作，其过程包括：

(3b.1)对和声X^new中变量进行变异操作，j＝1,..,n，若的值为NOTcenter，则保持不变，即否则变异，变异可表示为：

$x_j^{mut}=\left\{\begin{array}{cc}{x}_j^{new}+N(0,\frac{Ub-Lb}{kx})& ;r<p_{mut}\\ NOTcenter& ;p_{mut}<r<2p_{mut}\\ x_j^{new}& ;r>2p_{mut}\end{array}\right.$

其中r是随机产生的一个0到1之间的实数，p_mut为变异概率，是均值为0，标准差为的正态分布随机产生的一个实数，kx是一个正系数；

(3b.2)若变异后变量的值超出范围[Lb,Ub]，则将与接近的边界值赋给 

(3b.3)对和声X^new中每个变量依次按步骤(3b.1)(3b.2)执行，得到经过变异操作后的解向量X^mut。

在本发明中，对新产生的和声中的每个变量依次执行变异操作，能够增强算法逃避局部最优的能力，同时使变异后产生的解所表示的聚类中心的分割类别数保持动态变化，有利于搜寻到最佳分割类别数。

本发明的实现还在于：步骤(3c)中对解向量X^mut进行随机操作，操作过程包括： 统计解向量X^mut中值不为NOTcenter的分量的个数K，K表示分割类别数，若K≥K_min，X^mut保持不变，即X^rand＝X^mut，否则随机生成分割类别数K，K∈[K_min,K_max]，并在[Lb,Ub]范围内随机生成分割类别数为K的聚类中心C，按步骤(2c)中所述的随机编码方式将C随机编排到X^rand中。

在本发明中，对变异后的解执行随机操作，有利于确保最后产生的解所表示的聚类中心的分割类别数大于等于K_min，同时能够增强解的多样性。

本发明的实现还在于：步骤(3d)中所述的三个目标函数值表示为：

$f_1=\underset{i=1}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{K}{\&Sigma;}}{\left(u_{ki}\right)}^2{d}^2(x_i,c_k)$

$f_2=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{K}{\&Sigma;}}{\left(u_{ki}\right)}^2{d}^2(x_i,c_k)}{N\&CenterDot;d_{\min }}$

$f_3=\underset{p=1}{\overset{K}{\&Sigma;}}\underset{q=1,p\&NotEqual;q}{\overset{K}{\&Sigma;}}{\left({\mathrm{\&mu;}}_{pq}\right)}^2{d}^2(c_p,c_q)$

其中K为分割类别数，N为图像I像素点总数，u_ki为图像I中第i个像素点x_i属于第k类的模糊隶属度，d_min＝{min d(c_i,c_j),i,j＝1,...,K,i≠j}是各聚类中心间欧式距离最小值，d(x_i,c_k)为图像I中第i个像素点x_i到第k类的聚类中心c_k的欧式距离，u_pq是第q类的聚类中心c_q属于第p类的聚类中心c_p的模糊隶属度，u_ki，μ_pq分别可表示为：

$u_{ki}=\frac{1}{\underset{j=1}{\overset{K}{\&Sigma;}}{\left(d\right(x_i,c_k)/d(x_i,c_j\left)\right)}^2}$

${\mathrm{\&mu;}}_{pq}=\frac{1}{\underset{j=1,j\&NotEqual;q}{\overset{K}{\&Sigma;}}{\left(d\right(c_q,c_p)/d(c_q,c_j\left)\right)}^2},p\&NotEqual;q$

在本发明中，选用三个目标函数来评估分割结果的质量，第一目标函数代表聚类紧凑性，第二个目标函数代表致密分离性，第三个目标函数代表模糊分离性，这三个评价指标有利于算法朝着最优聚类中心方向进行搜索。

本发明与现有技术相比具有以下优点：

1.本发明采用了三个互补的目标函数，增加了评价的多样性，提高了图像分割的准确率，具有更好的抗噪能力。

2.本发明将动态聚类的思想融入到多目标和声搜索算法中，动态变化分割类别数有利于最佳分割类别数的搜寻，实现了自动确定分割类别数，解决了需要人为确定分割类别数这一难题。

