当前位置：文档之家 › 基于免疫克隆选择算法的图像分割(精)

基于免疫克隆选择算法的图像分割(精)

  • 格式：pdf
  • 大小：360.46 KB
  • 文档页数：5

下载文档原格式

  / 5

合集下载

基于克隆选择遗传算法的图像阈值分割

基于克隆选择遗传算法的图像阈值分割

基于克隆选择遗传算法的图像阈值分割
王静;保文星
【期刊名称】《计算机工程与设计》
【年(卷),期】2010(031)005
【摘要】为了快速有效地得到图像的最佳阈值,基于人工免疫系统中的克隆选择原理,提出一种新的混合遗传算法,并将其应用于基于最大类间方差法的图像阈值分割
问题.该算法用克隆选择代替标准遗传算法中的概率选择,根据抗体.抗原的亲和度对种群中的优良个体有选择的克隆增殖,并利用抗体浓度调节机制采抑制高浓度抗体、促进低浓度抗体,以保持种群中个体的多样性.从而避免了遗传算法陷入局部最优解,出现早熟收敛现象.仿真实验结果表明,该算法对多类图像的良好分割效果和较强的
实用能力.
【总页数】3页(P1070-1072)
【作者】王静;保文星
【作者单位】北方民族大学计算机科学与工程学院,宁夏,银川,750021;北方民族大
学计算机科学与工程学院,宁夏,银川,750021
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于自适应量子遗传算法的图像阈值分割 [J], 关学忠;尹廷武;张新城;王文峰
2.基于遗传算法的图像阈值分割的研究 [J], 杨力;李东新
3.基于遗传算法的图像阈值分割的研究 [J], 周爱霞;李春贵;陶佳伟
4.基于分段自适应遗传算法的图像阈值分割 [J], 杜雯超;陈其松;周莹
5.基于遗传算法最佳阈值分割的矿石图像分割 [J], 张建立;孙深深;秦书棋
因版权原因，仅展示原文概要，查看原文内容请购买。

基于免疫遗传算法的图像阈值分割

基于免疫遗传算法的图像阈值分割

p i ln p i
pi -
pi
p i ln p i
pi - … -
i= 0
i= 0
i= 0
i= t1+ 1
i= t1+ 1
i= t1+ 1
L- 1
L- 1
L- 1
6 6 6 p i
p iln p i
pi .
( 6)
i= tN - 1+ 1
i= tN - 1+ 1
i= tN- 1+ 1
使 H ( t1 , t2 , …, tN - 1) 取最大值的阈值( t1 , t2 , …, t N - 1) 即是分割图像的最佳阈值; 因此
基于免疫遗传算法的图像阈值分割
吴 薇, 邓秋霞, 何曰光
( 武警工程学院 通信工程系, 陕西 西安 710086)
摘要: 基于最大熵准则的图像阈值分割算法是一个图像分割的最优化问题, 算法的运算量很 大. 用一种基于免疫调节机制的免疫遗传算法求解该准则下图像的一组最佳分割阈值, 不仅 提高了运算速度, 而且克服了一般遗传算法的不足. 仿真实验证明了该算法对复杂图像的良 好分割效果和较强的实时处理能力. 关键词: 图像分割; 熵; 阈值; 免疫遗传算法 中图分类号: T P 391. 4 文献标识码: A
第 17 卷第 2 期
纺 织 高 校 基 础 科 学 学报
Vol . 17, No . 2
2004 年 6 月 BASIC SCIENCES JOURNAL OF TEXTILE UNIVERSITIES
Jun. , 2004
文章编号: 1006-8341( 2004) 02-0160-04
( a) 原图 ( b) 单阈值分割结果 ( c) 双阈值分割结果 图 2 cam eraman 图像

