ai视觉图像识别（免疫优化图像解译）

摘 要

免疫优化算法由于其在函数优化，组合优化等方面的强大能力，被广泛应用于图像解译领域。本文对免疫优化算法在图像解译领域的应用进行了综述。首先对图像解译、图像分割、图像分类，以及图像变化检测、图像识别等问题进行了简单介绍；然后，针对免疫优化算法在图像解译领域中应用的主要进展及关键技术进行了归纳总结；最后，总结了免疫优化算法在图像解译领域中的应用优势和发展方向。

关键字

免疫优化；图像解译；图像分割；图像分类

0 引言

图像解译是利用计算机对图像进行分析，并获得所需信息和结果的过程。图像分割是图像解译中的基本技术，它将图像空间分割成若干区域，使得每个空间区域内的像素点具有相似的特征。图像分割的结果直接影响后续图像分析的质量，无论是对图像对象的提取，还是测量都需要对图像进行分割。因此，快速有效地从复杂背景中分割感兴趣的目标区域的方法具有重要意义。对于基于图像特征的图像分割技术，可以根据像素的灰度、纹理、颜色等特性将分割过程建模为聚类问题。因此，数据挖掘的聚类算法可以应用于图像分割问题中，对图像的像素进行聚类，实现图像分割。传统的聚类技术，如知识管理和FCM等都存在着严重的局限性，容易产生初始化敏感性和陷入局部最优的问题。因此，许多研究者致力于寻找更有效的聚类方法。与光学图像相比，合成孔径雷达（SAR）图像在成像原理上有很大的不同，受散斑的影响也很大。SAR图像分割作为SAR图像解译的关键环节之一，在计算机视觉和数据挖掘中发挥着重要作用，其在环境监测和民用领域均有非常重要的应用价值。现有的SAR图像分割方法大致可分为基于区域的方法和基于边缘的方法，如阈值分割、形态学方法、聚类方法和随机场方法。红外成像系统具有距离远、环境适应性强和抗隐身能力强等优点，在自动目标识别与跟踪领域得到了广泛应用。红外和热成像传感器在非常规环境（如夜间能见度低）中提供了极好的可见光信号，因此，快速准确的红外图像目标分割是非常重要的。随着计算智能方法的不断涌现，智能信息处理与聚类分析相结合的研究也越来越多，免疫优化算法保留了生物免疫系统的强鲁棒性、多样性及隐含并行性等优点，逐渐被应用到图像分割领域。

图像分类也是图像解译中非常重要的一个基础问题。其中，遥感影像的精确分类在侦察、环境破坏评估、土地利用监测和城市规划等领域有非常重要的应用。图像分类方法可以分为有监督和无监督。与无监督分类相比，监督分类允许在学习阶段利用训练样本来获得更高的分类精度。人工免疫系统（AIS）在免疫识别、强化学习、特征提取和免疫记忆等领域中展现出非常多的优势。克隆选择（CS）和免疫记忆等免疫学特性由于其较强的模式识别能力，被广泛应用于图像分类问题中。其中，高光谱传感器具有高光谱分辨率，通常足以识别表面材料的特性。高光谱遥感可以应用到一系列地质和植被、城市景观和结构，以及表面材料鉴定等领域。AIS在高光谱图像分类问题中也有非常多的应用。

此外，免疫优化算法在其他图像解译问题中也有应用，例如图像变化检测和图像识别等。遥感图像变化检测是确定两个指定的采集日期之间发生任何变化的过程，用于分析同一地理区域在不同时间的图像。自从合成孔径雷达在军事和民用领域得到了广泛的应用，基于目标模型的SAR图像目标识别逐渐成为国际上研究的热点。由于基于协同神经网络（SNN）的真实图像识别技术大规模搜索性能力较差，且容易收敛到局部最优，基于自然计算方法的SNN逐渐成为智能计算领域中一个重要应用。

