基于植物根系觅食优化的多阈值金属微滴图像分割方法与流程

本发明属于金属微滴图像处理和计算机视觉技术领域，具体涉及一种基于植物根系觅食优化的多阈值金属微滴图像分割方法。

背景技术：

对纳米金属微滴流体特性的研究是基于喷墨打印式的印制电子系统的核心内容。纳米金属微滴流的状态，如液滴体积、流速度、喷射角度等信息，代表了微滴喷射系统的性能指标。但由于纳米金属微滴的流动性特点和明显的团聚、沉淀效应，很难采用常规技术手段直接测量微滴的几何参数(体积、表面积、表面张力、接触角体积等)。因此需要通过图像采集液滴生长过程中的轮廓变化情况，通过图像智能分割与特征提取技术，提取液滴的边缘轮廓，才能计算得到液滴的几何和物理参数。

然而提取微滴图像的计算复杂度是在实际应用中需要关注的一个重要问题，特别是在高清晰度、高速度的微滴射流图像中，图像的灰度、像素都较为庞大，如一个灰度级为256，大小为500×500的图像包含250000个像素。但现如今常用的otsu法是基于遍历穷举搜索方式的，一旦遇到灰度特征不明显或阈值数目过多的图像分割问题时，阈值的选取成为计算瓶颈，其计算复杂度将呈指数级上升，耗时较多，极大地限制了实际应用。

技术实现要素：

针对现有技术的不足，本发明提出一种基于植物根系觅食优化的多阈值金属微滴图像分割方法。

一种基于植物根系觅食优化的多阈值金属微滴图像分割方法，包括以下步骤：

步骤1：获取待分割的金属微滴流源图像；

步骤2：随机初始化图像分割阈值的根种群g＝{xi}，初始化各根的营养素浓度设定最大迭代次数limitc、分支阈值branchg、向重力性生长的最大值growmax、营养素浓度下限阈值nmority，其中，xi为根种群中的第i个根，即第i组图像分割阈值，i∈[1，num]，num为种群大小；

步骤3：初始化迭代次数iteration＝0；

步骤4：根据待分割的金属微滴流源图像的灰度直方图和当前图像分割阈值根种群的各根的营养素浓度计算当前图像分割阈值根种群的各根的适应度和生长素浓度

步骤4.1：根据待分割的金属微滴流源图像的灰度直方图采用最大类间方差法计算当前图像分割阈值根种群的各根的适应度

所述根据待分割的金属微滴流源图像的灰度直方图采用最大类间方差法计算当前图像分割阈值根种群的第i个根的适应度的计算公式如下所示：

其中，xi＝{xi1，xi2，...，xim-1}为m-1维向量，即将待分割金属微滴流源图像顺序分割成m个类的第i组图像分割阈值，为第k-1类图像像素数占整个图像总像素数的概率，p(j)为待分割金属微滴流源图像中灰度值为j的像素的概率密度，为在待分割金属微滴流源图像中灰度值中灰度xik与xi(k-1)之间的灰度均值，j∈[0，l-1]，为待分割金属微滴流源图像的总像素，k∈[1，m]；

步骤4.2：对当前图像分割阈值根种群的各根的营养素浓度和各根的适应度进行归一化处理，得到归一化后的各根的营养素浓度和归一化后的各根的适应度

步骤4.3：根据当前图像分割阈值根种群的归一化后的各根的营养素浓度和归一化后的各根的适应度计算各根的生长素浓度

所述根据当前图像分割阈值根种群的归一化后的各根的营养素浓度和归一化后的各根的适应度计算第i个根的生长素浓度的计算公式如下：

其中，ξ为在(0，1)之间均匀分布的随机数。

步骤5：根据当前图像分割阈值根种群的各根的生长素浓度将当前图像分割阈值根种群的各根分为主根和侧根：即将当前图像分割阈值根种群的各根的生长素浓度按照从大到小进行排序，并将其中前sum个根作为主根，执行步骤6，其余根作为侧根，执行步骤7；

