一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法
【专利摘要】本发明提出了一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法，蝙蝠算法作为一种性能优良的演化算法，它既降低了传统单阈值图像分割方法对初始参数的敏感度；同时，蝙蝠算法作为一种先进的演化算法，可以直接采用十进制进行编码，相对于大部分演化算法采用二进制编码而言，计算过程更为方便，大大提高整个图像分割过程的效率，快速得到最优的图像分割效果。
【专利说明】 一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法
【技术领域】
[0001]本发明涉及图像处理【技术领域】，尤其涉及一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法。
【背景技术】
[0002]公知，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。图像分割的任务是将输入图像分割为一些独立的区域，使同一区域具有相同的属性，而使不同的区域具有不同的属性。对于图像分割问题，现在已有大量的方法，但鉴于图像种类繁多、所包含的数据量大、细节变化多端的特点，迄今为止还没有一种图像分割方法适合于所有的情况。
[0003]阈值分割方法是一种基于区域的图像分割技术，它假定能够根据灰度值将不同的目标或者目标与背景区分开，通过设定不同的阈值，把图像像素点分为若干类。其中，合理的灰度级门限的选取是阈值法所要解决的关键问题。虽然阈值分割方法具有简单快速的优点，但是有两个主要的缺点限制其性能:
[0004]其一是传统的单阈值分割方法过于依赖初始参数。现已引进了多阈值的方法来解决图像分割问题[I]，多阈值的方法是通过适当增加参数的个数，以得到更加合理的灰度级门限。参数个数越多，门限值越合理，但整个算法的时间复杂度也会随之上升。
[0005]其二是传统的多阈值分割方法时间复杂度很高。由于传统的多阈值分割方法是一个不断修正的过程，当超过两个阈值时，最优阈值可能的组合次数呈灰度级的指数上升。已有研究者引进了差分演化算法到多阈值图像分割中来解决此问题[2]。演化算法作为一种并行搜索过程，只要给定算法的初值，它就会依据适应度函数不断进行搜索并找到最优解，而不需要很多的迭代过程，也不用每次对隶属度函数进行计算。同时，蝙蝠算法作为一种先进的演化算法，可以直接采用十进制进行编码，相对于大部分演化算法采用二进制编码而言，计算过程更为方便，能在很大程度上提高图像分割的效率。
[0006]参考文献:
[0007][ I ].Wang Lei, Duan Huichuan, Application of Otsu' method inmult1-threshold image segmentation, Computer Engineering and Design，2008，29(11)，P:2844-2846.[0008][2].Erik Cuevas, Daniel Zaldivarj Marco Perez-Cisnerosj A novelmult1-threshold segmentation approach based on differential evolutionoptimization,Expert Systems with Applications,vol:37，Issue:7，Issue date:2010，P:5265 - 5271.[0009][3].Tao Wenbingj Jin Haij Liu Liman, Object segmentation using antcolony optimization algorithm and fuzzy entropy, Pattern RecognitionLetters, 2007，28，P:788—796.[0010][4].Ming-Huwi Horngj Multilevel thresholding selection based on theartificial bee colony algorithm for image segmentation, Expert Systems with Applications，2011，38，P: 13785-13791.[0011][5].Xin-She Yang, Bat algorithm for mult1-objectiveoptimisation, International Journal of Bio-1nspired Computation, 2011，3，P:267-274.[0012][6].Valentin Osuna-Encisoj Erik Cuevas, Hunberto Sossaj A comparisonof nature inspired algorithms for mult1-threshold image segmentation, ExpertSystems with Applications，2011，40，P:1213-1219.[0013][7],张小红，宁红梅，基于混沌粒子群和模糊聚类的图像分割算法，计算机应用研究，2011，28，P:4786-4789.
