图像多阈值分割方法与流程

本发明涉及图像处理领域，特别涉及图像多阈值分割方法。

背景技术：

图像分割是图像处理技术领域中一个至关重要的技术，因为它是作为图像处理的前期步骤，分割的好坏快慢直接影响到后期的高级处理，如特征提取、模式识别等。图像分割的范围越来越广，如通信、军事、遥感图像分析、医学诊断、台标识别以及工业自动化等诸多领域都离不开分割的身影。因此无论是在实际应用还是学术领域，图像分割都是一项前沿且意义重大的课题。

最大类间方差法，也称otsu法，是一种通过使分割后的图像各个区域之间的方差最大来完成图像阈值分割的图像分割方法。例如专利cn102420985a利用最大类间方差法来提取多视点视频中的彩色视频帧的纹理信息。当单阈值分割扩展到多阈值分割时，随着阈值数目的增大，需要遍历求值的解空间增大，因此传统的穷举或者其他一些快速算法仍不能达到良好的实时性。

布谷鸟算法(cuckoosearch,简称cs)是一种基于levy飞行的群体智能算法。例如专利cn103885521a提出的基于布谷鸟算法的光伏阵列mppt方法，就是利用了布谷鸟算法的良好寻优性能。布谷鸟算法的解通过levy飞行达到最优的。由于基于最大类间方差的多阈值分割方法，本质上是一个离散组合优化问题，而原始的布谷鸟算法是用于解决连续域最优化问题的，在解决离散组合问题时存在局部搜索精度不够等缺点，所以引入模式搜索算法来改善布谷鸟算法的局部寻优能力。

模式搜索算法(简称ps)是hooke和jeeves于1961年提出的，因此又称为hooke-jeeves法。模式搜索算法实际上可以看成最速下降法的一种近似。虽然此方法收敛速度较慢，但程序易于编制，对于维度不高的问题可以使用，而且确是一种可靠的方法。ignizio应用模式搜索算法求解非线性目标规划问题，并获得了满意的结果。

技术实现要素：

本发明要解决的技术问题是：提供一种图像多阈值分割方法，解决传统最大类间方差法局部搜索精度不足的问题。

为解决上述问题，本发明采用的技术方案是：图像多阈值分割方法，包括以下步骤：

步骤1：获取需要进行多阈值分割的灰度图像，确定阈值个数；

步骤2：设定布谷鸟算法和模式搜索算法的算法参数；

步骤3：根据布谷鸟算法的算法参数初始化种群xi，并计算种群的适应度值；

步骤4：根据步骤3计算的适应度值选出最优解xg；

步骤5：判断布谷鸟算法迭代是否达到最大迭代次数maxt，如果达到，则跳转步骤11，否则，跳转步骤6；

步骤6：以步骤4的xg作为模式搜索算法的基点，通过模式搜索算法对最优个体局部再搜索，并将模式搜索算法的结果赋值给xg；

步骤7：对整个种群进行levy飞行，获得新的解

步骤8：计算新解的适应度值

步骤9：根据新解的适应度值更新种群；

步骤10：对更新后的种群，再以概率pa更新部分个体，并返回步骤3；

步骤11：输出最优个体xg。

具体的，步骤2根据以下公式计算种群的适应度值

其中，fiti是适应度值，pi＝ni/ng，ni是灰度值为i的像素数，ng是整个图片的像素数，且是整幅图像的平均灰度值。

具体的，步骤6具体包括：

步骤61：令x¹＝xg，

步骤62：给定初始基点x¹∈r^dim，dim个坐标方向e1,e2,…,edim，初始步长ρ＝1，加速因子α＝1，缩减率τ＝0.5，最小步长ρmin＝1，令y¹＝x¹，k＝1，i＝1；

步骤63：若f(yⁱ+ρ*ei)<f(yⁱ)，则令yⁱ⁺¹＝yⁱ+ρ*ei，并执行步骤65；否则，执行步骤64；

步骤64：若f(yⁱ-ρ*ei)<f(yⁱ)，则令yⁱ⁺¹＝yⁱ-ρ*ei；否则，令yⁱ⁺¹＝yⁱ；

步骤65：若i<dim，则令i:＝i+1，跳转执行步骤63；否则，执行步骤步骤66；

步骤66：若f(y^dim+1)<f(x^k)，则执行步骤步骤67；否则，执行步骤步骤68；

步骤67：令x^k+1＝y^dim+1，y¹＝x^k+1+α*(x^k+1-x^k)，且置k:＝k+1，i＝1，跳转执行步骤63；

步骤68：若ρ≤ρmin，则停止迭代，得到点x^k；否则，令ρ:＝τ*ρ，y¹＝x^k，x^k+1＝x^k，置k:＝k+1，i＝1，跳转执行步骤63。

具体的，步骤7用和两式对整个种群进行levy飞行，获得新的解其中，β,为常数因子,γ(·)为伽马分布,sin(·)代表正弦函数,randn(1,dim)代表元素服从标准正态分布的行向量。

进一步的，步骤10中，对更新后的种群，用μ＝(μ1,μ2,…,μm,…,μdim)、以概率pa更新部分个体，式中，μm＝1,m＝1,2,…,dim如果rand>pa，否则μm＝0。

本发明的有益效果是：由于本发明采用布谷鸟算法来解决基于最大类间方差法的阈值分割问题，并且针对算法局部搜索精度不足的缺点，结合模式搜索算法进行改进，因此可以有效提高最大类间方差法实现多阈值分割的实时性。

