一种复杂图像多阈值分割方法
【专利摘要】本发明提供了一种复杂图像多阈值分割方法，基于改进粒子群优化与引力搜索混合算法，包括初始化粒子群优化与引力搜索混合算法各项参数，随机生成所有粒子的初始位置；依据随机数决定生成反向种群来计算适应度值或计算当前种群的适应度值；对全局最优粒子变异，从变异前后两者中取适应度值较大的作为新的全局最优粒子；通过迭代输出全局最优粒子位置作为图像分割阈值等步骤。本发明为复杂图像多阈值分割的提供了一种全新的方法，实现了高精度、高稳定性的多阈值分割。
【专利说明】一种复杂图像多阈值分割方法
【技术领域】
[0001] 本发明专利属于图像处理算法设计领域，涉及一种图像分割领域的复杂图像多阈 值分割方法。
【背景技术】
[0002] 图像阈值分割因其分割简单有效、实时性强的特点，受到了广泛的关注。多阈值 图像分割作为阈值分割的扩展，具有区分背景和多个目标的优势，但缺点是计算复杂、耗时 长。近年来越来越多的生物启发式算法被应用到图像分割算法中，用于图像阈值的快速寻 优。吴一全等于2014年提出了最小倒数交叉熵作为阈值选取准则，应用人工蜂群算法进行 优化计算，对火焰图像进行了单阈值分割。缺点是最小倒数交叉熵计算式复杂，且只适用于 单阈值图像分割，并不适用于复杂图像的多阈值分割。陈恺等于2014年提出了萤火虫算法 优化最大二维Kapur熵的多阈值计算，实现了复杂目标的多阈值图像分割。缺点是算法的 稳定性不理想，连续运行时结果波动较大。申请号为CN201410040869. 9的中国发明专利申 请提出了基于蝙蝠算法优化模糊熵的双阈值图像分割方法。缺点是只适用于双阈值图像分 害IJ，不适用于更多阈值的图像分割。
[0003] 在图像阈值寻优过程中，单一的生物启发式算法如人工蜂群算法、萤火虫算法、蝙 蝠算法等普遍具有局部搜索能力不强、易陷入局部最优的缺陷，这将导致最终获得的分割 阈值并不是理想的图像分割阈值，甚至离理想阈值相去甚远，导致图像分割不准确。因此设 计一种适用于复杂图像的高精度、高稳定性的多阈值分割方法显得尤为重要。
【发明内容】
[0004] 发明目的：针对现有图像分割方法局部搜索能力不强、复杂图像分割不准确的缺 陷，本发明提出了一种针对复杂图像的高精度、高稳定性的多阈值分割方法。
[0005] 技术方案：为解决上述技术问题，本发明基于改进粒子群优化与引力搜索混 合算法，提供了一种复杂图像多阈值分割方法（hybrid PSOGSA with generalized opposition-based learning，G0PS0GSA)包括以下步骤：
[0006] (1)初始化粒子群优化与引力搜索混合算法各项参数：粒子总数N，学习因子Cl、 c2,惯性权重《，反向概率Ptl，最大迭代次数MAXNGER，随机生成所有粒子的初始位置；
[0007] (2)若随机生成一个0?1的数rand (0, 1)小于pQ，进入步骤（3)，否则进入步骤 (4)；
[0008] (3)生成反向种群，计算当前种群与反向种粒子的适应度值，从中选取N个最优粒 子组成新的种群，进入步骤（5);
[0009] (4)计算当前种群的适应度值；
[0010] (5)根据适应度值更新全局最优粒子，对全局最优粒子进行变异，比较其与变异粒 子的适应度值，取适应度值较大的作为新的全局最优粒子；
[0011] (6)若当前迭代次数超过最大迭代次数，则停止迭代，输出全局最优粒子位置作为 图像分割阈值对图像进行多阈值分割，否则根据粒子群优化与引力搜索混合算法中的公式 更新种群粒子的速度与位置，当前迭代次数加1，进入步骤（2)。