【发明内容】
[0014]本发明为了解决上述的技术问题，提出了一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法。
[0015]本发明的技术方案是:一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法，包括下述步骤: [0016]步骤1，输入待分割图像，种群规模S以及停机条件；
[0017]步骤2，依据设定的种群规模S，运行蝙蝠算法，初始种群的各变量，产生初始种群Gk，对于第i个个体而言，其位置向量Xi (这里i值范围是S，S表示种群规模)，其取值范围为(0，255)，速度V1、声波频率4、脉冲响度A1、发射速率ri五个变量随机产生，代数η表示蝙蝠算法的运行代数，在初始条件下，令n=0 ；
[0018]步骤3，对不满足大小关系的个体进行扰动；
[0019]每个个体需满足O≤< Id1 < C1 < a2 < b2 < C2≤255的大小关系，各参数的取值范围均为(0，255)，在初始化的过程中需要对不满足大小关系的个体进行如下的顺序扰动:
[0020]3.1.对&1产生扰动，得到a/，如果a/<0，则令a/= 0，如果a/> 250，则令a/=250 ；
[0021]3.2.对1^产生扰动，得到b/，如果b/<a/+l，则令b/ = a/+l，如果b/> 251，则令 b/ = 251 ；
[0022]3.3.对(^产生扰动，得到 C11,如果 C11 <b/+l，则令 C11 = b/+l，如果 C11 > 252，则令 C11 = 252 ；
[0023]3.4.对a2产生扰动，得到a2\如果心< c/+l，则令心=c/+l，如果心> 253，则令心=253 ；
[0024]3.5.对 1^2产生扰动，得到 V，如果 Id21 < a^+l,则令 Id21 = V+1，如果 Id21 > 254，则令 Id21 = 254 ；
[0025]3.6.对 C2 产生扰动，得到 C21,如果 C21 < b^+l,则令 C21 = V+1，如果 C21 > 255，则令 C21 = 255 ；
[0026]步骤4，计算灰度值为k的像素属于暗、灰、亮的隶属度值和条件概率；
【权利要求】
1.一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法，其特征在于，包括下述步骤: 步骤1，输入待分割图像，种群规模S以及停机条件； 步骤2，依据设定的种群规模S，运行蝙蝠算法，初始种群的各变量，产生初始种群Gk，对于第i个个体而言，其位置向量Xi (这里i值范围是I < i < S，S表示种群规模)，其取值范围为(O，255)，速度V1、声波频率fp脉冲响度Ap发射速率巧五个变量随机产生，代数η表示蝙蝠算法的运行代数，在初始条件下，令η=0 ； 步骤3，对不满足大小关系的个体进行扰动； 每个个体需满足O < ai < Id1 < C1 < a2 < b2 < C2 < 255的大小关系，各参数的取值范围均为(O，255)，在初始化的过程中需要对不满足大小关系的个体进行如下的顺序扰动: .3.1.对&1产生扰动，得到a/，如果a/ < O,则令a/ = O，如果a/ > 250，则令a/ =.250 ； .3.2.对1^产生扰动，得到b/，如果b/ < a/+l，则令b/ = a/+l，如果b/ > 251，则令b/ = 251 ； . 3.3.对C1产生扰动，得到c/，如果C11 < b/+l，则令C11 = b/+l，如果C11 > 252，则令C11 = 252 ； .3.4.对~产生扰动，得到a2S如果心< c/+l，则令心=c/+l，如果心> 253，则令 = 253 ； . 3.5.对b2产生扰动，得到b2S如果Id21 < a^+l,则令Id21 = apl,如果Id21 > 254，则令V= 254 ； . 3.6.对C2产生扰动，得到C21,如果C21 < b^+l,则令C21 = V+1，如果C21 > 255，则令C21 = 255 ； 步骤4，计算灰度值为k的像素属于暗、灰、亮的隶属度值和条件概率；
2.根据权利要求1所述的一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法，其特征在于:步骤I中，群体规模S=50，停机条件为:连续二十代运算得到的全局最优解保持不变。
3.根据权利要求1所述的一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法，其特征在于:步骤6中,蝙蝠算法频率范围的取值为fmin = 0、fmax = 10。
4.根据权利要求1所述的一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法，其特征在于:步骤9中，阈值Ra=L 5。
5.根据权利要求1所述的一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法，其特征在于:步骤10中，α = β = 0.9。
6.根据权利要求1所述的一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法，其特征在于:步骤5、步骤8和步骤11中所述的适应度值计算公式如下:
【文档编号】G06T7/00GK103745482SQ201410040869
【公开日】2014年4月23日 申请日期:2014年1月27日 优先权日:2014年1月27日
【发明者】叶志伟 申请人:湖北工业大学