图像阈值分割的Tent映射改进蜂群算法
【技术领域】
[0001] 本发明属于目标检测算法技术领域，设及图像阔值分割的Tent映射改进蜂群算 法。
【背景技术】
[0002] 图像阔值分割是目标检测中的关键技术，因其高效、易于实现等特点而被广泛应 用。现已提出大量的阔值选取方法，该些方法根据一维直方图或二维直方图及其区域划分 方式W，结合智能算法寻求不同准则下的最佳阔值在不同应用领域取得了较好的应用 效果。人工蜂群算法^(AdificialBeeColony,ABC)就是该类智能算法中比较典型的算 法。该算法是由Kar油oga于2005年提出的一种基于蜜蜂群智能捜索行为的随机优化算 法。虽然人工蜂群算法的研究和应用只处于初级阶段，但该算法已广泛用于解决各类优化 问题，如函数优化w、TSP仿真多目标优化W、逻辑推理及图像处理twu等。同时， 其易于早熟收敛、编码不统一、捜索速度慢等智能算法普遍存在的缺点亦体现出来。
[0003] 混浊是一种普遍的非线性现象，其行为看似复杂且类似随机，但其内在存在一定 的规律性。混浊的发现，对科学的发展具有空前深远的影响。混浊具有其独特的初值敏感 性、遍历性和规律性等性质Logistic和Tent映射就是应用领域中典型的混浊序列，利 用混浊理论中独有的初值敏感性，本文首先利用Tent映射的特点构建人工蜂群算法的一 种互补编码方式；其次在蜂群算法更新策略中结合当前解与最优解之间特点，提出一种固 定方向的更新方式；再次利用1与[0, 1]之间的数作差依然是[0, 1]范围内数的互补特性 对局部优解进行调整；最后将改进的蜂群算法W二维直线交叉滴作为适应度函数应用到灰 度图像阔值分割中，取得了较好的应用效果。
【发明内容】
[0004] 本发明的目的在于提供图像阔值分割的Tent映射改进蜂群算法，解决了现有的 算法易于早熟收敛、编码不统一、捜索速度慢的问题。
[0005] 本发明所采用的技术方案是按照W下步骤进行：
[0006] 步骤1 ;采用Tent映射对算法的个体进行初始化；
[0007] 步骤2 ;利用Tent映射将初始值均匀分布在解空间；
[000引步骤3:在各蜜源附近采用固定捜索方向的人工蜂群算法更新新蜜源位置，若该 位置优于原蜜源位置，则保留新蜜源位置；否则保留原蜜源位置；
[0009] 步骤4;按照轮盘赌的选择概率，针对跟随蜂按照固定捜索方向的人工蜂群算法 更新新蜜源位置，若该位置优于原蜜源位置，则保留新蜜源位置；否则保留原蜜源位置；
[0010] 步骤5 ;针对引领蜂和跟随蜂，更新其最优解；若最优解达到了限定的个数，则重 新生成该蜜源个体；
[0011] 步骤6 ;若迭代次数小于预设的迭代次数，转至步骤3进行迭代；否则输出最优解。
[0012] 进一步，所述步骤1中，Tent映射的表述形式为：
[001引
； （1)
[0014] 其中ZcG[(u];y为常数，取值范围是[1，4]。当y= 4时，系统已经处于完全 混浊状态，此时系统可无重复地遍历整个捜索空间。
[0015] 进一步，所述步骤2中假定算法初始蜜源的个数为N个，首先2。=rand0,rand0 是[0，1]之间的随机数，其次应用Tent映射构建ZkG[0, 1]范围内人工蜂群算法的初始 蜜源^个；再次利用1-Zk其值的区间范围依然也是[0，1]的互补特性，构建算法的另外^ 个初值；假定蜜源的定义域为[Xmi。，XmJ，则其由Zk到Xk的线性变换为：
[0016] Xk=Zk(Xmax-Xmin)+Xmin做
[0017] 或Xk= (1-Zk) (Xmax-Xmj+Xmw保）根据上面的策略完成人工蜂群算法蜜源初 始值。
[0018] 进一步，由标准人工蜂群算法的更新策略；
[0019] V。' =X。'+ 4U(Xu-Xkj) ; (4)
[0020]进一步，所述步骤3中设单变量单峰函数f(x)，f(Xg)为到目前为止的最大值： [OOW(1)当Xi<v且f(Xi)<f(Xg)，此时X潮向移动，即对于Xi而言其移动符号为 正，良Psign(Xg-Xi);
[00巧似当X2〉V且f(X2)<f(Xg)，此时X2朝向移动，即对于X2而言其移动符号为 负，即sign(Xg-X2);
[002引 做当Xi=X2,则f(Xi) =f(X2)，此时Xi不移动，即对于Xi而言其移动符号能正 能负；将式（4)所示的公式更新为式巧）；
[0024] XU+C?randO?si即（Xgj-x。') 妨
