一种基于综合学习差分演化算法的多阈值图像分割方法
【专利摘要】本发明公开了一种基于综合学习差分演化算法的多阈值图像分割方法，本发明在差分演化算法的变异操作过程中，采用二元锦标赛选择方法随机从种群中选择出一个个体，并将它与最优个体生成一个综合个体，再以该综合个体为基础个体执行变异操作生成变异个体，以此在保持种群多样性的同时尽可能加快搜索速度，然后执行传统差分演化算法的杂交、选择操作算子；同时，根据当前的搜索反馈信息适应性地调整缩放因子和杂交概率的值，以此增强算法的鲁棒性；重复执行上述步骤直至满足终止条件，在计算过程中得到的最优个体，即为图像最终的分割阈值；本发明能够减少陷入局部最优的概率，提高图像分割的精度，加快分割的速度，提高分割的实时性。
【专利说明】-种基于综合学习差分演化算法的多阈值图像分割方法
【技术领域】
[0001] 本发明涉及数字图像分割技术，尤其是一种基于综合学习差分演化算法的多阈值 图像分割方法。
【背景技术】
[0002] 多阈值图像分割是现代数字图像处理中一种非常重要的数字图像处理方法。在多 阈值图像分割过程中，通常按照预先设定的分割准则，找到多个阈值，标识出图像中的感兴 趣部分，从而将图像分割成为几个不同的部分。在多阈值图像分割过程中，最为关键的步骤 是如何快速有效地优化出各个阈值。然而传统基于穷尽搜索的多阈值图像分割方法往往都 存在着搜索速度慢，实时性不高的缺点，尤其是当阈值数量较大时，搜索耗时在实际工程应 用中常常难以接受。为此，人们将智能优化算法应用到多阈值图像分割中，从而智能、快速 地求解出分割阈值。例如，戴琼海等在2010年发明了一种基于适度随机搜索行为的多阈值 图像分割方法；童小念等在2010年提出了一种基于量子粒子群算法的双阈值图像分割方 法；张伟等在2011年提出了基于改进粒子群优化的模糊熵煤尘图像分割。
[0003] 差分演化算法是一种求解优化问题的有效现代智能优化算法。差分演化算法的结 构很简单，易于理解和实现，并且具有很强的自组织、自学习和自适应性，它已经成为了求 解优化问题研究领域中一个十分活跃的研究热点。人们已经成功将差分演化算法用于解决 多阈值图像分割问题，然而传统差分演化算法在解决多阈值图像分割问题时往往存在着易 陷入局部最优，分割效果仍需提高，收敛速度慢及实时性不强的缺点。
【发明内容】
[0004] 本发明针对传统差分演化算法进行多阈值图像分割时存在着易陷入局部最优，分 割精度不高，分割速度慢以及实时性不强的缺点，提出一种基于综合学习差分演化算法的 多阈值图像分割方法，该方法在差分演化的变异操作过程中，采用二元锦标赛选择方法随 机从种群中选择出一个个体，并将它与最优个体生成一个综合个体，再以该综合个体为基 础个体执行变异操作生成变异个体，以此在保持种群多样性的同时尽可能加快搜索速度， 然后执行传统差分演化算法的杂交、选择操作算子；同时，根据当前的搜索反馈信息适应性 地调整缩放因子和杂交概率的值，以此增强算法的鲁棒性；重复执行上述步骤直至满足终 止条件，在计算过程中得到的最优个体，即为图像最终的分割阈值；与同类方法相比，本发 明能够减少陷入局部最优的概率，提高图像分割的精度，加快分割的速度，提高分割的实时 性。
[0005] 本发明的技术方案：一种基于综合学习差分演化算法的多阈值图像分割方法，包 括以下步骤：
[0006] 步骤1，用户初始化参数，所述初始化参数包括分割阈值数量D，种群大小 Popsize，最大评价次数MAX_FEs;
[0007] 步骤2,当前演化代数t= 0,并设置综合学习率Pr^ = 0. 5,杂交率Cr^ = 0. 9,缩 放因子Fj= 0. 5,其中下标i= 1，. . .，Popsize，当前评价次数FEs=O;
[0008] 步骤3,随机产生初始种群
【权利要求】
1. 一种基于综合学习差分演化算法的多阈值图像分割方法，其特征在于，包括以下步 骤： 步骤1，用户初始化参数，所述初始化参数包括分割阈值数量D，种群大小Popsize，最 大评价次数MAX_FEs; 步骤2,当前演化代数t= 0,并设置综合学习率Pr^ = 0. 5,杂交率Cr^ = 0. 9,缩放因 子Fj= 0. 5,其中下标i= 1，...，Popsize,当前评价次数FEs= 0 ; 步骤3,随机产生初始种群乃=,4X，K,4# }，其中：下标i= 1，...，Popsize，并且為;为种群Pt中的第i个个体，其随机初始化公式为：