3.本发明将动态变化的音调调节步长、变异操作、随机操作引入到多目标和声搜索算法中，提高了算法的全局和局部寻优能力，增强了算法逃离局部最优的能力，提高了算法的收敛速度和收敛精度，为最优聚类中心的搜索提供了有力保障。

附图说明

图1是本发明的实现流程图；

图2中的(a)、(b)、(c)和(d)是本发明与现有技术在一幅有道路、多车辆的交通图像上的分割实验结果对比图；

图3中的(a)、(b)、(c)和(d)是本发明与现有技术在一幅有道路、车辆、障碍物的交通图像上的分割实验结果对比图；

图4中的(a)、(b)、(c)和(d)是本发明与现有技术在一幅道路交通图像上的分割实验结果对比图；

图5中的(a)、(b)、(c)和(d)是本发明与现有技术在一幅有道路、单车辆的交通图像上的分割实验结果对比图；

图6中的(a)、(b)、(c)、(d)和(e)是本发明与现有技术在一幅高斯噪声为(0,0.01)的交通标志图像上的分割实验结果对比图；

图7中的(a)、(b)、(c)和(d)是本发明与现有技术在一幅高斯噪声为(0,0.015) 的交通标志图像上的分割实验结果对比图。

具体实施方式

下面结合附图对本发明做进一步详细描述。

实施例1

本发明提出了一种基于改进多目标和声搜索算法的交通图像分割方法，属于图像处理技术领域，主要涉及到交通图像分割技术。本例仿真是在主频2.00GHZ的Intel(R)Core(TM)2Duo CPU T5870、内存1.96GB的硬件环境和MATLAB R2010a的软件环境下进行的。

参照图1，本发明的具体实现步骤如下：

步骤1，输入一幅待分割的灰度图像I，该灰度图像用采样像素8位的非线性尺度保存，有256级灰度。

在本实施例中，输入一幅有道路、多车辆的交通图像I₁，参见图2(a)，其大小为250×214，统计图像I的灰度直方图GH＝{h_l,l＝0,1,...,255}，h_l为灰度级l的像素点出现的次数，设置迭代计数器t，初始值为1。

步骤2，初始化和声记忆库：

(2a)随机初始化和声记忆库HM中的和声X_i所表示的聚类中心的分割类别数K_i，i＝1,...,HMS，HMS为和声记忆库大小，K_i∈[K_min,K_max]，K_i为整数，K_min为图像I最小分割类别数，K_max为最大分割类别数。K_min通常为2，K_max的取值需要根据待分割图像中可能存在的最大分割类别数来确定，对于交通图像而言，其最大分割类别数通常小于8；

(2b)根据图像I中像素灰度值范围，随机生成分割类别数为K_i的聚类中心C_i，C_i＝{c_k＝Lb+(Ub-Lb)*r，k＝1,...,K_i}，c_k为第k类的聚类中心，Lb、Ub分别是图像 I中所有像素值中的最小值、最大值，r是随机产生的一个0到1之间的实数；

(2c)将每个聚类中心C_i随机编排到对应和声X_i中，X_i是一个K_max维向量，其过程包括：初始化一个K_max维的空向量V_i＝(，，...,)，将聚类中心C_i每类的中心c_k，k＝1,..,K_i，随机放到V_i中任意一空维，直到聚类中心C_i中的所有类中心被放完，对于V_i中仍存在的空维用NOTcenter替代，NOTcenter是一个负常数，表示不是类中心，最后将V_i赋给X_i。

(2d)找出HM中每个和声X_i中所有值不等于NOTcenter的分量作为该和声所表示的聚类中心C_i，评估聚类中心C_i的三个适应度函数值f₁，f₂，f₃，并将这三个适应度函数值作为对应和声X_i的适应度值，三个目标函数值表示为：

$f_1=\underset{i=1}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{K}{\&Sigma;}}{\left(u_{ki}\right)}^2{d}^2(x_i,c_k)$