1 免疫优化算法在图像分割中的应用

1997年，McCoy等提出应用AIS进行遥感图像特征分割的研究工作，使用航空数据作为高分辨率卫星图像的模型。实验结果表明，AIS在航空图像分割中具有潜在的实用性，但也表明需要利用特征的全局几何结构来产生平滑、连通和可矢量化的输出。

2004年Wang等介绍了一种基于免疫遗传算法的自适应图像分割方法。该方法将生物免疫系统与遗传算法相结合，实现图像自适应阈值分割，并在两幅灰度红外图像上进行测试。实验结果表明，该方法具有目标面积及数量限制小、分割效果理想等优点。

2007年，Cheng等提出了一种基于混沌免疫克隆选择图像分割方法。该方法主要基Otsu's阈值方法，通过将混沌优化算法引入免疫克隆选择算法的并行和分布式搜索机制，充分利用了全局和局部搜索能力。Li 等提出了一种基于人工免疫算法和最优分类数的自动图像分割方法。在该方法中，目标函数是抗原，最优的多阈值被视为抗体。该算法可以自动给出聚类数和分类阈值。同年，Bi等将量子理论与AIS的克隆选择和免疫机制相结合，提出了一种量子免疫规划方法。该方法基于阈值图像分割原理，将量子免疫规划应用于灰度图像分割阈值的优化。仿真结果表明，该方法保留了原始图像中较好的细节，并能准确地分割出目标区域。

2009年，Ma等基于AIS的克隆选择理论，提出了一种新的最优熵阈值医学图像分割方法。该方法以亲和函数为最优熵阈值，将医学图像分割看作一个优化问题。文中将新算法应用于具有挑战性的应用——MRI图像中的灰质 / 白质分割，实验结果证明了该算法在医学图像分割中的应用潜力。Xu等也在2009年提出了一种基于颗粒免疫算法（GIA）的阈值方法，用于图像分割。该方法基于两个粒度层次结构，不仅可以从局部全局搜索域进行多点并行搜索，而且可以在生成量小、平均函数值多的情况下找到较好的解。

• SAR图像分割获得的信息有助于SAR图像后续的解译、识别及检测。由于斑点噪声的存在，获得较为精确的 SAR 图像分割结果成为一项具有挑战性的工作。

Bo等在2005年提出了一种基于空间矩阵的图像分割免疫算法，以同一类区域的概率高于不同类型区域的概率作为先验知识，用于搜索最优分割阈值。该文将空间特征和灰度信息相结合，利用直方图来指示分类号，利用免疫算法自动搜索分割结果，实现了图像的自动分割。仿真结果表明，对于有噪声的SAR图像，该方法减少了误分割点，比传统的阈值分割方法具有更好的分割效果。

2006年，Li等提出了一种基于人工免疫算法和二维熵的图像分割方法。该方法保持了二维熵分割所提供的稳定性强、精度高的优点，并利用人工智能算法的智能计算、并行搜索和求解最优解的特点，解决了计算时间呈指数增长的问题。

2008年，Huang等提出了一种人工免疫核聚类网络（IKCN）用于无监督图像分割。该方法将人工免疫网络（AIN）和支持向量域描述相结合，提出了一种新的抗体邻域和自适应学习系数。从IKCN算法出发，用抗体将图像特征集划分为若干子集，然后用mercer核将每个子集映射到高维特征空间。利用最小生成树（MST）将局部支持向量超球的聚类结果进行组合，得到一个全局聚类解。文中测试数据采用人工合成数据集和几个图像数据集（包括合成纹理图像和SAR图像），测试结果表明，该方法有效地降低了异常点的影响，在质量和计算时间之间取得了很好的折衷效果。同年，Tian等针对可能性C- 均值（PCM）聚类算法易受SAR图像中斑点噪声的影响的问题，在目标函数中引入多尺度空间像素强度信息和空间相对位置信息，优化了PCM聚类结果。该方法实现了空间信息影响因子的自适应调整，仿真结果表明，该算法具有很强的抗噪能力。