步骤6：对当前图像分割阈值根种群的主根进行向水性自生长操作和向重力性自生长操作，更新各主根的适应度和营养素浓度并采用贪心算法计算各主根xi当前的最优适应度并对满足分支条件的主根进行分支操作，计算当前图像分割阈值根种群的各主根xi的分支数并确定分支后的各根位置；

步骤6.1：对当前图像分割阈值根种群的主根进行更新：对主根进行向水性自生长操作和向重力性自生长操作；

步骤6.1.1：选取前一半主根进行向水性自生长操作，得到受向水性影响的主根xi在t+1时刻的位置

步骤6.1.2：初始化向重力性自生长的增长角度将未进行向水性自生长的后一半主根进行向重力性自生长操作，得到受向重力性影响的主根xi在t+1时刻的位置受向重力性影响的主根xi在t时刻的增长角度

步骤6.2：计算进行向水性自生长操作和向重力性自生长操作后的主根的适应度并采用贪心算法求取各主根xi当前的最优适应度

步骤6.3：更新当前图像分割阈值根种群的各主根的营养素浓度：若当前图像分割阈值根种群的主根在t+1时刻的适应度小于该主根在t时刻的适应度，则令该主根的营养素浓度若当前图像分割阈值根种群的主根在t+1时刻的适应度大于该主根在t时刻的适应度，则令该主根的营养素浓度

步骤6.4：判断当前图像分割阈值根种群的各主根是否满足分支条件：若当前图像分割阈值根种群的主根的营养素浓度大于分支阈值branchg，则执行步骤6.5，否则，执行步骤8；

步骤6.5：对主根进行分支操作，得到主根xi的分支在t+1时刻的位置以及主根xi的分支在t+1时刻的增长角度并计算当前图像分割阈值根种群的各主根xi的分支数执行步骤8。

步骤7：对当前图像分割阈值根种群的侧根进行自生长操作，更新各侧根的适应度和营养素浓度并采用贪心算法计算各侧根xi当前的最优适应度

步骤7.1：初始化自生长的增长角度对当前图像分割阈值根种群的侧根进行自生长操作，得到自生长的侧根xi在t+1时刻的位置以及自生长的侧根xi在t+1时刻的增长角度

步骤7.2：计算自生长操作后的侧根的适应展并采用贪心算法求取各侧根xi当前的最优适应度

步骤7.3：更新当前图像分割阈值根种群的各侧根的营养素浓度：若当前图像分割阈值根种群的侧根在t+1时刻的适应度小于该侧根在t时刻的适应度，则令该侧根的营养素浓度若当前图像分割阈值根种群的侧根在t+1时刻的适应度大于该侧根在t时刻的适应度，则令该侧根的营养素浓度

步骤8：根据当前图像分割阈值根种群的各根的营养素浓度消除冗余根：若当前图像分割阈值根种群的根xi的营养素浓度大于分支阈值branchg，则更新后根xi的数量为若当前图像分割阈值根种群的根xi的营养素浓度小于营养素浓度下限阈值nmority，则更新后根xi的数量为否则，根xi的数量不变；

步骤9：更新当前图像分割阈值根种群的种群大小

步骤10：判断当前图像分割阈值根种群的迭代次数iteration是否达到最大迭代次数limitc，若是，执行步骤11，否则，令iteration＝iteration+1，返回步骤4；

步骤11：将当前图像分割阈值根种群的各主根的最优适应度和各侧根的最优适应度进行比较，将其中最优适应度最小的根对应的一组阈值作为待分割的金属微滴流源图像的分割阈值组；

步骤12：采用步骤11获得的分割阈值组对待分割的金属微滴流源图像进行分割。

本发明的有益效果：

本发明提出一种基于植物根系觅食优化的多阈值金属微滴图像分割方法，应用于otsu分割中，选取分割图像的最佳阈值组合；在保证精度的前提下大大提高了图像分割效率；将所提多阈值分割算法应用于实际的金属微滴图像特征提取过程中，为进一步提取金属微滴喷射系统中的金属微滴轮廓、体积及速度等关键参数提供了有效的图像测量数据。