$f_2=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{K}{\&Sigma;}}{\left(u_{ki}\right)}^2{d}^2(x_i,c_k)}{N\&CenterDot;d_{\min }}$

$f_3=\underset{p=1}{\overset{K}{\&Sigma;}}\underset{q=1,p\&NotEqual;q}{\overset{K}{\&Sigma;}}{\left({\mathrm{\&mu;}}_{pq}\right)}^2{d}^2(c_p,c_q)$

其中K为分割类别数，N为图像I像素点总数，u_ki为图像I中第i个像素点x_i属于第k类的模糊隶属度，d_min＝{min d(c_i,c_j),i,j＝1,...,K,i≠j}是各聚类中心间欧式距离最小值，d(x_i,c_k)为图像I中第i个像素点x_i到第k类的聚类中心c_k的欧式距离，u_pq是第q类的聚类中心c_q属于第p类的聚类中心c_p的模糊隶属度，u_ki，μ_pq分别可表示为：

$u_{ki}=\frac{1}{\underset{j=1}{\overset{K}{\&Sigma;}}{\left(d\right(x_i,c_k)/d(x_i,c_j\left)\right)}^2}$

${\mathrm{\&mu;}}_{pq}=\frac{1}{\underset{j=1,j\&NotEqual;q}{\overset{K}{\&Sigma;}}{\left(d\right(c_q,c_p)/d(c_q,c_j\left)\right)}^2},p\&NotEqual;q$

在本实施例中，HMS取值100，K_min取值2，K_max取值8，NOTcenter设置为-100。

步骤3，生成一个新解：

(3a)创作的新和声中的每一个变量都是经过以下三种机理产生，即保留和声记忆库中分量，音调微调，随机选择音调，n＝K_max，该过程描述为：

其中r₁、r₂均为随机产生的0到1之间的实数，HMCR、PAR、bw分别为和声忆库保留概率、音调调节概率、音调调节步长，其中bw可表示为：

其中bw_max，bw_min为音调调节步长的上下界，为一个正常数。取较小值时，算法收敛速度慢，但更容易逃离局部最优，取较大值时，收敛速度快，但易陷入局部最优，权衡算法收敛速度和逃离局部最优的能力，取值2。

(3b)对新产生的和声X^new执行变异操作，生成变异后的解向量X^mut，其过程包括：

(3b.1)对和声X^new中变量执行变异操作，j＝1,..,n，若的值为NOTcenter，则保持不变，即否则变异，变异可表示为：

$x_j^{mut}=\left\{\begin{array}{cc}{x}_j^{new}+N(0,\frac{Ub-Lb}{kx})& ;r<p_{mut}\\ NOTcenter& ;p_{mut}<r<2p_{mut}\\ x_j^{new}& ;r>2p_{mut}\end{array}\right.$

其中r是随机产生的一个0到1之间的实数，p_mut为变异概率，是均值为0，标准差为的正态分布随机产生的一个实数，kx是一个正系数；

(3b.2)若变异后变量的值超出范围[Lb,Ub]，则将与接近的边界值赋给 

(3b.3)对和声X^new中每个变量依次按步骤(3b.1)(3b.2)执行，得到经过变异操作后的解向量X^mut；

(3c)对解向量X^mut进行随机操作，生成解向量X^rand，其过程包括操作过程包括：统计解向量X^mut中值不为NOTcenter的分量的个数K，K表示分割类别数，若K≥K_min，X^mut保持不变，即X^rand＝X^mut，否则随机生成分割类别数K，K∈[K_min,K_max]，并在[Lb,Ub]范围内随机生成分割类别数为K的聚类中心C，按步骤(2c)中所述的随机编码方式将C随机编码到X^rand中；

(3d)按照步骤(2d)的方式，评估新生成的解向量X^rand的三个适应度函数值f₁，f₂，f₃。

在本实施例中，HMCR＝0.95，PAR＝0.45，bw_min＝1，bw_max＝0.1×(Ub-Lb)，p_mut＝1/K_max，kx＝20。

步骤4，重复按照步骤3，直到生成HMS个新解。

步骤5，将新生成的HMS个解与和声记忆库HM中的解组合在一起，形成一个具有2×HMS个解的组合和声记忆库，并根据各个解的适应度函数值，采用NSGA-II中的快速非支配排序策略，对组合和声记忆库中所有的解进行排序。