2009年，Ma等提出了一种基于克隆选择的图像分割方法。该方法将聚类算法与免疫克隆算法结合，对两幅不同波段的SAR图像进行分割，终能以较大的概率获得问题的全局优解，且具有较快的收敛速度。

2010年，Zhang等提出了一种基于免疫谱聚类的图像分割方法。该方法通过谱映射得到免疫克隆聚类的低维输入，并采用Nyström方法降低了计算复杂度。对合成纹理图像和SAR图像的实验结果，表明了该算法在图像分割中的有效性。

Yang等在2011年提出了一种融合互补特征的人工免疫多目标SAR图像分割方法。该算法具有自适应秩克隆和K-earest邻域表保持多样性的特点，并且在框架中融合了两个相互冲突的模糊聚类有效性指标，同时进行优化。文中构造并研究了一个有效的、融合的纹理特征集，既利用Gabor滤波器精确提取中低频分量纹理特征的能力，又利用灰度共生概率（GLCP）测量高频分量信息的能力。通过合成纹理图像和SAR图像数据上的两个实验，证明了算法的有效性，且对斑点噪声不敏感的特性。同年，Li等将基于分块聚类的分割问题看作是一个组合优化问题。利用分水岭算法将原始图像分割成小块，利用量子免疫克隆算法搜索最优聚类中心，并以最大亲合函数序列作为聚类结果，最终得到聚类结果。

2012年，Gou等通过优化谱嵌入前代表点的选取，提出了一种基于量子免疫优化的快速谱聚类方法。量子计算与免疫选择理论的结合，使代表点的选择更加合理。在加利福尼亚大学欧文标准数据集聚类和SAR图像上的实验，证明了算法的有效性和快速处理大规模数据的能力。同年，Ma等提出了一种免疫记忆聚类算法（IMCA）。IMCA结合了免疫克隆选择和Memetic 算法，采用克隆繁殖与选择、模因突变、交叉、个体学习与选择等方法对两个种群进行优化。经过分水岭处理，提取图像的纹理特征并用实数编码，利用IMCA对这些特征进行分割，得到最终的分割结果。

2013年，Li等提出了一种基于脉冲耦合神经网络（PCNN）模型的自适应免疫克隆算法。该文针对PCNN参数的自动确定问题，提出了一种新的方法将PCNN参数设置问题转化为免疫算法的参数优化问题，并以图像熵作为适应度的评价依据；同时在免疫算法中，采用自适应算子和梯度运算来干涉某些抗体的进化，从而保持免疫算法群体的活性。

2016年，Shang等针对模糊C均值聚类算法（FCM）对噪声的鲁棒性较差的问题，提出了一种基于免疫克隆的核度量空间模糊聚类算法。首先，采用免疫克隆算法生成初始聚类中心，防止算法收敛于局部最优解；然后，在FCM的目标函数中加入空间信息，提高对噪声的鲁棒性；最后，使用基于核度量的非欧几里德距离，而不是FCM中常用的欧几里德距离，提高分割精度。在真实和合成SAR图像上的实验结果表明，该方法具有较高的精度和很强的抗噪能力。

2017年，Yu等基于红外图像的成像机理和聚类网络的统计特性，提出了一种多层免疫聚类神经网络方法。通过最小化类间方差，利用免疫聚类神经网络将模糊红外图像分割为三个区域，即亮区、暗区和非暗区，然后计算样本的聚类网络特征；再根据聚类网络的特点，对亮区和暗区的样本进行免疫神经网络聚类，从而将不清楚非暗区的每个样本分为亮区和暗区。实验结果表明，该算法能有效分割模糊红外图像。

2018年，Yu等也提出了一种红外图像分割方法。该方法基于生长免疫场和克隆阈值的红外目标分割。首先采用克隆选择算法对图像进行全局阈值分割，得到图像的最佳阈值；然后基于阈值分割选择种子区域，将相似度阈值与种子区域进行比较得到源种子；最后通过免疫区域的不断生长得到分割后的图像。仿真结果表明，该方法可以得到完整、准确的目标信息。