[002引式妨中C是常数，randO是[0,U之间的随机数，Xu是蜜源i的第j维位置，Xgj是到目前为止最优蜜源的第j维位置，sign是符号函数；
[0026] 进一步，所述步骤5中若最优解达到了限定的个数，则针对一维变量采用式（6)所 示的调整策略，多维变量采用式（7)所示的调整策略，重新生成该蜜源个体；
[0029] 本发明的有益效果是不会过早收敛、捜索速度快。
【附图说明】
[0030] 图1是当初始值为0. 1234时Logistic和Tent映射生成数值比较图；
[0031] 图2是当初始值为0. 6789时Logistic和Tent映射生成数值比较图；
[0032] 图3是单峰函数变量位置示意图；
[0033] 图4是多峰函数变量位置示意图；
[0034] 图5是二维直线型区域划分示意图；
[0035] 图6是改进蜂群算法的图像分割流程图。
【具体实施方式】
[0036] 下面结合【具体实施方式】对本发明进行详细说明。
[0037] 本发明利用基本蜂群算法中蜜蜂捜索蜜源的机理，提出一种改进的人工蜂群算 法。
[003引 Tent映射的改进蜂群算法
[0039] 1. 1Tent映射，采用Tent映射对算法的个体进行初始化；
[0040] 混浊优化是一种较新的优化算法，Logistic和Tent是该类算法中常用的混浊 序列，该类序列中通用的特点是具有初值敏感性。因此利用该特点对算法进行初始赋值。 Logistic可W用下式来描述：
[004UZk+i=yZk(l-Zk) ; (1)
[0042] Tent映射的表述形式为；
[00创
巧
[0044] 其中ZuG[(U] 为常数，取值范围是[1，句。当y= 4时，系统已经处于完全 混浊状态，此时系统可无重复地遍历整个捜索空间。
[0045] 从公式表述中可W看到，Logistic映射y=4时，ZkG{〇, 1，0. 25, 0. 7引为该系 统的不动点；而与e化为Tent映射的不动点。当对Logistic和Tent映射赋予相同的初 值，二者具有不同的分布特性。图1和图2分别对应的是当2。= 0. 1234和Z。= 0. 6789,k=200时二者的对比曲线图，虚线和实线分别是Logistic和Tent映射迭代200次后数值 的变化折线图。从图中对比可W看出，尽管不同的初始值，Logistic映射都在60代左右落 入不动点而不发生变化，而Tent映射表现出了较好的遍历均匀性。因此，该里采用Tent映 射对算法的个体进行初始化。
[0046] 1. 2Tent映射的改进蜂群算法
[0047] 1. 2. 1利用Tent映射将初始值均匀分布在解空间，Tent映射的初始个体均匀化；
[0048] 人工蜂群算法中将蜂巢内的蜜蜂分为引领蜂，跟随蜂和侦查蜂。引领蜂、跟随蜂用 于蜜源的开采，侦查蜂避免蜜源种类过少，每种角色的蜜蜂分担不同的工作，相互协作，角 色之间根据适应度值在一定条件下进行相互转换。假定算法初始蜜源的个数为N个，首先 2。=rand0，其次应用Tent映射构建ZkE[0, 1]范围内人工蜂群算法的初始蜜源^个； 再次利用1-Zk其值的区间范围依然也是[0，1]的互补特性，构建算法的另外f个初值；最 后假定某一问题的定义域为[Xmi。，XmJ，则其由Zk到Xk的线性变换为：
[0049] Xk=Zk(Xmax-Xmin)+X"dn做
[0050] 或Xk= (1-Zk) (Xmax-XmJ+Xmin。 口，）
[0化1] 根据上面的策略完成人工蜂群算法蜜源初始值，该初始值在定义域内具有均匀分 布的特性，为算法的后续寻找最优解提供了基础条件。
[0化2] 1. 2. 2蜜源更新策略的改进
[0化3] 标准的人工蜂群算法在各蜜源附近按式（4)捜索新蜜源。
[0化4]Vij=XJJ+<1)JJ(Xij-Xy) (4)
[005引式中X。为蜜源i的第j维位置，XW是随机选取不同于i的第j维蜜源位置，4。 是范围在[-1，1]中的随机数，Vu是新蜜源位置。在该更新公式中，xy和4U都体现了一 定的随机性，新蜜源更新方向具有不确定性。该里提出一种更新方向确定的更新策略，使Vij 一直朝着较优方向更新。先W如图3所示的单变量单峰函数f(x)为例，设f(Xg)为到目前 为止的最大值，讨论更新方向问题。
[0056] (1)当Xi<Xg，且f(Xi)<f(Xg)，此时X潮X式向移动，即对于X1而言其移动符号为 正，即sign(Xg-