附图说明

图1为本发明图像多阈值分割处理流程。

图2为实施例的流程图。

具体实施方式

基于最大类间方差法的阈值分割，本质上是一个带约束的整数优化问题，因此可以考虑采用被证明具有高寻优效率的群体智能算法来解决。布谷鸟算法作为一种新型的群体智能算法，不但具有寻优效率高，物理意义明确的特点，更重要的是算法参数简单，针对不同的具体优化问题可以很容易的适应。因此本发明采用布谷鸟算法来解决基于最大类间方差法的阈值分割问题，并且针对算法局部搜索精度不足的缺点，结合模式搜索算法进行改进。

如图1所示，本发明的处理流程为：首先需要获得需要处理的灰度图像(若为彩色图像，可以通过matlab7.12的rgb2gray()转化为灰度图像)i(x,y)，然后通过基于布谷鸟算法和模式搜索算法的最大类间方差法(即：thresholds＝ps-cs-otsu(grayimage，num),其中grayimage为算法输入待分割的灰度图像，num为欲分割的阈值数目，threshlods为算法分割得到的分割阈值)进行阈值分割，输出的thresholds即为得到的分割阈值，从而完成了灰度图像的阈值分割。

如图2所示，实施例提供一种图像多阈值分割方法：具体步骤如下：

步骤1：获取需要进行多阈值分割的灰度图像i，确定阈值个数d；

步骤2：选择最大类间方差法为目标优化函数，设定布谷鸟算法参数：n＝20，最大迭代次数maxt＝200，β＝3/2,淘汰概率pa＝0.25；以及模式搜索算法的算法参数：parameters＝[ρ,α,τ,ρmin]＝[1,1,0.5,1]；

步骤3：根据布谷鸟算法的算法参数初始化种群xi，并根据计算种群的适应度值，其中，fiti是适应度值，pi＝ni/ng，ni是灰度值为i的像素数，ng是整个图片的像素数，且是整幅图像的平均灰度值；

步骤4：根据步骤3计算的适应度值，选出最优解xg，即最优分割阈值；

步骤5：判断布谷鸟算法迭代是否达到最大迭代次数maxt，如果达到，则跳转步骤11，否则，跳转步骤6；

步骤6：以步骤4的xg作为模式搜索算法的基点，以parameters＝[ρ,α,τ,ρmin]＝[1,1,0.5,1]为算法参数执行模式搜索算法，将模式搜索算法的结果赋值给xg，即xg:＝patternsearch(xg,parameters；

本步骤具体包括：

步骤61：令x¹＝xg，

步骤62：给定初始基点x¹∈r^dim，dim个坐标方向e1,e2,…,edim，初始步长ρ＝1，加速因子α＝1，缩减率τ＝0.5，最小步长ρmin＝1，令y¹＝x¹，k＝1，i＝1；

步骤63：若f(yⁱ+ρ*ei)<f(yⁱ)，则令yⁱ⁺¹＝yⁱ+ρ*ei，并执行步骤65；否则，执行步骤64；

步骤64：若f(yⁱ-ρ*ei)<f(yⁱ)，则令yⁱ⁺¹＝yⁱ-ρ*ei；否则，令yⁱ⁺¹＝yⁱ；

步骤65：若i<dim，则令i:＝i+1，跳转执行步骤63；否则，执行步骤步骤66；

步骤66：若f(y^dim+1)<f(x^k)，则执行步骤步骤67；否则，执行步骤步骤68；

步骤67：令x^k+1＝y^dim+1，y¹＝x^k+1+α*(x^k+1-x^k)，且置k:＝k+1，i＝1，跳转执行步骤63；

步骤68：若ρ≤ρmin，则停止迭代，得到点x^k；否则，令ρ:＝τ*ρ，y¹＝x^k，x^k+1＝x^k，置k:＝k+1，i＝1，跳转执行步骤63。

步骤7：用和两式对整个种群进行levy飞行，获得新的解其中，β,为常数因子,γ(·)为伽马分布,sin(·)代表正弦函数,randn(1,dim)代表元素服从标准正态分布的行向量；

步骤8：计算新解的适应度值

步骤9：根据新解的适应度值更新种群，更新方式为：若则更新种群个体：

步骤10：对更新后的种群，用μ＝(μ1,μ2,…,μm,…,μdim)、stepsize＝rand*(xj-xk)和以概率pa更新部分个体，并返回步骤3，式中，μm＝1,m＝1,2,…,dim如果rand>pa，否则μm＝0；

步骤11：输出最优个体(即最优分割阈值)xg，xg即作为最大类间方差法fbcv(t)的近似最优解

步骤12：算法结束。

为直观的说明本发明的效果，表1给出了50次试验中成功找到最优阈值的比例对比表，表2给出了基于模式搜索算法和布谷鸟算法的图像多阈值分割的性能提升程度。

表150次试验中成功找到最优阈值的比例(％)

注意：比例值可以说明本发明公开的方法可以更大概率找到最优解，寻优能力更强。其中，最优阈值通过穷举法获得。

表2基于模式搜索算法和布谷鸟算法的图像多阈值分割的性能提升程度

注意：表2中方差可以说明算法的稳定性，均值一定程度上反映寻优能力强弱，平均收敛时间说明算法寻优速度快慢。因为算法是随机化算法，所以个别测试案例没有得到提升(表中加粗部分)属于随机因素影响。其中测试图像zebra来自berkeley图像分割数据集^[2]，cameraman来自matlab7.12自带典型测试图片，其余5张测试图片为典型的复杂场景测试图片。

通过表1、表2中的数据可以看出，本发明的方法在基于最大类间方差法的图像多阈值分割中，可以提供更加快速、稳定、高效的阈值分割。

以上描述了本发明的基本原理和主要的特征，说明书的描述只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。