2 免疫优化算法在图像分类中的应用

2004年，Zhang等针对纹理特征提取方法提取特征存在冗余性和附加计算的复杂性问题，提出了一种基于免疫克隆选择算法的特征选择方法。该方法快速收敛于全局最优解，应用于寻找最优特征子集。文中基于所选特征，利用支持向量机对SAR图像中的土地覆盖进行分类。实验结果验证了所选特征子集的有效性。

2006年，Zhong等提出了一种新的无监督机器学习算法，无监督人工免疫分类算法（UAIC）来进行多光谱 / 高光谱遥感图像分类。UAIC的实现包括两个步骤：首先，从输入的遥感图像中随机选取第一个聚类中心；然后，执行分类任务。这将每个像素分配给类，使抗原和抗体之间的刺激最大化；随后，基于该类进化抗体种群，并通过免疫算法更新记忆细胞池，直到满足停止条件。

2007年，Zhang等研究了一种基于资源受限原理的有监督多光谱 / 高光谱图像分类的人工免疫算法。文中通过三个不同类型图像的实验，比较了并行六面体、最小距离、最大似然、K近邻和BP神经网络等传统图像分类算法的性能。结果表明，文中所提出的算法在所有实验中均优于传统算法，为多光谱 / 高光谱遥感图像的处理提供了一种有效的新方法。Su等在这一年针对高光谱图像降维问题提出了一种基于危险理论的AIS，将高光谱图像的特征选择问题作为一个多目标优化问题来研究。将可行的带集作为抗体，特征选择中的评价标准作为抗原。在评价准则的指导和约束下，不断进化，最终得到优化集。利用Hyperion图像数据对模型进行训练，并将特征选择的结果用于分类。

2009年，Zhang等提出了一种基于免疫克隆选择和主成分分析（PCA）的高光谱遥感图像特征提取方法。由于高光谱遥感图像是在很窄的光谱通道中获取的，得到的高维特征集很有可能包含冗余信息，因此，对高光谱遥感图像等高维数据进行分类需要特征提取。在传统的 PCA中，选择较大的特征向量作为主成分会导致信息丢失，缺少系统的方法来确定应该使用哪些主要组件。文中基于以上问题提出了一种新的基于ICSA的特征提取模型，并且采用美国宇航局航空阿维里斯仪器在佛罗里达州肯尼迪航天中心上空获得的数据进行测试。

Zhong等在2012年又提出了一种多光谱 /高光谱遥感图像监督分类的自适应人工免疫网络（ABNet）。为了构建该异常，该文使用了人工抗体群模型，每个抗体具有中心载体和识别半径两个属性，因此每个抗体都能识别其识别半径内的所有抗原。与传统的AIN模型相比，ABNet可以通过进化抗原来自适应地获得这两个参数，而无需在训练步骤中依赖用户定义的参数。仿真结果表明，ABNet方法对多/高光谱遥感图像具有显著的识别精度和提供有效分类的能力。同年，Im等提出了一种特征选择与优化免疫网络融合的城市景观高光谱图像分类方法。文中提出并评估了一个包含特征选择、人工免疫网路及参数优化的分类模型。利用两个城市研究点的高光谱（AISA和Hyperion）和激光雷达数据，对提出的模型进行了城市类测试。结果表明，该模型大大缩短了分类的处理时间（70%），但精度没有显著降低。Meng等也在这一年提出了一种基于人工免疫识别系统（AIRS）的分类模型，单类学习网络（SCLN-AIRS），用于高光谱图像分类。首先忽略来自不相关类的训练样本的异常值；然后在此基础上，提出了一种新的MC进化策略，以防止记忆细胞受到来自不同类别的其他细胞的影响。在该模型中，类别仅由少量存储单元表示，分类结果得到改善，从而保证了计算复杂度。