附图说明

图1为真实的植物生长过程示意图；

图2为本发明具体实施方式中基于植物根系觅食优化的多阈值金属微滴图像分割方法的流程图；

图3为本发明具体实施方式中3d电子打印装置示意图；

图4为本发明具体实施方式中获取的金属微滴源图像；

图5为本发明具体实施方式中获取的金属微滴源图像的灰度直方图；

图6为本发明具体实施方式中降噪处理后的金属微滴源图像进行图像；

图7为本发明具体实施方式中多阈值分割后的金属微滴图像。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

植物根系觅食行为通过形态、生理的可塑性来反应个体生长、根系密度以及群落结构，其理论建模源于l系统形态发生模型和生物mtv觅食理论，如图1所示为真实的植物生长过程，植物根系逐渐向土壤中营养素最高点生长。l系统模型是一个著名生物学实例，利用复杂动力系统的理论为植物根系生长复杂过程建模。植物根系觅食算法就是在l系统基础上建立以根节点生长规则为基础的植物系统演绎方式和以植物根系生长趋向模型(向水性、向营养性)，两者结合所形成的优化模式，就是实现人工植物在优化问题解空间中从初始状态到完整形式的终态(没有新的根茎生长)的过程。

根据土壤资源分布的复杂性，植物根系生长操作包括分支，自生长、死亡和趋向。与其他传统生物启发式计算模型相比，该植物根系觅食模型(简称prfm)的创新性体现在以下几个方面：

1)一类新的觅食策略，即根系觅食，提供了一个开放的框架。它基于植物形态学的根系觅食行为理论，模拟植物根系趋向生长机制，建立根系生长动力学机制迅速获取全局最优解，从一个新的视角来设计解决复杂优化问题的优化算法。

2)新型的信息调控机制，即生长素浓度调控。通过生长素浓度来确定如何选择新的生长点和根的分支数。

3)均衡的探索/开发开销策略。主根自生长算子采用较大的伸长单位来探索优化空间中没有扫描的陌生区域，而侧根采用较小的伸长单位来执行局部最优的微调寻优。

本发明提出一种基于植物根系觅食优化的多阈值金属微滴图像分割方法，如图2所示，包括以下步骤：

步骤1：获取待分割的金属微滴流源图像。

本实施方式中，对纳米金属微滴流源图像进行分割，纳米金属微滴流源图像用3d电子打印后获取，基于喷墨打印的3d电子系统如图3所示，决定整个系统性能指标的关键因素是工业喷头，它利用压电元件的变形驱动喷射金属微滴，具有墨点形状规则、墨点大小可控、定位准确等优势。本实验采用日本konicakm1024工业喷头，其具体性能指标为：点火频率为12.5k，墨滴体积42pl，喷孔数量：1024，孔径：26微米。纳米银墨水采用leed-pv公司，银浓度为60％。视觉观测系统，包括冷光源(xaolg150)和德国高速工业相机(svseco424，曝光时间为1us)，用来实时捕捉工业喷头喷射的纳米银微滴流。喷头驱动电压波形采用双极梯形电压波形。

采用工业喷墨打印头(喷孔直径20微米以内)将皮升(pl)量级的纳米金属颗粒材料沉积在基板上形成电子电路与器件，具有非接触加工、批量化、工艺简单等优势，被认为是未来电子制造行业最有前景的革命性技术之一。其中一个关键问题是如何提取纳米金属微滴多元图像的信息特征。对纳米金属微滴流体特性的研究是基于喷墨打印方式的印制电子系统的核心内容。纳米金属微滴流的状态，如液滴体积、流速度、喷射角度等信息，代表了微滴喷射系统的性能指标。由于纳米金属微滴的流动性特点和明显的团聚、沉淀效应，很难采用常规技术手段直接测量微滴的几何参数(体积、表面积、表面张力、接触角体积等)。因此需要通过图像采集液滴生长过程中的轮廓变化情况，通过图像智能分割与特征提取技术，提取液滴的边缘轮廓，才能计算得到液滴的几何和物理参数。