22624303_基于免疫聚类算法的MRI膝关节图像分割

22624303_基于免疫聚类算法的MRI膝关节图像分割

明F该方法既有效地克服了聚类算法的缺陷又减轻了免疫算法在进化后期的波动现象提高了其收敛速度和局部搜
索能力更具稳定性和准确性在一定程度上改善了医学图像的分割效果-
关键词&'( 膝关节免疫聚类免疫聚类
中 图 分 类 号 )*+,-
文 献 标 志 码 .
%&
/$ 世纪 "$ 年代以来新的医学影像成像系统相继出现医学影像技术进入一个全新的发展阶段-医学 应用领域出现了一大批全新的影像技术如 0 光0 光照相术&'(磁共振成像12.数字减影*3) 正电子发射断层成像4)0 线计算断层扫描和 2*34)单光子发射断层成像等-这些技术不仅充分的 丰富了医学形态学诊断信息的各个领域和层次提高了医学形态学的诊断水平同时实现了医学形态学诊 断信息的数字化这使得临床医生能够更加清晰更加准确的观察病变部位确诊率也更高-
第 !) 卷 第 ( 期 !/($ 年 & 月
广西科技大学学报 0123.45 16 724广.7西89科2.技9*大:3学;9<学= 1报6 ;>9:.>: 4.? <:>@.1517=
!"#$ !"#$!%&&$!"'$"(!""%"!"$
(JI()&%$KLIMNOPIMNG$H(&#$KQI!J($IJ(IJ(G
极小值" 而且大多聚类算法在进行聚类前都会要求使用者输入参
数!通常参数的设置比较难确定!一旦参数设置不当!就使聚类的质
量难以控制!且耗费大量的计算时间"免疫算法是一种有选择-有目
的地利用待求解问题中的一些特征信息或知识来得到求解问题!且

基于克隆选择遗传算法的图像阈值分割

基于克隆选择遗传算法的图像阈值分割
Ａｂ ｔ ａ ｔ Ｔ ｂ ａ ｎ ｔ ｅｂ ｓ ｇ ｈ ｅ ｈ ｌ ａ ｔ ｎ ｆ ｃ ｉ ｅｙ ｂ ｓ ｄ ｏ ｌ ｎ ｌｓ ｌｃ ｉ ｎ ｐ ｎ ｉ ｅ ｏ ｒ ｆ ｉ ｌ ｍｍｕ ｅ ｓ ｓｅ ｓｒ ｃ ： ｏ ｏ ｔ ｉ ｅ ｔｉ ｈ ｍａ ｅｔ ｒ ｓ ｏ ｄ ｆ ｓ ｄ ｅ ｆ ｔ ｌ ， ａ ｅ ｎ ｃ ｏ ａ ｅ ｅ ｔｏ ｒ ｃｐｌ ｆａ ｔ ｃ ａ ａ ｅ ｖ ｉ ｉ ｉ ｉ ｎ ｙ ｔ ｍ， ａ
ｍｕ ｔ ｌ ａｅ ｌｃ ｉ ｅｙ ｎ ￣ ｏ ｄ ｌ ｔｒ ｃ ａ ｉ ｉ ｓ ｄｔ ｓｒ ｉ ｉ ｈ ｃ ｏ ｄ ｖ ｄ ａ ｓ ｐ ｏ ｔ ｗ ｈ ｏ ｄ ｖ ｄ ａｓ ｌ ｐ ｉ ｔ ｄｓ ｅ ｔ ｌ，ａ ｄｃ ｍａｍｏ ｕ ａｏ ｙ ｍｅ ｈ ｎ ｓ ｓ ｅ ｒ ｔ ｎｈ ｇ ｉ ｃ ｅ ｖ ｍ ｕ ｏｅ ａ ｒ ｈ ｍａｉ ｉ ｉｕ ｌ， ｒ ｍｏ ｅ ｏ ｃ ｍａｉ ｉ ｉ ｕ ｌ ｎ ｌ ｒ ｎ
ｎ ｅｐ ｄｖ ｒｉ ｏ ｄｖｄ ａｓ ｎｐ ｐ ｌｔ ． ｍｕ ａｉｎ ｌｅ ｐ ｒ ｎａ ｓ ｌ ｓ ｏ ｔ ｔｈ ｓ ａ ｄｋ ｅ ｉｅｓｔ ｆｎ ｉｉｕ ｌ ｉ ｏ ｕａｉｎ Ｅ ｌｔｏ ａ ｘ ｅ ｍｅ ｔｌ ｅｕｔ ｈ ｗ ａ ｉ ￣ｏ ａ ｏ ｄｓｇ ｎａｉｎｅ ｅｔ ｙ ｉ ｏ ｉ ｒ ｓ ｈ ｔ ｍｅ ｄｈ ｓ ｏ ｅ ｍｅ ｔｔｏ ｆ ｃｓ ｇ ｎ ｔ ｎ ｒｃｉ ｂｌ ａ ｄｓ ｏ ｇｐ ａ ｔ ａ ｉｔ． ｒ ｃ ｉ ｙ
摘 要 ： 了快速有 效地得 到 图像 的最佳 闽值 ， 于人 工免 疫 系统 中的克 隆选择 原理 ， 出一 种新 的混合 遗传 算 法， 为 基 提 并将其 应 用于基 于最 大类 间方差 法的 图像 阈值分 割 问题 。 该算 法用克 隆选择代 替标 准遗传 算法 中的概率 选择 ， 根据 抗体 原的亲 抗