3 免疫优化算法在其他图像解译任务中的应用

2004年，Rodin等提出了一种基于反应代理概念的并行图像处理系统和一种基于多智能体系统的分割方法。文中利用免疫机制研究了多智能体系统的自动调节停止问题。Gou等在这一年提出了一种基于免疫克隆规划的 SAR图像识别算法。该算法利用免疫克隆规划的全局最优搜索能力和快速局部搜索能力获得SNN中的中原型向量。

2011年，Li等提出了一种基于量子免疫克隆聚类的SAR图像变化检测方法。该方法以灰度为输入，利用量子比特定义聚类中心，利用量子免疫克隆算法搜索最优聚类中心，得到全局阈值，最后生成变化检测图。仿真结果表明，该方法能快速、有效地搜索出更好的聚类中心，并能检测出准确的边缘，提高变化检测的准确率。同年，Fındık等提出了一种基于人工免疫识别系统的彩色图像知识产权的水印技术。水印嵌入到彩色图像的蓝色通道中，利用嵌入到彩色图像中的二进制序列训练人工免疫识别系统。再利用这种合成技术，采用人工免疫识别系统提取嵌入到彩色图像中的水印。实验结果表明，该合成技术对水印的提取具有很高的性能。在经过各种图像处理攻击后，仍可以从水印图像中成功地提取水印。

2013年，Liu等针对常规的矿物组分线性反演算法中的组合优化问题，提出了一种基于人工免疫克隆选择的矿物组分光谱识别方法。文中给出了一个矿物组分光谱反演的统一模型，然后建立了一个具体的组分反演模型。

2014年，Shang等针对SAR图像的无监督变化检测容易陷入局部最优的问题，提出了一种将AIS理论与多目标优化算法相结合的新方法。首先，采用自适应人工免疫多目标算法对差分图像进行预排序。在此过程中，将差分图像分为变化类、不变类和不确定样本三类。然后，基于小波分解从差分图像中提取特征，利用免疫多目标聚类算法对不确定样本的最优聚类中心进行搜索，将其标记为变化或不变。仿真结果表明，该算法可以提高最优解的局部搜索能力，产生更好的聚类中心。

4 结束语

免疫优化算法保留了生物免疫系统的强鲁棒性、多样性和隐含并行性等优点，为图像解译领域提供了一种非常有效的解决问题的思路。本文对免疫优化算法在图像解译中的应用进行了系统梳理。从上世纪90年代开始到现在，图像解译一直是免疫优化算法一个非常重要的应用领域。免疫优化算法在图像解译领域中的研究具有十分重要的现实意义，尤其是对图像解译任务的进一步扩展，且取得了很大成功。在图像分割任务中，分割效果往往易受聚类等算法的敏感性和局部最优问题影响，将免疫算法应用到图像分割问题中，利用其强鲁棒性、多样性和隐含并行性等优点，可以充分利用算法的全局或局部搜索能力，更好地保留图像中的细节信息。尤其在SAR图像分割任务中，基于免疫优化的方法可以提高整体算法对噪声的鲁棒性，具有较高的精度。免疫优化方法在图像分类任务中的优势主要基于其较强的模式识别能力，尤其对于多 / 高光谱遥感图像分类任务，具有显著的识别精度和提供有效分类的能力。此外，免疫优化算法在SAR图像识别、SAR图像变化检测和彩色图像水印提取等问题中，也显示了其较强的搜索能力。

综上可以看出，免疫优化算法由于其强鲁棒性、多样性、强搜索能力和强拓展性等优势，经常在与其他算法或技术（如聚类算法、量子优化和遗传算法等）相结合时得到更理想的效果。深度学习是人工智能领域一个新兴的研究方向，其主要模型是神经网络，已经在图像解译领域中取得了很多成果。随着计算智能方法与深度学习方法相结合逐渐成为一个研究热点，其在图像解译领域的应用也许是一个值得探索的方向。

（参考文献略）

选自《中国人工智能学会通讯》

2021年第11卷第3期

免疫计算专题