步骤6，删除HM中原有的和声，根据NSGA-II中拥挤比较操作，从组合和声记忆库中选取最优的HMS个解保存到和声记忆库HM中，形成新的和声记忆库HM。

步骤7，判断当前迭代次数t是否大于最大迭代次数t_max，如果满足该条件，则执行步骤8，否则返回步骤3，t＝t+1。

在本实施例中，最大迭代次数t_max＝150。

步骤8，从迭代结束后得到的和声记忆库中找出每个和声中所有值不等于NOTcenter的分量作为该和声所表示的聚类中心，计算其聚类有效性指标PBM值，选取PBM值最大的对应的聚类中心作为最优聚类中心，其中PBM表示为：

$PBM={(\frac{1}{K}\&times;\frac{E_1}{E_c}\&times;D_c)}^2$

$E_c=\underset{i=1}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{K}{\&Sigma;}}{u}_{ki}d(x_i,c_k)$

其中E₁对于同一幅图像是一个常数，D_c＝{maxd(c_i,c_j),i,j＝1,...,K}是各聚类中心间欧式距离最大值，K为分割类别数，d(x_i,c_k)为图像I中第i个像素点x_i到第k类的聚类中心c_k的欧式距离。

步骤9，计算图像I各像素的灰度值与最优聚类中心的欧式距离，把该像素划分到距离它的欧氏距离最小的聚类中心的类别中，得到每一个像素所属的类别，从而得到灰度图像的分类结果。还原的分类结果参见图2(b)。

本发明的对比实验为K-means、模糊C-均值图像分割方法，由于K-means、模糊C-均值图像分割方法都需要人为设定分割类别数，为便于比较，将其分割类别数均设置为本发明方法最后分割结果所得的分割类别数。图2(a)为交通图像I₁的原始灰度图像，图2(b)、图2(c)、图2(d)分别为采用本发明方法、K-means、模糊C-均值方法得到的分割结果图，从图2(b)可以看出，本发明方法自动将交通图像I₁划分成了三类，车辆为一类，道路为一类，道路上的分道线为一类，该发明方法很好的将车道和车辆分割出来。从图2(b)、图2(c)、图2(d)可以看出，本发明很好的将车牌上的数字及字母分割出来了，而K-means、模糊C-均值分割方法均存在分割不完整情况，同时，本发明克服了这两种方法均需人为设置分割类别数的缺点。

实施例2

基于改进多目标和声搜索算法的交通图像分割方法同实施例1，在实施例2中，对比实验为K-means、模糊C-均值图像分割方法，K-means、模糊C-均值图像分割方法的分割类别数K均设置为3。实施例2中输入有道路、车辆、障碍物的交通图像I₂，其大小为276×223像素，灰度级为256。采用本发明得到最终分类结果图参见3(b)。

图3(a)为交通图像I₂的原始灰度图像，图3(b)、图3(c)、图3(d)分别为采用本发明方法、K-means、模糊C-均值方法得到的分割结果图。从图3(b)可以看出，本发明自动将图像I₂划分成三类，车辆及障碍物为一类，道路为一类，道路两边的树木为一类，很好的将障碍物、车辆从道路上分割出来。从图3(a)、图3(b)、图3(c)、图3(d)可以看出，本发明方法有更好的抗噪能力，原灰度图3(a)中路面灰尘较多，K-means、模糊C-均值方法均存在较多的将这些灰尘误分为障碍物，而本发明方法明显地减少了误分区域，具有更高的分割准确率。

实施例3

基于改进多目标和声搜索算法的交通图像分割方法同实施例1，在实施例3中，对比实验为K-means、模糊C-均值图像分割方法，K-means、模糊C-均值图像分割方法的分割类别数K均设置为3。实施例3中输入有道路的交通图像I₃，其大小为318×245像素，灰度级为256。采用本发明得到最终分类结果图参见4(b)。

