应用于图像分割的多目标模糊进化聚类算法研究

传统的模糊聚类算法采用单目标函数进行数据的分类，面临分类数的确定和含噪数据分类效果不佳等问题。鉴于模糊聚类是图像分割的常用方法之一，考虑到该类方法很难适应含噪图像的分割问题，为了充分利用模糊聚类算法的优势，本项目利用图像具有的空间信息（局部空间信息和非局部空间信息），构造融合空间信息的模糊聚类目标函数，结合聚类有效性函数获得多个模糊聚类目标函数。为了获得图像的分割数和分割结果，本项目采用多目标进化算法，利用染色体可变长编码策略在进化过程中自动确定图像的分割数和最终的分割结果。.图像分割是数字图像处理中的重要环节，对后续的图像分析、理解与描述能够产生直接的影响；模糊聚类是解决图像分割问题的有效方法之一，本项目在有效解决分割数的同时，能更好的处理降质图像的分割问题，因此开展本项目的研究具有非常好的应用价值。

图像分割是图像处理中的关键问题，其质量对后续图像识别和理解至关重要。本项目针对传统模糊聚类应用于图像分割时对于图像噪声敏感以及聚类数目不易确定两大问题，开展应用于图像分割的多目标进化模糊聚类算法研究。项目组成员按照申请书里给出的研究方案和研究计划在以下四个方面作了大量工作：(1)构造融合局部空间信息的模糊聚类目标函数；(2)构造融合非局部空间信息的模糊聚类目标函数；(3)构造鲁棒的融合图像空间信息的模糊聚类目标函数；(4)多个模糊聚类目标函数的优化及聚类数目的自适应确定，取得了一定的研究进展。下面介绍本项目的两个代表性工作：.借鉴机器学习和模式识别领域中利用局部结构进行学习的思想，解决了图像像素的非局部空间信息提取过程中滤波程度参数h的自适应确定问题。对所有图像像素不采用单一的h取值，而是通过学习每一个像素j搜索窗内的统计特性计算一个自适应滤波程度参数hj。实验验证了这种空间信息的有效性和这种参数自适应确定策略的合理性。.此外，为了加强融合图像空间信息的模糊聚类目标函数的鲁棒性，鉴于局部空间信息和非局部空间信息的互补性，本项目同时将这两种空间信息引入到聚类有效性函数中，进而提出了基于互补空间信息的多目标进化模糊聚类图像分割算法。为了减少人为干预，采用可变长编码策略在进化过程中自动确定聚类数目。实验结果表明，该算法不但能在含噪图像上取得较为令人满意的分割性能，而且适用于多种类型的含噪图像。.项目组成员圆满完成了项目全部的研究任务，取得了预期的研究成果，共计发表论文32篇，其中SCI 检索11 篇。本项目开展的应用于图像分割的多目标进化模糊聚类算法研究，在有效处理含噪图像分割问题的同时，能自动确定图像分割的数目。因此，本项目的研究具有一定理论意义和非常好的应用价值。