本实施方式中，获取的金属微滴源图像如图4所示。

步骤2：随机初始化图像分割阈值的根种群g＝{xi}，初始化各根的营养素浓度设定最大迭代次数limitc、分支阈值branchg、向重力性生长的最大值growmax、营养素浓度下限阈值nmority，其中，xi为根种群中的第i个根，即第i组图像分割阈值，i∈[1，num]，num为种群大小。

本实施方式中，利用随机函数random()随机初始化图像分割阈值的根种群g＝{xi}。

设定的最大迭代次数limitc根据用户需求设定，一般来说，在该算法收敛之前，该值越大，算法的解的精度越好，本实施方式中，最大迭代次数limitc＝1000。

分支阈值branchg设定范围为5-40，本实施方式中设定的分支阈值branchg＝20。

向重力性生长的最大值growmax＝255，即源图像灰度空间取值范围最大值。

营养素浓度下限阈值nmority取值范围为0-10，本实施方式中，nmority＝5。

步骤3：初始化迭代次数iteration＝0。

步骤4：根据待分割的金属微滴流源图像的灰度直方图和当前图像分割阈值根种群的各根的营养素浓度计算当前图像分割阈值根种群的各根的适应度和生长素浓度

步骤4.1：根据待分割的金属微滴流源图像的灰度直方图采用最大类间方差法计算当前图像分割阈值根种群的各根的适应度

本实施方式中，获取的金属微滴源图像的灰度直方图如图5所示，同时对获取的金属微滴源图像进行降噪处理后的图像如图6所示。

根据待分割的金属微滴流源图像的灰度直方图采用最大类间方差法计算当前图像分割阈值根种群的第i个根的适应度的计算公式如式(1)所示：

其中，xi＝{xi1，xi2，...，xim-1}为m-1维向量，即将待分割金属微滴流源图像顺序分割成m个类的第i组图像分割阈值，为第k-1类图像像素数占整个图像总像素数的概率，p(j)为待分割金属微滴流源图像中灰度值为j的像素的概率密度，为在待分割金属微滴流源图像中灰度值中灰度xik与xi(k-1)之间的灰度均值，j∈[0，l-1]，待分割金属微滴流源图像的灰度空间即为{0，1，...，l-1}，l＝256为待分割金属微滴流源图像的总像素，k∈[1，m]。

步骤4.2：对当前图像分割阈值根种群的各根的营养素浓度和各根的适应度进行归一化处理，得到归一化后的各根的营养素浓度和归一化后的各根的适应度

本实施方式中，对当前图像分割阈值根种群的各根的营养素浓度和各根的适应度进行归一化处理的计算公式如式(2)和式(3)所示：

其中，nutworst为当前图像分割阈值根种群中根的营养素浓度的最小值，nutbest为当前图像分割阈值根种群中根的营养素浓度的最大值，funcworst为当前图像分割阈值根种群中根的适应度的最小值，funcbest为当前图像分割阈值根种群中根的适应度的最大值。

步骤4.3：根据当前图像分割阈值根种群的归一化后的各根的营养素浓度和归一化后的各根的适应度计算各根的生长素浓度

本实施方式中，根据当前图像分割阈值根种群的归一化后的各根的营养素浓度和归一化后的各根的适应度计算第i个根的生长素浓度的计算公式如式(4)所示：

其中，ξ为在(0，1)之间均匀分布的随机数。

步骤5：根据当前图像分割阈值根种群的各根的生长素浓度将当前图像分割阈值根种群的各根分为主根和侧根：即将当前图像分割阈值根种群的各根的生长素浓度按照从大到小进行排序，并将其中前sum个根作为主根，执行步骤6，其余根作为侧根，执行步骤7，其中，