基于免疫密母算法的图像分割_马文萍

基于免疫密母算法的图像分割_马文萍
q1 q2 m 1 2 1 2 Tm c (A ) = T c {a1 + a1 + · · · + a1 } + {a2 + a2 + · · · + a2 } 2 qn + · · · + {a1 n + an + · · · + an } 1 m 2 m q1 = Tm c (a1 ) + T c (a1 ) + · · · + T c (a1 ) 1 m 2 m qn + ··· + Tm c (an ) + T c (an ) + · · · + T c (an ) .
3
图像分割的密母免疫克隆
免疫密母算法对图像分割的流程，如图 1 所示．
图 1:
免疫密母算法流程图
第4期
马文萍，等：基于免疫密母算法的图像分割
479
3.1
编码方式以及种群初始化
本算法初始化了两个种群．种群 1 的编码方式是基于类别数的，例如有一个个体，编码表 示为 (1 3 2 3 1 1 2 2 3 2) 则代表了第一数据属于第一类，第二个数据属于第三类，以此类推． 每个个体的长度 CL 就是分水岭分块的块数．这种编码方式比较简单，种群中每个个体就代表 了一种聚类结果，为了提高种群多样性，初始种群由两部分组成：1) 随机产生；2) 基于最小 生成树产生． 本文用 Prim算法来实现最小生成树，数的权值是两个数据点之间的欧氏距离．根据最小生 成树原理和权值矩阵，可得到 CL 个数据点之间的连接图，随机断开 K − 1 处并通过解码得到 个体作为第一部分初始种群． 种群 2 的编码方式是基于聚类中心的可变长度编码，码长为 N ∗ K ，N 是特征数据的维 数 22，K 是分类数．种群 2 中的个体是从种群 1 中得到的，找到种群 1 中最优秀的 d 个个体， 并把这些个体从基于类别数的编码方式转变成基于聚类中心的编码方式，得到种群 2． 3.2 适应度函数 在本算法中为了确保图像分割的精确率，对适应度的计算不在是对区域块进行操作而是对 像素点．虽然两个种群的编码方式不同但是它们的适应度函数本质是一样的，函数为 fitness = 1+ 1

