第4期 陈小波，等：一种基于MAS的自适应图像分割方法 ·83 法 系统自动生成一个monitor,monitor初始化类别数 ①自动合并，根据度量准则将接近的detector C=0 的目标g0al与类别属性(MD)进行合并并对相应 I/生成detector 的detector进行目标修正及类别属性修正，即满足 monitor在U1XU2上生成一定数量的初始detec- 条件IM-Me‖<6w及ID,-DeI<6o时，对 tor,保证没有一个像素上有超过1个的detector,并 (M,D、(MD)进行更新： 置goal,<~sense,并置各detector的(UQ)在8个 M=方M+M, 方向上均匀分布 while true D max(D:,De) /1结束条件判断 式中：M,D)为detector的目标，(M.D)为类别c 的均值和方差，6u,6为合并阈值，由用户指定.mo if系统稳定I川超过循环次数then 根据当前定居detector位置及所属类别输出各类分 nitor并以(MD)作为该类别新的均值和方差.自动 割区域 合并首先针对ability大的detector进行，从而保证 break; 最可信赖的信息最先被用于创建类，而推迟对不可 endif 信赖信息的使用，充分模拟了人在进行推理解决复 11冲突消解 杂问题时的思考过程.底层detector的进化、学习行 为与高层monitor的推理行为得到了结合 if monitor检测到detector,与detector,冲突then ②聚类分析，根据用户要求的分割类别数k对 根据能量原则选择i与j中能量大的获胜endif /1目标合并和更新 detectors的目标进行聚类分析，产生修正的目标和 类别划分，并发送给相应的detector,常见的聚类方 for each habit detector 法如C均值聚类，模糊C均值聚类等 if monitor找到类别c满足自动合并条件then 目标协调的结果将使所有定居detector被划分 monitor将detector合并到类别c中，并更新类别 到对应的类别中，monitor则记录了这些类别的均 c的属性 值和方差(MD),这正对应于图像的当前分割结果. else 3)当系统稳定时，根据detector所属类别及在 monitor新建类别c并置该类别的(MD)为该 图像中的分布输出当前图像的分割结果.一种可行 detector当前目标，即(MD)<~goal 的终止条件是当前后2次monitor获得的目标保持 endif 稳定，即类别数目C和对应的(M,D)保持不 endif 变，则认为分割结束，即C不变且对C满足： endfor IMa*-MI≤CM, 11行为选择 IDa+w-D‖≤Co: for each active detector 式中：CM、C。为指定的稳定阈值.另一种方案根据 if ability >4 then 活动detector数是否为0判断分割是否结束，本文 执行定居及繁殖行为，根据繁殖向量U 采用了后一种方案 产生新一代detector else 4基于MAS的自适应图像分割 if step>S then 算法主要包括三大部分：系统初始化，monitor detector死亡 的自治行为选择及detector自治的行为选择，具体 else 框架为 根据步数计算Pm,随机生成概率P 输入：一个大小为U:U2的灰度数字图像， if P>P then 输出：己标记出的各类分割区域， 根据移动向量Q计算移动目标位置 /1初始化 f目标位置处已有detector then向monitor提 begin 交冲突申请 用户设定系统参数：A,B,S,6u,6o,Ψ else 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net法 : ①自动合并 ,根据度量准则将接近的 detector 的目标 goal 与类别属性 ( M D ) 进行合并并对相应 的 detector 进行目标修正及类别属性修正 ,即满足 条件 ‖Mi - Mc ‖ <δM 及 ‖Di - Dc ‖ <δD 时 ,对 ( MiD i) 、( McDc ) 进行更新 : M = 1 2 ( Mi + Mc ) , D = max ( Di , Dc ) . 式中 :( MiD i) 为 detector 的目标 , ( McDc ) 为类别 c 的均值和方差 ,δM ,δD 为合并阈值 ,由用户指定. mo2 nitor 并以( M D) 作为该类别新的均值和方差. 自动 合并首先针对 ability 大的 detector 进行 ,从而保证 最可信赖的信息最先被用于创建类 ,而推迟对不可 信赖信息的使用 ,充分模拟了人在进行推理解决复 杂问题时的思考过程. 底层 detector 的进化、学习行 为与高层 monitor 的推理行为得到了结合. ②聚类分析 ,根据用户要求的分割类别数 k 对 detectors 的目标进行聚类分析 ,产生修正的目标和 类别划分 ,并发送给相应的 detector ,常见的聚类方 法如 C 均值聚类 ,模糊 C均值聚类等. 目标协调的结果将使所有定居 detector 被划分 到对应的类别中 ,monitor 则记录了这些类别的均 值和方差( M D) ,这正对应于图像的当前分割结果. 3) 当系统稳定时 ,根据 detector 所属类别及在 图像中的分布输出当前图像的分割结果. 一种可行 的终止条件是当前后 2 次 monitor 获得的目标保持 稳定 , 即 类 别 数 目 C 和 对 应 的 ( MiD i ) 保 持 不 变 ,则认为分割结束 ,即 C不变且对 ΠC满足 : ‖M ( n+1) c - M ( n) c ‖ ≤CM , ‖D ( n+1) c - D ( n) c ‖ ≤CD . 式中 :CM 、CD 为指定的稳定阈值. 另一种方案根据 活动 detector 数是否为 0 判断分割是否结束 ,本文 采用了后一种方案. 4 基于 MAS 的自适应图像分割 算法主要包括三大部分 :系统初始化 ,monitor 的自治行为选择及 detector 自治的行为选择 ,具体 框架为 输入 :一个大小为 U1 ×U2 的灰度数字图像 , 输出 :已标记出的各类分割区域. / / 初始化 begin 用户设定系统参数 :A , B , S ,δM ,δD ,Ψ 系统自动生成一个 monitor ,monitor 初始化类别数 C = 0 / / 生成 detector monitor 在 U1 ×U2 上生成一定数量的初始 detec2 tor ,保证没有一个像素上有超过 1 个的 detector ,并 置 goali <2sensei ,并置各 detector 的 (U Q) 在 8 个 方向上均匀分布 while true / / 结束条件判断 if 系统稳定 | | 超过循环次数 then 根据当前定居 detector 位置及所属类别输出各类分 割区域 break ; endif / / 冲突消解 if monitor 检测到 detectori 与 detectorj 冲突 t hen 根据能量原则选择 i 与 j 中能量大的获胜 endif / / 目标合并和更新 for each habit detector if monitor 找到类别 c 满足自动合并条件 t hen monitor 将 detector 合并到类别 c 中 ,并更新类别 c 的属性 else monitor 新建类别 c′并置该类别的 ( M D) 为该 detector 当前目标 ,即( M D) <2goal endif endif endfor / / 行为选择 for each active detector if ability > A then 执行定居及繁殖行为 ,根据繁殖向量 U 产生新一代 detector else if step > S then detector 死亡 else 根据步数计算 Pm ,随机生成概率 P if P > Pm t hen 根据移动向量 Q 计算移动目标位置 if 目标位置处已有 detector t hen 向 monitor 提 交冲突申请 else 第 4 期 陈小波 ,等 :一种基于 MAS 的自适应图像分割方法 · 38 ·