步骤6：对当前图像分割阈值根种群的主根进行向水性自生长操作和向重力性自生长操作，更新各主根的适应度和营养素浓度并采用贪心算法计算各主根xi当前的最优适应度并对满足分支条件的主根进行分支操作，计算当前图像分割阈值根种群的各主根xi的分支数并确定分支后的各根位置。

步骤6.1：对当前图像分割阈值根种群的主根进行更新：对主根进行向水性自生长操作和向重力性自生长操作。

步骤6.1.1：选取前一半主根进行向水性自生长操作，得到受向水性影响的主根xi在t+1时刻的位置

本实施方式中，向水性自生长操作的更新公式如式(5)所示：

其中，t∈[0，limitc]为当前时刻，为受向水性影响的主根xi在t时刻的位置，为受向水性影响的主根xi在t+1时刻的位置，hbest为当前图像分割阈值根种群的全局最优位置，rand1为在(0，1)之间均匀分布的随机数。

步骤6.1.2：初始化向重力性自生长的增长角度将未进行向水性自生长的后一半主根进行向重力性自生长操作，得到受向重力性影响的主根xi在t+1时刻的位置受向重力性影响的主根xi在t时刻的增长角度

本实施方式中，向重力性自生长操作，得到受向重力性影响的主根xi在t+1时刻的位置的公式如式(6)所示：

其中，为受向重力性影响的主根xi在t时刻的位置，为受向重力性影响的主根xi在t+1时刻的位置，rand2为服从均值为0、标准差为1的正态分布，growmax为向重力性生长的最大值，为受向重力性影响的主根xi在t时刻的增长角度，βi(m-2)(t)为主根xi中第m-2个分割阈值在t时刻的增长角度，为对增长角度进行笛卡尔坐标系转换后的增长方向，di(m-1)(t)为笛卡尔坐标转换后的主根xi中第m-1个增长方向。

本实施方式中，受向重力性影响的主根xi在t时刻的增长角度的计算公式如式(7)所示：

其中，为主根xi在t+1时刻的增长角度，rand3和rand4为在(0，1)之间均匀分布的随机数，αmax∈(0，π)为最大生长角度。

步骤6.2：计算进行向水性自生长操作和向重力性自生长操作后的主根的适应度并采用贪心算法求取各主根xi当前的最优适应度

本实施方式中，采用贪心算法求取主根xi当前的最优适应度的计算公式如式(8)所示：

其中，为受向水性影响自生长的主根xi在t+1时刻的适应度，为受向重力性影响自生长的主根xi在t+1时刻的适应度。

步骤6.3：更新当前图像分割阈值根种群的各主根的营养素浓度。

本实施方式中，更新当前图像分割阈值根种群的各主根的营养素浓度的公式如式(9)所示，即若当前图像分割阈值根种群的主根在t+1时刻的适应度小于该主根在t时刻的适应度，则令该主根的营养素浓度若当前图像分割阈值根种群的主根在t+1时刻的适应度大于该主根在t时刻的适应度，则令该主根的营养素浓度

步骤6.4：判断当前图像分割阈值根种群的各主根是否满足分支条件：若当前图像分割阈值根种群的主根的营养素浓度大于分支阈值branchg，则执行步骤6.5，否则，执行步骤8。

步骤6.5：对主根进行分支操作，得到主根xi的分支在t+1时刻的位置以及主根xi的分支在t+1时刻的增长角度并计算当前图像分割阈值根种群的各主根xi的分支数执行步骤8。

本实施方式中，对主根进行分支操作得到主根xi的分支在t+1时刻的位置公式如式(10)所示：

其中，为主根xi的分支在t+1时刻的位置，为主根xi的分支在t时刻的位置，rand5和rand6为在(0，1)之间均匀分布的随机数，为主根xi的分支在t时刻的增长角度，为主根xi的分支中第m-2个分割阈值在t时刻的增长角度，为对增长角度进行笛卡尔坐标系转换后的增长方向。