免疫克隆选择图划分方法

免疫克隆选择图划分方法

流形距 离测 度来构 造相似 性矩 阵 ， 得新 算法 可以有 效处理 具有复 杂结 构的数 据 。采 用人 工数据 集 、 ＳＳ手 写 使 ＵＰ 体数 字识 别和 ｕ ＩＴ人脸 识别 的仿真 实验验证 了新 方法 的有效性 和鲁棒 性 。 Ｍｓ 关键词 ：图划分 ； 聚类 ； 谱 权核 Ｋ 均值 ； 形相似性 测度 ； 一 流 克隆选择
ｄ ｔｓ ｔ ｎ ａａ ｅ ｓａ ｄ ＵＭＩ Ｔ ｆ ｃ ａａ ｅ ｓｓ ｏ ｔ ａ ｅ ｎ ｖ ｌ ｔ ｏ ｓｅｆ ｃｉｅ ａ ｄ ｒ ｂ ｓ ． Ｓ ａ ｅ ｄ ｔｓ ｔ ｈ ｗ ｔ ｈ ｏ ｅ ｈ ｄ ｉ ｆ ｔ ｎ ｏ ｕ ｔ ｈ ｔ ｍｅ ｅ ｖ Ｋｅ ｒ ｓ ｇａ ｈ ｐ ｒｉ ｏ ；ｓ ｅ ｔ ｌｃｕ ｔｒ ｇ ｅ ｇ ｔｄ ｋ ｒ ｅ ｍｅ ｎ ；ｍａ ｉ ｌ ｉ ｌ ｒ ｙ ｍｅ ｓ ｒ ；ｃ ｏ ｅ ｓ ｌｃ ｉｎ ｙ ｗｏ ｄ ： ｒ ｐ ａ ｔ ｉ ｎ ｐ ｃｒ ｌ ｓｅ ｎ ；ｗ ｉｈ ｅ ｅ ｎ ｌＫ－ ａ ｓ ｔ ａ ｉ ｎ ｆ ｄ ｓｍｉ ｉ ａ ｕ ｅ ｌｎ ｅｅ ｔ ｏ ａｔ ｏ
Ａｂ ｔ ａ ｔ ｎ ｏｄ ｒｔ ｓ ｌｅ ｔｅ ｐ ｏ ｌｍ ｆｔ ｅ ｓｏａ ｅ ａ ｄ ｅｇ ｎ ｅ ｏ ｏ ｉ ｏ ｆ ｔ ｅ ｓ ｌｒｔ ｔ ｘ ｉ ｐ ｃｒ ｌｃｕ ｔｒ ｇ ｓｒ ｃ ：Ｉ ｒ ｅ ｏ ｖ ｈ ｒ ｂ ｅ ｏ ｔ ｒｇ ｎ ｉｅ ｄ ｃ ｍｐ ｓ ｉｎ ｏ ｈ ｉ ａｉ ｍａｒ ｎ ｓ ｅ ｔａ ｌ ｓ ｉ ｏ ｈ ｔ ｍｉ ｙ ｉ ｅｎ ａｇ ｒ ｈ ，ｈ ｓｐ ｐ ｒｐ ｏ ｏ ｅ ｅ ｔ ｏ ｔ ｉｉ ｇｔ ｅ ｉ ｌｏ ｉ ｍｓ ｔ ｉ ａ ｅ ｒ ｐ ｓ ｄ ａ ｎ ｗ ｍｅ ｈ ｄ ｕｉ ｚ ｈ ｍｍｕ ｅｃ ｏ ｅｓ ｌ ｃｉｎ ｏ ｔ ｚｎ ｌ ｏ ｔｍ ｏｓ ｌ ｅｔ ｅ ｇａ ｈ ｐ ｎ — ｔ ｌ ｎ ｎ ｌｎ ｅｅ ｔｏ ｐ ｉ ｉ ｇａ ｇ ｒ ｈ ｔ ｏｖ ｒ ｐ ａ ｉ ｍｉ ｉ ｈ

基于人工免疫系统的多目标优化与SAR图像分割

基于人工免疫系统的多目标优化与SAR图像分割基于人工免疫系统的多目标优化与SAR图像分割近年来，合成孔径雷达（Synthetic Aperture Radar，SAR）技术在地球观测、制图和监测等领域得到了广泛的应用。

