[论文解读] An Unsupervised Dynamic Image Segmentation using Fuzzy Hopfield Neural Network based Genetic Algorithm

Amiya Halder, Soumajit Pramanik|arXiv (Cornell University)|May 30, 2012

Remote-Sensing Image Classification参考文献 15被引用 3

一句话总结

本文提出一种基于模糊霍普菲尔德神经网络（FHNN）的遗传算法（GA）的无监督动态图像分割方法，利用灰度图像的灰度值和空间邻域信息，自动分割图像。FHNN 生成 GA 的初始种群，通过有效性指数确定最优分割数，实现对单特征与多特征图像的高质量分割，性能稳健。

ABSTRACT

This paper proposes a Genetic Algorithm based segmentation method that can automatically segment gray-scale images. The proposed method mainly consists of spatial unsupervised grayscale image segmentation that divides an image into regions. The aim of this algorithm is to produce precise segmentation of images using intensity information along with neighborhood relationships. In this paper, Fuzzy Hopfield Neural Network (FHNN) clustering helps in generating the population of Genetic algorithm which there by automatically segments the image. This technique is a powerful method for image segmentation and works for both single and multiple-feature data with spatial information. Validity index has been utilized for introducing a robust technique for finding the optimum number of components in an image. Experimental results shown that the algorithm generates good quality segmented image.

研究动机与目标

• 开发一种无监督图像分割技术，自动确定图像组件数量，无需预先标注。
• 通过将空间邻域关系与基于灰度值的聚类相结合，提升分割精度。
• 利用模糊霍普菲尔德神经网络（FHNN）为遗传算法（GA）生成多样化初始种群。
• 引入有效性指数，稳健估计图像中最优分割数。
• 在单特征与多特征灰度图像上评估该方法，以检验其泛化能力与有效性。

提出的方法

• 该方法采用模糊霍普菲尔德神经网络（FHNN）进行初始聚类，并为遗传算法（GA）生成初始种群。
• GA 通过基于类内紧凑性与类间分离性的适应度函数，演化聚类中心与隶属度值。
• 将空间邻域关系整合到适应度函数中，通过保持局部图像结构提升分割精度。
• 使用有效性指数——具体为 Xie-Beni 指数——评估并自动选择最优聚类数。
• 算法迭代优化聚类分配与参数，直至收敛，输出分割图像。
• 该方法应用于灰度图像，设计用于处理同时包含单特征与多特征的空间上下文数据。

实验结果

研究问题

• RQ1 混合 GA-FHNN 方法能否仅利用灰度值与空间信息，实现对灰度图像的高精度无监督分割？
• RQ2 模糊霍普菲尔德神经网络在图像分割中能否有效生成多样化且有意义的遗传算法初始种群？
• RQ3 与仅基于灰度值的方法相比，整合空间邻域关系在多大程度上提升了分割质量？
• RQ4 有效性指数能否在不依赖图像内容先验知识的情况下，可靠地确定最优分割数？
• RQ5 该方法在具有多个特征或复杂灰度分布的图像上表现如何？

主要发现

• 所提方法仅利用灰度值与空间邻域数据，成功将灰度图像分割为有意义的区域。
• 将空间信息整合到适应度函数中，显著提升了分割精度与边界保持能力。
• 模糊霍普菲尔德神经网络有效生成多样化初始种群，增强了遗传算法的收敛性与鲁棒性。
• 有效性指数可实现自动且可靠的最优聚类数确定，无需人工输入。
• 实验结果表明，分割输出质量高，视觉与定量证据均支持该方法的有效性。
• 该方法在单特征与多特征图像上均表现出良好泛化能力，显示出对多种图像类型的强适应性。