图4(a)为交通图像I₃的原始灰度图像，图4(b)、图4(c)、图4(d)分别为采用本发明方法、K-means、模糊C-均值方法得到的分割结果图。从图4(b)可以看出，本发明自动将图像I₃划分成三类，道路为一类，道路边线及分道线为一类，道路两旁的树木为一类，很好的将道路从图像中分割出来。从图4(b)、图4(c)、图4(d)可以看出，本发明得到了与K-means、模糊C-均值图像分割方法相似的结果。

实施例4

基于改进多目标和声搜索算法的交通图像分割方法同实施例1，在实施例4中，对比实验为K-means、模糊C-均值图像分割方法，K-means、模糊C-均值图像分割方法的分割类别数K均设置为2。实施例4中输入有道路、单车辆的交通图像I₄，其大小为278×244像素，灰度级为256。采用本发明得到最终分类结果图参见5(b)。

图5(a)为交通图像I₄的原始灰度图像，图5(b)、图5(c)、图5(d)分别为采用本发明 方法、K-means、模糊C-均值方法得到的分割结果图。从图4(b)可以看出，本发明自动将图像I₄划分成二类，车辆为一类，分道线为一类，很好的将车辆从图像中分割出来。从图5(b)、图5(c)、图5(d)可以看出，本发明得到了与K-means、模糊C-均值图像分割方法相似的结果。

实施例5

基于改进多目标和声搜索算法的交通图像分割方法同实施例1，在实施例5中，对比实验为K-means、模糊C-均值图像分割方法，K-means、模糊C-均值图像分割方法的分割类别数K均设置为2。实施例5中输入高斯噪声为(0,0.01)的交通标志图像I₅，其大小为499×495像素，灰度级为256。采用本发明得到最终分类结果图参见6(c)。

图6(a)为无噪声交通标志图像I₅的原始灰度图像，图6(b)是高斯噪声为(0,0.01)的交通标志图像I₅的原始灰度图像，图6(c)、图6(d)、图6(e)分别为采用本发明方法、K-means、模糊C-均值方法得到的分割结果图。从图6(c)可以看出，本发明自动将图像I₅划分成二类，圆中的矩形为一类，圆中除去矩形的部分为一类，符合分割要求，体现了本发明方法良好的抗噪能力。从图6(c)、图6(d)、图6(e)及表1可以看出，本发明方法误分像素的个数要少于其他两种方法，具有更强的抗噪能力及更高分割准确率。

表1三种算法性能比较

实施例6

基于改进多目标和声搜索算法的交通图像分割方法同实施例1，在实施例6中，对比实验为K-means、模糊C-均值图像分割方法，K-means、模糊C-均值图像分割方法的分割类别数K均设置为2。实施例6中输入高斯噪声为(0,0.015)的交通标志图像I₆，其大小为499×495像素，灰度级为256。采用本发明得到最终分类结果图参见7(b)。

图7(a)为高斯噪声为(0,0.015)交通标志图像I₆的原始灰度图像，图7(b)、图7(c)、图7(d)分别为采用本发明方法、K-means、模糊C-均值方法得到的分割结果图。从图7(b)可以看出，本发明自动将图像I₆划分成二类，圆中的矩形为一类，圆中除去矩形的部分为一类，符合分割要求，体现了本发明方法良好的抗噪能力。从图7(b)、图7(c)、图7(d)及表1可以看出，本发明方法误分像素的个数要少于其他两种方法，具有更强的抗噪能力更高分割准确率。

综上，本发明提出的基于改进多目标和声搜索算法的交通图像分割方法，主要解决交通图像需要人为确定分割类别数的难题，同时克服了传统聚类算法分割中存在的抗噪能力弱、对初始聚类中心敏感等问题。本发明方法针对灰度图像像素值进行处理，根据灰度范围来初始化和声记忆库，并将动态聚类的思想融入到多目标和声搜索算法中；本发明还在于选取三个互补的目标函数同时优化，克服了评价的单一性；本发明的关键在于在多目标和声搜索算法中，引入动态音调调节步长、变异操作、随机操作，增强了算法的全局和局部搜索能力，全面提升了算法的收敛速度和收敛精度，为最优聚类中心的搜寻提供了有力保障。