SAR图像由于其丰富的信息和无视天气条件限制等特点，成为了遥感图像处理研究领域的关注焦点之一。

而SAR图像分割作为SAR图像解译中的一个关键步骤，其准确性和效率的提高对于后续的应用以及地球科学研究具有重要的意义。

然而，由于SAR图像特性的复杂性，传统的图像分割方法在处理上往往面临诸多挑战。

这些挑战包括边界不清晰、噪声干扰以及目标内部复杂的杂波干扰等。

因此，为了克服这些问题，提高SAR图像分割的准确性和效率，人工免疫系统（Artificial Immune System，S）作为一种新颖的优化方法被引入其中。

S是模拟自然免疫系统的计算模型，通过对抗体（抗原结合物）和免疫网络的交互作用，实现对复杂问题集的优化。

其核心思想是模拟机体的自我识别和异常检测能力，通过不断的学习和改进，达到解决实际问题的目标。

基于S的多目标优化算法在最近的研究中表现出了出色的性能，因此在SAR图像分割中的应用具有很大的潜力。

在基于S的多目标优化算法中，主要包括了抗体生成、选择和充实等过程。

首先，通过借鉴免疫系统中产生抗体的机制，将SAR图像表示为一系列特征向量，从而生成初始的抗体库。

然后，通过设计适应度函数来评估目标函数并进行抗体选择和淘汰。

在这一过程中，通过引入多目标问题的权重指标，使得算法能够同时优化多个目标函数，提高分割结果的多样性和准确性。

最后，通过充实过程，不断地更新和改进抗体库，以优化所需的目标。

与传统的图像分割方法相比，基于S的多目标优化算法在SAR图像分割中具有以下优势。

首先，由于免疫系统的学习和适应能力，可以快速且自适应地改变抗体库的状态，并在短时间内得到最优解。

其次，多目标优化算法的引入使得分割结果更加全面和完整，同时兼顾了各个目标函数的权重，提高了算法的鲁棒性和普适性。

基于免疫谱聚类的图像分割

基于免疫谱聚类的图像分割
张向荣;骞晓雪;焦李成
【期刊名称】《软件学报》
【年(卷),期】2010(021)009
【摘要】提出了一种基于免疫谱聚类的图像分割方法.利用谱聚类的维数缩减特性获得数据在映射空间的分布,在此基础上构造一种新的免疫克隆聚类,用于在映射空间中对样本进行聚类.该方法通过谱映射为后续的免疫克隆聚类提供低维而紧致的输入.而免疫克隆聚类算法具有快速收敛到全局最优并且对初始化不敏感的特性,从而可以获得良好的聚类结果.在将其用于图像分割时,采用了Nystr(o)m逼近策略来降低算法复杂度.合成纹理图像和SAR图像的分割结果验证了免疫谱聚类算法用于图像分割的有效性.
【总页数】10页(P2196-2205)
【作者】张向荣;骞晓雪;焦李成
【作者单位】西安电子科技大学,智能感知与图像理解教育部重点实验室,智能信息处理研究所,陕西,西安,710071;西安电子科技大学,智能感知与图像理解教育部重点实验室,智能信息处理研究所,陕西,西安,710071;西安电子科技大学,智能感知与图像理解教育部重点实验室,智能信息处理研究所,陕西,西安,710071
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于改进谱聚类算法在图像分割中的应用 [J], 王贝贝;杨明;燕慧超
2.基于误差采样的Nystr(o)m谱聚类图像分割算法研究 [J], 刘仲民;李博皓;李战明;胡文瑾
3.基于半监督的超像素谱聚类彩色图像分割算法 [J], 刘汉强;赵静
4.基于谱聚类与多信息特征融合的图像分割算法 [J], 赵希; 于双元
5.一种基于自适应超像素的改进谱聚类图像分割方法 [J], 覃正优;林一帆;陈瑜萍;林富强
因版权原因，仅展示原文概要，查看原文内容请购买。

