本发明涉及图像处理领域,更具体地,涉及一种基于生物启发运算的图像编辑优化方法。
背景技术:
随着图像处理技术的日益成熟,图像的优化编辑方式越来越多。通过对图像进行优化编辑,不仅可以提高原有图像的显示质量,还能够提高图像的整体视觉效果。
如何提取图像的层次关系目前仍然是一个很具有挑战性的问题,主流的photoshop等图像编辑软件都不支持层次关系的自动提取,图像中的图层信息需要人们自己手工选定,非常不方便。现有的提取图像层次关系的方法都不能作为通用的技术投入使用,有的方法复杂度较高,只适合处理简单的人工图像而不利于处理复杂的自然图像;有的方法只用到了局部特征信息,可以局部判断相邻区域的遮挡关系但缺少全局偏序关系的约束;有的方法在得到正确分割区域的基础上展开研究,这对初始图像分割结果提出了很高的要求。
技术实现要素:
本发明的目的是提供一种基于生物启发运算的图像编辑优化方法,解决上述现有技术中的一个或者是多个。
本发明提供的一种基于生物启发运算的图像编辑优化方法,包括以下步骤:
步骤1:输入原始图像,将rgb图像转换到hsv空间上,读入hsv三个分量,分别采用基于生物启发运算的ps2o优化算法得到相应的分割图,将hsv三个分量的分割结果合并得到最后的分割图;
步骤2:得到若干超分割区域,提取各区域中有关层次关系的局部特征,并用局部特征进行前景-背景关系和同层合并关系的判断;
步骤3:在判断结果的基础上建立一个全局能量函数,并用改进的差分进化算法求解该函数从而得到最终的层次关系;
步骤4:根据图像的层次关系,编辑所有层次间的偏序关系,当原有的偏序关系发生改变时,对原图像中被遮挡的层次进行轮廓填充和颜色填充。
在一些实施方式中,步骤1中所述基于生物启发运算的ps2o优化算法包括如下步骤:
步骤11:初始化脉冲耦合神经网络参数;
设置的基本参数;
设置最大迭代次数;
步骤12:对粒子个体进行解码,代入脉冲耦合神经网络标准模型,并将计算得到的图像熵值作为粒子个体的适应度函数;
步骤13:启动循环操作;
步骤14:更新粒子个体的位置和速度;
步骤15:重复计算,直到最大迭代次数达到或满足所需的系统要求;输出相应的分割结果。
本发明的有益效果为:采用的计算方法复杂度较低,可以准确地计算图像的层次关系,并在得到层次关系的基础上进行图像编辑。
具体实施方式
本发明提供一种基于生物启发运算的图像编辑优化方法,下面对本发明作详细介绍:
本发明提供的一种基于生物启发运算的图像编辑优化方法,包括以下步骤:
步骤1:输入原始图像,将rgb图像转换到hsv空间上,读入hsv三个分量,分别采用基于生物启发运算的ps2o优化算法得到相应的分割图,将hsv三个分量的分割结果合并得到最后的分割图;
步骤2:得到若干超分割区域,提取各区域中有关层次关系的局部特征,并用局部特征进行前景-背景关系和同层合并关系的判断;
步骤3:在判断结果的基础上建立一个全局能量函数,并用改进的差分进化算法求解该函数从而得到最终的层次关系;
步骤4:根据图像的层次关系,编辑所有层次间的偏序关系,当原有的偏序关系发生改变时,对原图像中被遮挡的层次进行轮廓填充和颜色填充。
在步骤1中所述基于生物启发运算的ps2o优化算法包括如下步骤:
步骤11:初始化脉冲耦合神经网络参数;
设置的基本参数;
设置最大迭代次数;
步骤12:对粒子个体进行解码,代入脉冲耦合神经网络标准模型,并将计算得到的图像熵值作为粒子个体的适应度函数;
步骤13:启动循环操作;
步骤14:更新粒子个体的位置和速度;
步骤15:重复计算,直到最大迭代次数达到或满足所需的系统要求;输出相应的分割结果。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。