应用适应性高斯人工蜂群算法的多阈值图像分割方法与流程

文档序号：12127606阅读：1033来源：国知局

本发明涉及数字图像分割技术领域，尤其是涉及一种应用适应性高斯人工蜂群算法的多阈值图像分割方法。

背景技术：

多阈值图像分割是图像处理技术中一种最常用和最广泛的图像分割方法，它在许多实际图像工程问题中取得了令人满意的应用。多阈值图像分割的思想简单，容易实现，并且常常能够达到很好的工程实践效果。多阈值图像分割的基本思想就是根据设定的优化目标函数，求解出一组图像分割阈值，然后利用求得的分割阈值对图像的像素进行划分类别，从而实现对图像的分割。多阈值图像分割的核心问题就是针对一幅给定的数字图像，如何快速有效地求解出一组图像分割阈值。

起初，人们常常采用直接枚举的方法来搜索图像分割的阈值。直接枚举法是一种确定性的算法，在分割阈值数量较少的情况下，一般可以有效地求解出全局最优解，但是它最大的缺点就是搜索耗时较多，实时性不强，尤其是在分割阈值数量比较多的情况，直接枚举法往往无法在满足工程实践要求的时间内求解到图像分割阈值。针对这个问题，人们尝试利用智能优化算法来求解图像分割阈值。例如，戴琼海和高浩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(专利号:201010227364.5)；刘逸等发明了一种结合多阈值分割与模糊聚类的SAR图像变化检测方法(专利号:201210596406.1)；杨震伦等提出了一种基于改进量子粒子群优化的多阈值图像分割方法(杨震伦，闵华清，罗荣华.基于改进量子粒子群优化的多阈值图像分割算法[J].华南理工大学学报(自然科学版),2015,43(5):126-131+138.)。

人工蜂群算法是近年提出的一种模拟蜜蜂采蜜行为的智能优化算法，它在求解许多优化问题中表现出了优越的性能。因此，人们将人工蜂群算法应用于多阈值图像分割中，但在工程实践结果表明传统人工蜂群算法在求解图像分割阈值时存在着容易陷入局部最优，收敛速度慢的缺点。

技术实现要素：

本发明针对传统人工蜂群算法应用在多阈值图像分割时存在着容易陷入局部最优，收敛速度慢的缺点，提出一种应用适应性高斯人工蜂群算法的多阈值图像分割方法。本发明能够提高图像分割的精度，提高图像分割的实时性。

本发明的技术方案：一种应用适应性高斯人工蜂群算法的多阈值图像分割方法，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图像分割阈值数量D，种群大小Popsize，最大未改善次数Limit，最大评价次数MAX_FEs；

步骤2，令当前演化代数t＝0，并令当前评价次数FEs＝0；

步骤3，随机产生初始种群其中：个体下标i＝1,2,...,Popsize，并且种群P_t中的第i个个体为其随机产生方式为：

其中维数下标j＝1,2,...,D；存储了分割图像的D个阈值，rand(0,1)是在[0,1]之间产生随机实数的函数；

步骤4，计算种群P_t中每个个体的适应值其中个体下标i＝1,2,...,Popsize；

步骤5，令种群P_t中每个个体的未改善次数其中个体下标i＝1,2,...,Popsize；

步骤6，令当前评价次数FEs＝FEs+Popsize；

步骤7，设置历史均值列表HUL的大小为Popsize，并令HUL_k＝0.5，其中历史均值下标k＝1,2,...,Popsize；

步骤8，保存种群P_t中的最优个体Best^t；

步骤9，雇佣蜂执行基于适应性缩放系数的搜索操作，具体步骤如下：

步骤9.1，令均值因子

步骤9.2，令计数器im＝1，并令缩放因子列表GRFList为空；

步骤9.3，令新个体

步骤9.4，以FU为均值，0.1为标准差产生一个高斯随机实数GRF，然后令缩放系数RRF＝GRF×2-1；

步骤9.5，在[1，D]之间产生一个随机正整数RJ；

步骤9.6，在[1,Popsize]之间产生两个不相同的随机正整数RS1和RS2；

步骤9.7，令

步骤9.8，计算新个体EMU^t的适应值Fit(EMU^t)；

步骤9.9，如果新个体EMU^t比个体更优，则将GRF添加到缩放因子列表GRFList中，否则令GRF＝0.5；

步骤9.10，在个体与新个体EMU^t之间执行选择算子，然后计算个体的未改善次数

步骤9.11，令计数器im＝im+1；

步骤9.12，如果计数器im小于或等于Popsize，则转到步骤9.3，否则转到步骤9.13；

步骤9.13，计算缩放因子列表GFList中数据的平均值MeanGF；

步骤9.14，将MeanGF添加到HUL的末尾，然后删除HUL中的第一个数据；

步骤9.15，转到步骤10；

步骤10，根据种群P_t中个体的适应值计算所有个体的选择概率；

步骤11，观察蜂根据种群P_t中每个个体的选择概率选择出个体执行精英高斯变异算子生成新个体，然后执行选择操作并计算个体的未改善次数，具体步骤如下：

步骤11.1，令计数器ik＝1；

步骤11.2，根据种群P_t中每个个体的选择概率采用轮盘赌策略选择出个体并令新个体

步骤11.3，令精英个体数量EIN＝max(2,Popsize×re)，实数re为[0.05,0.2]之间随机产生的一个实数，其中max为取最大值函数；

步骤11.4，采用二元锦标赛选择方法从种群P_t中选择出EIN个精英个体；

步骤11.5，计算EIN个精英个体的平均值MeanEI；

步骤11.6，在[1,D]之间产生一个随机正整数RJ1；

步骤11.7，在[0,1]之间产生一个随机实数REW；

步骤11.8，令均值

步骤11.9，令标准差其中abs表示取绝对值的函数；

步骤11.10，以GLMean为均值，GLSD为标准差产生一个高斯随机实数GLTV；

步骤11.11，令

步骤11.12，计算新个体OLU^t的适应值Fit(OLU^t)；

步骤11.13，在个体与新个体OLU^t之间执行选择操作，然后计算个体的未改善次数

步骤11.14，令计数器ik＝ik+1；

步骤11.15，如果计数器ik小于或等于Popsize，则转到步骤11.2，否则转到步骤12；

步骤12，令当前评价次数FEs＝FEs+Popsize×2；

步骤13，执行侦察蜂的搜索操作算子；

步骤14，保存种群P_t中最优个体Best^t；

步骤15，令当前演化代数t＝t+1；

步骤16，重复步骤9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Best^t即为图像分割的D个阈值，然后利用得到的D个阈值对图像进行分割。

本发明利用适应性高斯人工蜂群算法优化多阈值图像分割的阈值。在适应性高斯人工蜂群算法的雇佣蜂搜索操作中，利用时间加权的历史缩放因子均值适应性地产生当前代的缩放因子，提高算法的搜索效率；此外，在观察蜂搜索过程中将最优个体与精英个体的信息融合到高斯变异策略中，从而实现局部搜索能力与种群多样性之间的平衡。本发明能够提高图像分割的精度，提高图像分割的实时性。

附图说明

图1为实施例中用于分割的图像。

图2为应用本发明分割图像的结果。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本实施例基于图1所示的图像进行多阈值分割，本发明的具体实施步骤如下:

步骤1，用户初始化参数，所述初始化参数包括图像分割阈值数量D＝3，种群大小Popsize＝20，最大未改善次数Limit＝100，最大评价次数MAX_FEs＝1200；