基于免疫算法进行图像分割的应用和研究


２ 免疫 算法应 用 于图 像分 割 的基本流 程
用 于 图像 分 割 时 ， 免疫 过程 与 图像 分 割过 程 的对 应 关 系 如
表 ｌ 。
图像 分 割 是从 一 幅 图像 中 提 取 自己感 兴 趣 的 区 域 和 部 分 。 免 疫算 法 应 用 于 图像 分 割 ， 主 要 是对 分 割 过程 起 到 了一 定 的控 制 作 用 和提 出 了一 种控 制 机 制 ， 在 下 面 的部 分 ， 主 要从 算 法 的 原理 ， 算 法 的 特点 ， 算 法 的应 用 和研 究进 展三 方 面进行 说 明 。
２ ０ １ ３ 年第ｌ ３ 期总第１ ３ ３ 期
ＳＩ Ｌ－ Ｃ０ Ｎ ＶＡ ＬＬＥ Ｙ
画
基 于免疫算 法进 行图像 分割 的应用和研 究
赵 云霞 ’ ， 王 沛 （ １ ． 长 安大 学地 质工 程 与测绘 学 院 ， 陕 西西 安 ７ １ ０ ０ ６ ４； ２ ． 电子科 技大 学 自动化 工 程学 院 ， 四川成 都 ６ １ １ ７ ３ １）
表 １
３ 免疫 算法 的特 点
与 其 它基 于 自组织 原 理 的算 法 相 比 ， 免疫 算 法 的最 大 特 点
是 算 法本 身 并 没有 给 出 一种 具 体 的分 割方 式 ， 而仅 是对 分 割 过 程 进行 了控 制 ， 使 系 统 具有 了 自组 织 、 自适 应 的特 点 。它 可 以 和 其它 分割 算法 进行 很好 的结 合 。免疫算 法 的 自组织 性体 现在 ， 运 用免 疫 算 法执 行 图像 分割 的过程 中 ， 并 没 有人 为 的进 行 控 制 操作 ， 而 是 系统 根 据输 入 待 分 割 的图像 自行 调整 分 割算 法 从 而 达 到最 优 分 割 不需 要 外 接 干预 ， 通过 自身 内部 特征 完成 系统更 新 的特性 。