本发明能够自动确定交通图像中的分割类别数，分割精度高，抗噪能力强，为后续交通图像处理工作提供良好的信息基础。

Claims (7)

1.一种基于改进多目标和声搜索算法的交通图像分割方法，其特征在于包括有如下步骤：

(1)输入待分割灰度图像I，统计图像I的灰度直方图GH＝{h_l,l＝0,1,...,255}，h_l为灰度级l的像素点出现的次数，设置迭代计数器t，初始值为1；

(2)初始化和声记忆库：

(2a)随机初始化和声记忆库HM中的和声X_i所表示的聚类中心的分割类别数K_i，i＝1,...,HMS，HMS为和声记忆库大小，K_i∈[K_min,K_max]，K_i为整数，K_min为图像I最小分割类别数，K_max为最大分割类别数；

(2b)根据图像I中像素灰度值范围，随机生成分割类别数为K_i的聚类中心C_i，C_i＝{c_k＝Lb+(Ub-Lb)*r，k＝1,...,K_i}，c_k为第k类的聚类中心，Lb、Ub分别是图像I中所有像素值中的最小值、最大值，r是随机产生的一个0到1之间的实数；

(2c)将每个聚类中心C_i随机编排到对应和声X_i中，X_i是一个K_max维向量；

(2d)找出HM中每个和声X_i中所有值不等于NOTcenter的分量作为该和声所表示的聚类中心C_i，评估聚类中心C_i的三个适应度函数值f₁，f₂，f₃，并将这三个适应度函数值作为对应和声X_i的适应度值；

(3)生成一个新解：

(3a)即兴创作一个和声新创作的和声中的每一个变量都是经过以下三种机理产生，即保留和声记忆库中分量，音调微调，随机选择音调，n＝K_max，该过程描述为：

其中r₁、r₂均为随机产生的0到1之间的实数，HMCR、PAR、bw分别为和声忆库保留概率、音调调节概率、音调调节步长；

(3b)对新产生的和声X^new执行变异操作，生成变异后的解向量X^mut；

(3c)对解向量X^mut执行随机操作，生成解向量X^rand；

(3d)按照步骤(2d)的方式，评估新生成的解向量X^rand的三个适应度函数值f₁，f₂，f₃；

(4)重复步骤(3)，直到生成HMS个新解；

(5)将新生成的HMS个解与和声记忆库HM中的解组合在一起，形成一个具有2×HMS个解的组合和声记忆库，并根据各个解的适应度函数值，采用NSGA-II中的快速非支配排序策略，对组合和声记忆库中所有的解进行排序；

(6)删除HM中原有的和声，根据NSGA-II中拥挤比较操作，从组合和声记忆库中选取最优的HMS个解保存到和声记忆库HM中，形成新的和声记忆库HM；

(7)判断当前迭代次数t是否大于最大迭代次数t_max，如果满足该条件，则执行步骤(8)，否则返回步骤(3)，t＝t+1；

(8)从迭代结束后得到的和声记忆库中找出每个和声中所有值不等于NOTcenter的分量作为该和声所表示的聚类中心，计算其聚类有效性指标PBM值，选取PBM值最大的对应的聚类中心作为最优聚类中心；

(9)计算图像I各像素的灰度值与最优聚类中心的欧式距离，把该像素划分到距离它的欧氏距离最小的聚类中心的类别中，得到每一个像素所属的类别，从而得到灰度图像的分类结果。

2.根据权利要求1所述的基于改进多目标和声搜索算法的交通图像分割方法，其特征在于：步骤(2a)中的所述的和声记库大小HMS在80到120之间取值。

3.根据权利要求1所述的基于改进多目标和声搜索算法的交通图像分割方法，其特征在于：步骤(2c)中每个聚类中心C_i随机编排到对应和声X_i中，其过程包括：初始化一个K_max维的空向量V_i＝(，，...,)，将聚类中心C_i每类的中心c_k，k＝1,..,K_i，随机放到V_i中任意一空维，直到聚类中心C_i中的所有类中心被放完，对于V_i中仍存在的空维用NOTcenter替代，NOTcenter是一个负常数，表示不是类中心，最后将V_i赋给X_i。