其中下标j= 1，...，D，并且D为分割阈值数量；4为在种群Pt中的第i个个体，存储 了D个分割阈值；rand(0, 1)为在[0, 1]之间服从均匀分布的随机实数产生函数； 步骤4,计算种群Pt中每个个体的适应值，其中适应值越大则表明个体越优秀，对于任 意一个个体 < 的适应值F/i(〇按以下公式计算： Fil(A)) = YjH,, k~Q 其中Hk为第k个图像灰度值区间的熵，按如下公式计算：
其中h(j)为第j个图像灰度值在图像中的像素总数，为第j个图像灰度值在图像 中的概率丄」为向下取整运算符；Wtl为区间[0, 的图像灰度值的累加概率和，Htl 为区间[〇，UU-丨]的图像灰度值的熵，％为区间[L<J，k.i+J-1]的图像灰度值 的累加概率和，下标k= 1，2, 一D-LHk为区间[^4。丄的图像灰度值的熵，wD 为区间[L·^」，255]的图像灰度值的累加概率和，Hd为区间[Uk」，255]的图像灰度值的 熵；然后当前评价次数FEs=FEs+Popsize，并保存种群Pt中适应值最大的个体为最优个体 Bestt ； 步骤5,令计数器i=I; 步骤6,如果计数器i大于种群大小Popsize，则转到步骤15,否则转到步骤7 ; 步骤7,计算个体4的当前综合学习率NPriS计算公式如下：
其中rl为在[0, 1]之间随机产生的实数； 步骤8,根据个体4的当前综合学习率NPriS对个体<产生一个综合学习个体5/，其 步骤如下： 步骤8.1，令计数器j=l; 步骤8. 2,如果计数器j大于D，则转到步骤9,否则转到步骤8. 3 ; 步骤8. 3,在[0，1]之间产生一个随机实数r2 ;如果r2小于个体為<的当前综合学习率NPi^则转到步骤8. 7,否则转到步骤8. 4 ; 步骤8.4,在[1，Popsize]之间随机产生两个不相等的正整数RI1，RI2 ; 步骤8. 5,如果个体的适应值大于个体J;的适应值，则5,^ =Jkj，否则 Kj-Atm2j ; 步骤8. 6,令计数器j=j+Ι，转到步骤8. 2 ; 步骤8. 7, < , = 卜令计数器j=j+Ι，转到步骤8. 2 ; 步骤9,按以下公式计算个体4的当前缩放因子Nht和当前杂交率NCritZ
其中r3，r4都是在[0，1]之间随机产生的实数，randc(0. 5,0. 3)为以0. 5作为位置参 数，0. 3作为尺度参数产生服从柯西分布的随机实数函数，rand(0, 1)为在[0, 1]之间产生 服从均匀分布的随机实数函数； 步骤10,以综合学习个体劣作为基础个体，并以Nht为个体4的当前缩放因子，NCi^ 为个体4的当前杂交率，产生个体4的试验个体V丨，并计算试验个体U丨的适应值^^(以(）， 其步骤如下： 步骤10. 1，令计数器j=l; 步骤10. 2,在[1，D]之间随机产生一个正整数jRand; 步骤10. 3,在[1，Popsize]之间随机产生两个不相等的正整数RI3,RI4 ; 步骤10. 4,如果计数器j大于D，则转到步骤10. 9,否则转到步骤10. 5 ; 步骤10. 5,在[0，1]之间产生一个随机实数r5,如果r5小于个体4的当前杂交率NCr^ 或者jRand等于计数器j，则转到步骤10. 6,否则转到步骤10. 7 ; 步骤 10. 6, = + ;转到步骤 10. 8 ; 步骤 10. 7, = < ; 步骤10. 8,令计数器j=j+Ι，转到步骤10. 4 ; 步骤10. 9,计算试验个体[/丨的适应值抑(W)，转到步骤11 ; 步骤11，按以下公式在个体4与试验个体之间选择出个体进入下一代种群： t+l_\ui，当t/丨的适应值大于或等丑丨的适应值时 4 =U其他 ； 步骤12,按以下公式更新个体4的综合学习率PriS缩放因子FiS杂交率Ci^ :ρ/+] [NPr；,当t/丨的适应值大于或等于4的适应值时 PVl ={Prit,其他 Fi+l_lNF；, 当W的适应值大于或等于:4丨的适应值时 !=\f：,其他 Crl+l_\^Cr；,当t/丨的适应值大于或等于4的适应值时η ^{Cr；,其他 步骤13,令计数器i=i+1 ; 步骤14,转到步骤6 ; 步骤15,当前评价次数FEs=FEs+Popsize，保存种群Pt中适应值最大的个体为最优 个体Bestt ;当前演化代数t=t+Ι; 步骤16,重复步骤5至步骤15直至当前评价次数FEs达到MAX_FEs后结束，执行过程 中得到的最优个体Bestt即为分割图像的D个分割阈值，并以得到的D个分割阈值对图像 进行分割。
【文档编号】G06T7/00GK104318575SQ201410613479
【公开日】2015年1月28日 申请日期:2014年11月4日 优先权日:2014年11月4日
【发明者】郭肇禄, 黄海霞, 岳雪芝, 谢霖铨, 李康顺, 尹宝勇, 汪慎文 申请人:江西理工大学