基于免疫算法的图像阈值分割


" ２
σ２ ＝
ｉ＝ ｔ ＋ １
［ｉ－ μ２（ ｔ） ｐ２（ ｔ）
］２ｈ （
ｉ）
ｔ
Ｌ－ １
"ｈ（ ｉ） ＊ ｉ
"ｈ（ ｉ） ＊ ｉ
μ０（
ｔ）
＝
ｉ
＝
０
ｐ０（ ｔ）
，
μ２（
ｔ）
＝
ｉ＝ ｔ ＋ １
ｐ１（
ｔ）
则最佳阈值为： ｔ＝Ａｒｇｍｉｎｔ∈（０， １， ２， …， Ｌ－ １）Ｆ（ ｔ）
其中：
ｐ０（ ｔ） 、ｐ１（ ｔ） 分别为灰度值在 ０￣ｔ 和 ｔ￣（ Ｌ－ １） 之间的
代
在图像相应的灰度值范围内， 随机产生所需数目
计 的个体， 然后对其进行二进制编码， 形成初始种群， 作
算 为起始搜索点的初始种群数据。
机
（ ４） 选择、交叉和变异运算
（总
选择运算是把当前群体中的个体按某种规则或
第 模型遗传到下一代群体中。本文的选择算法中引入了
二 免疫算子， 其选择概率根据个体的浓度、适应度 来共
图 ３ 遗传算法和免疫算法适应度值对比 初始群体的产生的随机性， 导致基于这两种算法
的 单 次 分 别 寻 优 时 间 会 有 较 大 的 随 机 性 。如 果 初 始 群 体比较好， 即适应值较大， 那么经过交叉选择变异的 迭代进化时间就会较短， 反之较长。为了验证文中所 述的算法优于传统遗传算法， 选择了 １４３ 张像素值大 小不一的图像， 在相同情况下， 分别用这两种算法进 行分割， 并记录相应 ＣＰＵ 运行时间。实验数据如下：基 于遗传算法的图像分割共用时 １９２．７０５２ｓ， 而基于免 疫遗传算法的图像分割共用时 １８０．７８２７ｓ， 累计节省 时间 ６．１９％。由此可见， 在相同情况下， 免疫算法的收 敛性优于遗传算法， 同时， 免疫算法最优解的寻找速 度明显优于经典的遗传算法。
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2004-11-22 收到, 2005-07-25 改回 国家自然科学基金 (60133010 ， 60372045) ，国家“ 863 ”计划项目 (2002AA135080)和国家重点研究发展“ 973 ”计划 (2001CB309403) 资助课题
[4]
2
.
免疫克隆选择算法
人工免疫系统[6](Artificial Immune System，AIS)是模仿
第 28 卷第 7 期 2006 年 7 月
电 子 与 信 息 学 报 Journal of Electronics & Information Technology
Vol.28No.7 Jul.2006
基于免疫克隆选择算法的图像分割
丛
摘 要
琳
沙宇恒
焦李成
西安 710071)
(西安电子科技大学智能信息处理研究所
segmentation methods, a novel algorithm based on immune clone selection and optimal entropy theory is presented in this paper. Immune clone selection algorithm performs not only local but also global search, and has better performance than Genetic Algorithm(GA) in searching for the optimal entropy threshold of images. The algorithm is depicted in detail and the computational complexity is given. In experiments, natural image and SAR image are selected, and the algorithm runs ten times independently and the mean numbers of function values are presented as the evaluation of the algorithm complexity. It shows that the algorithm presented in this paper can find better solutions with small generation and mean numbers of function values. So this method has better performance in stabilization and convergence than GA. Experimental results show that this method is feasible and effective. Key words Image segmentation, Artificial immune system, Clone selection, Genetic Algorithm (GA) 克隆选择算法作为一种新的全局优化搜索算法，在其算 法实现上兼顾全局搜索和局部搜索，吸取了遗传算法并行搜 索优点，通过接种疫苗和计算亲合度，使得算法快速收敛， 同时保持一定的多样性，抑制了早熟现象。本文将免疫克隆 选择算法应用到图像分割中，根据适应度函数的大小，不断 更新种群克隆的规模，来求得最优的图像分割阈值，达到了 较好的图像分割效果。通过实验数据分析，本文方法优于传 统的遗传算法。
Application of Immune Clone Selection Algorithm to Image Segmentation
Cong Lin
Abstract
Sha Yu-heng
Jiao Li-cheng
(Institute of Intelligent Information Processing, Xidian University, Xi’an 710071，China) Image segmentation is a significant part in image processing field. Inspired by the threshold-based
1
引言
图像分割是图像处理和计算机视觉领域中的关键技术
之一， 其目的是将图像中的目标和背景分离， 为后续的分类、 识别和检索提供依据。传统的图像分割方法包括阈值法、边 缘检测法、区域跟踪法等。其中，阈值法[1]是最常用的方法。 为控制图像分割造成的信息损失而提出的一种基于信息论 熵准则的图像阈值自动选取方法[2]引起了人们的极大关注， 其理论研究及实际应用均获得重大突破。Pun和Kapur等提出 了利用最大先验熵估计分类合理性来选取阈值的方法[2,3]； Yen等人提出了利用最大相关性原则取代一般常用的最大熵 原则来选取阈值的方法 ；Sahoo等提出了利用Renyi熵代替 常规熵原则的最大熵原理等[5]。以上所述的方法均涉及到寻 优的问题，由于传统的遗传算法容易陷入局部最小，所以如 何快速有效地选取最优阈值是本文研究的一个重点。
图像分割是图像处理领域中不可缺少的一个分支。该文基于阈值分割方法，将免疫克隆选择优化算法应用
到图像分割中，提出了一种新的图像分割算法。详细叙述了算法机理，并对算法复杂度进行了理论分析以及实验 数据比较。在仿真实验中，将遗传算法和免疫克隆选择算法分别独立运行 10 次，对 10 次得到的阈值以及均值、 方差进行了比较，并将函数评价次数作为算法复杂度的评价指标。该文算法不仅能够对价次数得到最优阈值。仿真结果表明，该方法应用 在图像分割中是可行的、有效的。 关键词 图像分割，人工免疫系统，克隆选择， 遗传算法 文献标识码： A 文章编号： 1009-5896(2006)07-1169-05 中图分类号： TN911.73