基于多目标进化的区间值模糊聚类图像分割

Interval value fuzzy set is an important development of fuzzy set theory. Without any prior knowledge about the data to be clustered, the fuzzy clustering algorithms based on the interval value fuzzy set are more suitable for processing fuzzy and uncertain issues and outperform the classical fuzzy clustering algorithms. The interval value fuzzy clustering algorithms have been applied to image segmentation, but they do not consider the characteristics of the image data. Furthermore, the problem of image segmentation should be considered from multiple angles, so the interval value fuzzy clustering algorithms with a single clustering criterion cannot satisfy this requirement. Therefore, image segmentation upon multiple interval value clustering criteria is worth studying. This project develops a research on multiobjective evolutionary-based interval value fuzzy clustering algorithm for image segmentation. Utilizing the characteristics of the image, the interval value fuzzy clustering objective functions incorporating the spatial information from the image are first constructed, specially for the interval value fuzzy clustering objective functions which are not limited by the types of image noise. Then multiple interval value fuzzy clustering objective functions are optimized through the multiobjective evolutionary algorithm. The obtained segmentation results not only are robust to image noise, but also can retain more detail information in the image. Medical images, remote sensing images, criminal investigation images, etc. are easily contaminated by image noise and contain rich detail image information. This project can provide strong support for the segmentation and recognition of these kinds of images.

区间值模糊集是模糊集理论的一个重要发展。在没有待聚类数据先验知识的前提下，基于区间值模糊集的模糊聚类算法比经典模糊聚类算法的效果更好，更适合处理模糊和不确定问题，已经被应用于图像分割，但该类算法并没有考虑图像数据本身的特点。此外，图像分割是一个需要从多个角度考虑的问题，基于单一聚类准则的区间值模糊聚类算法无法满足这一需求。因此，多个区间值聚类准则下的图像分割是一个值得研究的问题。本项目开展基于多目标进化的区间值模糊聚类图像分割算法研究，利用图像数据本身的特点，构造融合图像空间信息的区间值模糊聚类目标函数，特别是不受图像噪声类型限制的区间值模糊聚类目标函数，进而通过多目标进化算法求解多个区间值模糊聚类目标函数的优化问题，从而使得分割结果不但对图像噪声鲁棒，而且能保留图像中更多的细节信息。本项目的研究可为医学、遥感和刑侦等容易被噪声污染且蕴含丰富细节信息的图像的分割与识别提供有力的支持。

区间值模糊集是模糊集理论的一个重要发展，它利用一个区间来描述模糊信息，下区间值描述隶属的必要性，上区间值描述隶属的可能性，因此，区间值模糊集能更精细的处理模糊和不确定问题。本项目采用区间值模糊集挖掘图像的不确定性，并充分利用图像中的空间信息，构造融合图像空间信息的区间值模糊聚类目标函数，特别是不受图像噪声类型限制的区间值模糊聚类目标函数，进而通过多目标进化算法求解多个区间值模糊聚类目标函数的优化问题，从而使得分割结果不但对于图像噪声鲁棒，而且可以满足多方面的分割需求。.取得的重要研究进展介绍如下：从区间值模糊集与直觉模糊集的等价性出发，(1)构造融合图像空间信息的直觉模湖聚类目标函数；利用直觉模糊集构造模糊隶属度区间的上下界，构造融合图像空间信息的区间值模湖聚类目标函数。(2)构造鲁棒的融合图像空间信息的直觉模糊聚类目标函数；构造鲁棒的融合图像空间信息的区间值模糊聚类目标函数。(3)优化多个直觉模湖聚类有效性函数，构建基于多目标进化的直觉模糊聚类图像分割框架；优化多个区间值模湖聚类有效性函数，构建基于多目标进化的区间值模糊聚类图像分割框架。.项目组成员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49篇，其中，IEEE Transactions on Fuzzy Systems 等SCI检索期刊论文17篇，EI检索中文期刊论文5篇，出版专著一部；培养硕士研究生8名，指导完成硕士学位论文8篇；参加IGARSS 2019等国内外学术会议多次。.本项目开展的基于多目标进化的区间值模糊聚类图像分割研究，拓宽了多目标优化的应用领域，给多目标进化聚类的研究提供了一个新的角度，推动了聚类分析的发展。此外，本项目的研究可为医学、遥感和刑侦等容易被噪声污染且蕴含丰富细节信息的图像的分割与识别提供有力的支持。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。