[0012] 具体地，步骤（3)还包括以下步骤：
[0013] (3. 1)根据图像多阈值分割中的广义反向粒子定义式，生成当前种群P的反向种 群GOP ;Xd为种群P的一个粒子，则其反向粒子X/由以下公式计算：
【权利要求】
1. 一种复杂图像多阈值分割方法，其特征在于包括以下步骤： (1) 初始化粒子群优化与引力搜索混合算法各项参数：粒子总数N，学习因子Cl、c2，惯 性权重《，反向概率P〇,最大迭代次数MAXNGER，随机生成所有粒子的初始位置； (2) 若随机生成一个0?1的数rand (0, 1)小于P(l，进入步骤（3)，否则进入步骤⑷； (3) 生成反向种群，计算当前种群与反向种粒子的适应度值，从中选取N个最优粒子组 成新的种群，进入步骤（5); (4) 计算当前种群的适应度值； (5) 根据适应度值更新全局最优粒子，对全局最优粒子进行变异，比较其与变异粒子的 适应度值，取适应度值较大的作为新的全局最优粒子； (6) 若当前迭代次数超过最大迭代次数，则停止迭代，输出全局最优粒子位置作为图像 分割阈值对图像进行多阈值分割，否则根据粒子群优化与引力搜索混合算法中的公式更新 种群粒子的速度与位置，当前迭代次数加1，进入步骤（2)。
2. 根据权利要求1所述的一种复杂图像多阈值分割方法，其特征在于：所述步骤（3) 还包括以下步骤： (3. 1)根据图像多阈值分割中的广义反向粒子定义式，生成当前种群P的反向种群 G0P ； (3. 2)由预先设定的图像多阈值分割评价函数作为种群适应度计算式，计算当前种群 P与反向种群G0P的适应度； (3. 3)对当前种群P与反向种群G0P总计2N个粒子进行适应度的排序，从中选出N个 适应度最高的粒子组成新的种群P，进入步骤（5)。
3. 根据权利要求1所述的一种复杂图像多阈值分割方法，其特征在于：所述步骤（5) 还包括以下步骤： (5. 1)从当前种群P中挑选出适应度最高的粒子作为全局最优粒子； (5. 2)对全局最优粒子依照正态变异公式进行变异，生成变异粒子； (5. 3)比较最优粒子与变异粒子的适应度值，取两者中适应度较大的作为新的全局最 优粒子。
4. 根据权利要求1所述的一种复杂图像多阈值分割方法，其特征在于：所述步骤（6) 还包括以下步骤： (6. 1)若当前迭代次数超过最大迭代次数MAXNGER，则停止迭代，输出全局最优粒子位 置作为图像分割阈值对图像进行多阈值分割； (6. 2)若当前迭代次数未超过最大迭代次数MAXNGER，则根据粒子群优化与引力搜索 混合算法中的公式更新种群粒子的速度与位置，当前迭代次数加1，进入步骤（2)。
5. 根据权利要求4所述的一种复杂图像多阈值分割方法，其特征在于：所述步骤（6. 2) 中，种群粒子的速度更新公式如下： Vid(t+1) = c〇Vid(t)+c/ ! ? randi ? aid(t)+c/2 ? rand2 ? (gbest-X^t)) 式中w为粒子的惯性权重；c' pc' 2为加速因子；randpranc^分别为[0, 1]的随机 数，Xid (t)和V/(t)分别是第i个粒子在第t次迭代时在d维的位置和速度，d = 1，2,. . .，D， D为搜索空间维度，aid(t)表示第i个粒子在第t次迭代时在d维的加速度； 种群粒子的位置更新公式如下： Xid(t+1)=父^(相卞+1)。
【文档编号】G06N3/00GK104331893SQ201410649123
【公开日】2015年2月4日 申请日期:2014年11月14日 优先权日:2014年11月14日
【发明者】张志胜, 巢渊, 戴敏 申请人:东南大学