4.根据权利要求1所述的基于改进多目标和声搜索算法的交通图像分割方法，其特征在于：步骤(3a)中的音调微调采用一种随迭代次数t增加而逐渐减小的音调调节步长bw，表示为：

其中bw_max，bw_min为音调调节步长的上下界，为一个正常数。

5.根据权利要求1所述的基于改进多目标和声搜索算法的交通图像分割方法，其特征在于：步骤(3b)中对新产生的和声X^new执行变异操作，其过程包括：

(3b.1)对和声X^new中变量进行变异操作，j＝1,..,n，若的值为NOTcenter，则保持不变，即否则变异，变异可表示为：

$x_j^{\mathrm{mut}}=\left\{\begin{array}{cc}{x}_j^{\mathrm{new}}+N(0,\frac{\mathrm{Ub}-\mathrm{Lb}}{\mathrm{kx}});& r<p_{\mathrm{mut}}\\ \mathrm{NOTcenter};& p_{\mathrm{mut}}<r<2p_{\mathrm{mut}}\\ x_j^{\mathrm{new}};& r>2p_{\mathrm{mut}}\end{array}\right.$

其中r是随机产生的一个0到1之间的实数，p_mut为变异概率，是均值为0，标准差为的正态分布随机产生的一个实数，kx是一个正系数；

(3b.2)若变异后变量的值超出范围[Lb,Ub]，则将与接近的边界值赋给

(3b.3)对和声X^new中每个变量依次按步骤(3b.1)(3b.2)执行，得到经过变异操作后的解向量X^mut。

6.根据权利要求1所述的基于改进多目标和声搜索算法的交通图像分割方法，其特征在于：步骤(3c)中对解向量X^mut进行随机操作，操作过程包括：统计解向量X^mut中值不为NOTcenter的分量的个数K，K表示分割类别数，若K≥K_min，X^mut保持不变，即X^rand＝X^mut，否则随机生成分割类别数K，K∈[K_min,K_max]，并在[Lb,Ub]范围内随机生成分割类别数为K的聚类中心C，按步骤(2c)中所述的随机编码方式将C随机编排到X^rand中。

7.根据权利要求1所述的基于改进多目标和声搜索算法的交通图像分割方法，其特征在于：步骤(3d)中所述的三个目标函数值表示为：

$f_1=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\left(u_{\mathrm{ki}}\right)}^2{d}^2(x_i,c_k)$

$f_2=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\left(u_{\mathrm{ki}}\right)}^2{d}^2(x_i,c_k)}{N\&CenterDot;d_{\min }}$

$f_3=\underset{p=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{q=1,p\&NotEqual;q}{\overset{K}{\mathrm{\&Sigma;}}}{\left({\mathrm{\&mu;}}_{\mathrm{pq}}\right)}^2{d}^2(c_p,c_q)$

其中K为分割类别数，N为图像I像素点总数，u_ki为图像I中第i个像素点x_i属于第k类的模糊隶属度，d_min＝{min d(c_i,c_j),i,j＝1,...,K,i≠j}是各聚类中心间欧式距离最小值，d(x_i,c_k)为图像I中第i个像素点x_i到第k类的聚类中心c_k的欧式距离，u_pq是第q类的聚类中心c_q属于第p类的聚类中心c_p的模糊隶属度，u_ki，μ_pq分别可表示为：

$u_{\mathrm{ki}}=\frac{1}{\underset{j=1}{\overset{K}{\mathrm{\&Sigma;}}}{(d(x_i,c_k)/d(x_i,c_j))}^2}$

${\mathrm{\&mu;}}_{\mathrm{pq}}=\frac{1}{\underset{j=1,j\&NotEqual;q}{\overset{K}{\mathrm{\&Sigma;}}}{(d(c_q,c_p)/d(c_q,c_j))}^2},p\&NotEqual;q$