申请/专利权人：西安邮电大学

申请日：2023-12-20

公开（公告）日：2024-03-19

公开（公告）号：CN117726816A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/762;G06V10/84;G06N3/126

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种基于多视图迁移多目标粗糙模糊聚类的图像分割方法，主要解决现有图像分割局限于单一视角和单一准则导致分割性能低，对初始值敏感和计算速度慢的问题。其实现方案是：输入待分割图像并设置初始参数值；设计超像素图像修复策略生成可靠且具有细节的超像素图像；初始化参考向量和种群；结合多视图学习、迁移学习和聚类的不确定性构造三个互补的目标函数；基于目标函数值训练贝叶斯代理模型；设计基于自适应混合交叉算子的优化框架更新种群；动态选取填充采样个体以更新贝叶斯代理模型；从最终种群中选取最优解；基于最优解计算全局隶属度获取图像的分割结果。本发明提高了分割结果的准确性和稳定性，可用于自然图像和计算机视觉处理。

主权项：1.一种基于多视图迁移多目标粗糙模糊聚类的图像分割方法，其特征在于，包括如下步骤：1输入待分割的图像X，并设置初始参数值，即视图个数L、聚类数目C、下近似权重wlow、超像素信息项权重β、迁移系数λ、模糊因子m、种群规模NI、参考向量个数H、最大目标函数的评估次数FEmax、代理模型更新频率ω、最大代理模型更新频率ωmax；2设计超像素图像修复策略，结合不同超像素方法的优势，获取可靠且具有图像细节的图像信息2a对待分割图像X进行划分，生成不均匀区域的超像素图像XM；2b对待分割图像X进行划分，生成均匀区域的超像素图像XS；2c根据步骤2a和步骤2b生成的不均匀区域的超像素图像XM和均匀区域的超像素图像XS计算自适应加权系数，并采用线性加权的方法得到修复后的超像素图像3利用单纯形格点法和拉丁超立方采样法分别生成初始参考向量ν和初始种群P；4结合多视图学习、迁移学习和聚类的不确定性，分别构建如下三个目标函数：基于多视图迁移的粗糙模糊紧致性函数F1：融合边界惩罚的模糊熵函数F2：基于共识隶属度的全局模糊分离函数F3：其中，L表示视图个数，C表示聚类数目，N表示像素个数，λ表示迁移系数，J1表示粗糙模糊聚类目标函数，J2表示多视图信息迁移目标函数，τi表示边界惩罚因子，μlij表示第l个视图中第j个像素对第i类的隶属程度，Scluster用于衡量类内像素的相似程度，Ssample用于衡量每个像素对各个类的隶属程度；5计算初始种群P中每个个体的三个目标函数值，初始化这些目标函数的评估次数FE，即用种群规模NI的值设置FE，采用初始种群初始化数据库DB；6根据每个个体的三个目标函数值，分别训练贝叶斯代理模型；7构建基于自适应混合交叉算子的多目标进化框架更新初始种群P：7a基于全局自适应系数设计自适应混合交叉算子策略生成子代种群，将其和初始种群合并得到候选种群，并利用贝叶斯代理模型进行预测；7b执行环境选择操作，从候选种群内选择NI个个体作为下一代种群；7c根据设置的最大代理模型更新频率ωmax，执行步骤7a—步骤7b共ωmax次，得到更新后的种群；7d基于全局自适应系数从更新后的种群中选择u个个体更新数据库DB，计算u个个体的目标函数值更新目标函数的评估次数FE；7e比较目标函数评估次数FE与最大目标函数评估次数FEmax，判断进化是否终止：若FE＜FEmax，则对当前种群执行步骤6；否则，将数据库DB作为最终种群，执行步骤8；8计算最终种群中个体的融合多视图共识信息的粗糙模糊聚类有效性指标I，在最终种群中选择最优解，对其解码得到聚类中心vi；9利用获得的聚类中心vi计算全局隶属度，并根据最大隶属度原则确定各个像素的所属类别，输出图像X的分割结果。

全文数据：

权利要求：

百度查询： 西安邮电大学 基于多视图迁移多目标粗糙模糊聚类的图像分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD