| 摘 要： | 目的结合树木图像颜色和纹理特征，融合聚类和分类算法对树木图像进行多目标优化分割，从而提高自然背景下树木图像分割的准确性。方法首先，利用MSCC框架理论，解决聚类和分类目标函数同时依赖于聚类中心的问题。然后，分别选定聚类性能评价指标函数和分类性能评价指标函数。最后，采用多目标进化优化方法——NSGA-II算法进行优化，得到Pareto前端最优解集，并通过计算聚类有效性指数I的最大值，寻找最优解决方案。选择具有代表性的法国梧桐、侧柏、松树和杏树等自然背景下拍摄的4幅图像作为样本。分别采用K-means、Fuzzy C-means、对聚类目标函数进行单目标优化，采用MOPSO方法进行多目标优化，以及NSGA-II方法进行多目标优化等5种方法对样本图像进行分割比较。结果在聚类中心数量相同、种群大小相同、遗传代数相同的条件下，指数I的值表明本文提出的分割方法优势显著。对于4类不同样本图像分割的指数I值进行对比可知，以HF指数为单目标函数进行遗传优化的结果优于单一使用K-means和FCM算法；MOPSO多目标优化方法分割结果优于单目标优化结果；基于NSGA-II优化的多目标函数分割结果又优于MOPSO多目标优化结果。结论融合聚类和分类算法构建聚类性能评价指标函数和分类评价性能指标函数，并采用非支配排序遗传算法对多目标函数进行优化，能更好地保留树木图像的颜色和纹理特征，分割准确率显著提高。
|