本实施方式中，主根xi的分支在t+1时刻的增长角度的计算公式如式(11)所示：

其中，为主根xi的分支在t+1时刻的增长角度，αinit＝0为主根原始生长角度，e∈(1，...，smax)为选择分区的随机整数，smax＝4为分区数，ηmax＝π为最大生长转角。

本实施方式中，计算当前图像分割阈值根种群的主根xi的分支数的公式如式(12)所示：

其中，为当前图像分割阈值根种群的主根xi的分支数，γ为随机分布的系数，summax为当前图像分割阈值根种群的各根分支数最大值，summin为当前图像分割阈值根种群的各根分支数最小值。

步骤7：对当前图像分割阈值根种群的侧根进行自生长操作，更新各侧根的适应度和营养素浓度并采用贪心算法计算各侧根xi当前的最优适应度

步骤7.1：初始化自生长的增长角度对当前图像分割阈值根种群的侧根进行自生长操作，得到自生长的侧根xi在t+1时刻的位置以及自生长的侧根xi在t+1时刻的增长角度

本实施方式中，对当前图像分割阈值根种群的侧根进行自生长操作得到自生长的侧根xi在t+1时刻的位置的公式如式(13)所示：

其中，为自生长的侧根xi在t时刻的位置，为自生长的侧根xi在t+1时刻的位置，rand7为均值为0、偏差为1的正态分布函数，growmax为向重力性生长的最大值，为自生长的侧根xi在t时刻的增长角度，为自生长的侧根xi中第m-2个分割阈值在t时刻的增长角度，为对增长角度进行笛卡尔坐标系转换后的增长方向，为笛卡尔坐标转换后的侧根xi中第m-1个增长方向。

本实施方式中，自生长的侧根xi在t+1时刻的增长角度的计算公式如式(14)所示：

其中，rand8为在(0，1)之间均匀分布的随机数，αmax∈(0，π)为最大自生长角度。

步骤7.2：计算自生长操作后的侧根的适应度并采用贪心算法求取各侧根xi当前的最优适应度

本实施方式中，采用贪心算法求取各侧根xi当前的最优适应度的公式如式(15)所示：

其中，为自生长操作后的侧根xi在t时刻的适应度，为自生长操作后的侧根xi在t+1时刻的适应度。

步骤7.3：更新当前图像分割阈值根种群的各侧根xi的营养素浓度。

本实施方式中，更新当前图像分割阈值根种群的各侧根的营养素浓度如式(16)所示，即若当前图像分割阈值根种群的侧根在t+1时刻的适应度小于该侧根在t时刻的适应度，则令该侧根的营养素浓度若当前图像分割阈值根种群的侧根在t+1时刻的适应度大于该侧根在t时刻的适应度，则令该侧根的营养素浓度

步骤8：根据当前图像分割阈值根种群的各根的营养素浓度消除冗余根。

本实施方式中，根据当前图像分割阈值根种群的各根的营养素浓度消除冗余根的计算公式如式(17)所示，即若当前图像分割阈值根种群的根xi的营养素浓度大于分支阈值branchg，则更新后根xi的数量为若当前图像分割阈值根种群的根xi的营养素浓度小于营养素浓度下限阈值nmority，则更新后根xi的数量为否则，根xi的数量不变。

本实施方式中，侧根没有分支，因此作为侧根

步骤9：更新当前图像分割阈值根种群的种群大小num。

本实施方式中，更新当前图像分割阈值根种群的种群大小num的公式如式(18)所示：

步骤10：判断当前图像分割阈值根种群的迭代次数iteration是否达到最大迭代次数limitc，若是，执行步骤11，否则，令iteration＝iteration+l，返回步骤4。

步骤11：将当前图像分割阈值根种群的各主根的最优适应度和各侧根的最优适应度进行比较，将其中最优适应度最小的根对应的一组阈值作为待分割的金属微滴流源图像的分割阈值组。

步骤12：采用步骤11获得的分割阈值组对待分割的金属微滴流源图像进行分割。

本实施方式中，对待分割的金属微滴流源图像进行分割后的图像如图7所示。