[论文解读] Image Colour Segmentation by Genetic Algorithms

Vitorino Ramos, Fernando Muge|ArXiv.org|Dec 17, 2004

Image Retrieval and Classification Techniques参考文献 20被引用 33

一句话总结

本文提出一种基于遗传算法（GA）的无监督彩色图像分割方法，通过将k-Means聚类整合到彩色特征空间的分割优化中。通过将分割问题建模为NP完全优化问题，该方法演化聚类中心和分割数量，在纹理图像、装饰石材及皮肤斑点等图像上仅需极少用户输入即可实现有效性能。

ABSTRACT

Segmentation of a colour image composed of different kinds of texture regions can be a hard problem, namely to compute for an exact texture fields and a decision of the optimum number of segmentation areas in an image when it contains similar and/or unstationary texture fields. In this work, a method is described for evolving adaptive procedures for these problems. In many real world applications data clustering constitutes a fundamental issue whenever behavioural or feature domains can be mapped into topological domains. We formulate the segmentation problem upon such images as an optimisation problem and adopt evolutionary strategy of Genetic Algorithms for the clustering of small regions in colour feature space. The present approach uses k-Means unsupervised clustering methods into Genetic Algorithms, namely for guiding this last Evolutionary Algorithm in his search for finding the optimal or sub-optimal data partition, task that as we know, requires a non-trivial search because of its intrinsic NP-complete nature. To solve this task, the appropriate genetic coding is also discussed, since this is a key aspect in the implementation. Our purpose is to demonstrate the efficiency of Genetic Algorithms to automatic and unsupervised texture segmentation. Some examples in Colour Maps, Ornamental Stones and in Human Skin Mark segmentation are presented and overall results discussed. KEYWORDS: Genetic Algorithms, Colour Image Segmentation, Classification, Clustering.

研究动机与目标

• 解决在具有相似或非平稳纹理区域的图像中进行无监督彩色图像分割的挑战。
• 在无先验知识的情况下自动确定最优分割区域数量。
• 通过进化计算提高在复杂纹理区域中的聚类准确性和鲁棒性。
• 在遗传算法框架内集成k-Means聚类，实现自适应的全局优化。
• 在真实世界图像（包括彩色地图、装饰石材和人体皮肤斑点）上验证该方法。

提出的方法

• 将分割问题表述为彩色特征空间中的全局优化任务。
• 采用遗传算法演化聚类中心和聚类数量，使用自定义的染色体表示法来编码聚类参数。
• 适应度函数基于类内紧凑性和类间分离性来评估分割质量，受k-Means聚类的引导。
• 在GA中使用k-Means算法以优化聚类分配并提高收敛性。
• 应用遗传算子——选择、交叉和变异——以演化出最优或次优的分割方案。
• 采用混合方法实现：GA引导全局搜索，而k-Means在每代中提供局部优化。

实验结果

研究问题

• RQ1 遗传算法能否在无先验知识的情况下，有效优化彩色图像分割中聚类的数量和位置？
• RQ2 在GA框架中集成k-Means如何提升在纹理图像上的分割准确性？
• RQ3 该混合方法在处理真实世界图像中相似或非平稳纹理区域方面的适应程度如何？
• RQ4 所提出的方法是否能在多种图像类型上实现鲁棒且自动的分割？
• RQ5 该方法在彩色地图、装饰石材和皮肤斑点等基准图像上的表现如何？

主要发现

• 所提出的GA-k-Means混合方法成功分割了具有复杂纹理模式的彩色图像，包括相似和非平稳区域。
• 该方法可自动确定分割区域数量，无需用户预设聚类数目。
• 在彩色地图、装饰石材和人体皮肤斑点上的实验结果表明，分割结果在视觉上连贯且准确，仅需极少人工干预。
• 在GA中集成k-Means显著提升了优化过程的收敛性和稳定性。
• 该方法在传统聚类方法失效的挑战性分割任务中表现出强鲁棒性。
• 该方法在真实世界数据集上实现了具有竞争力的性能，验证了其在无监督彩色分割中的有效性。