本发明涉及计算机仿真与优化领域，尤其涉及基于动态多种群集成差分进化算法的图像分割方法。
背景技术：
阈值法是一种简单有效的图像分割技术，但是阈值法也有着明显的缺点，即对于高清图像的阈值求解，计算量增加且计算时间增长。差分进化算法(differentialevolution，de)是一种通过模拟种群进化差异的启发式随机搜索算法。storn和price最初设想是解决chebyshev多项式问题，后来发现较之其他进化算法，差分进化算法在解决复杂的全局优化问题方面的性能更加突出，过程也更为简单，受控参数少，适应性强。但是，对于求解高清图像的阈值，差分进化算法仍存在一些问题，种群局部搜索能力弱且易陷入局部最优的缺点。因此，本发明人对标准de算法不足点进一步的探索和研究，提出一种动态多种群集成差分进化算法的图像分割方法。
技术实现要素：
本发明的目的在于提出一种基于动态多种群集成差分算法的图像分割方法，将改进后的差分进化算法(de算法)与求解图像阈值法结合应用于图像的分割，不仅不会使求解图像阈值陷入局部最优，而且能加快图像阈值的求解速度。
本发明基于动态多种群集成差分进化算法的图像分割方法，包括以下步骤：
步骤1、设定图像分割阈值范围和评估分割效果的适应度函数：
待分割图像为灰度图像，设置分割阈值范围介于0-255之间；
采用最大类间方差作为评估分割效果的适应度函数，计算公式如下所示：
f＝w0·w1·(u0-u1)2(1)
其中，w0是图像背景的灰度概率，w1是图像目标的灰度概率，u0是图像背景的灰度均值，u1是图像目标的灰度均值；
步骤2、设置动态多种群集成差分进化算法的参数，参数包括种群规模np、个体维数d、进化最大迭代次数maxf、当前迭代次数iter、进化代数g，最大进化代数maxg；
步骤3、初始化图像阈值种群xg：
其中，i＝1,2,…,np，j＝1,2,…,d，种群规模np表示种群个体的数量，个体维数d表示解得维数，
步骤4、通过步骤1的适应度函数来计算种群各个体阈值的评估分割效果的适应度值；
步骤5、划分和分配子种群
若为第一代，只需划分子种群；从第二代开始将根据父代保留下优良个体比率，重新分配子种群；
在种群进化第一代时，将种群pop按照公式(3)划分为三个子种群pop1、pop2、pop3，其中pop1子种群规模要比pop2、pop3大；
其中，npk表示第k个子种群的种群规模，λk表示第k个子种群的规模比例，三个子种群的规模比例关系为：λ1＞λ2＝λ3且λk∈[0,1]；
从第二代开始，统计各个子种群从父代继承个体比率，并通过继承的个体比率进行升序排序，给继承个体多的变异策略分配个体数少的子种群pop2、pop3，给继承个体少的变异策略分配个体数多的子种群；
步骤6、对种群进行变异操作：
三个子种群分别对应三种变异策略，通过三种随机选取的变异策略分别对三个子种群个体
步骤7、对种群进行交叉操作：
交叉操作是变异个体与父代个体进行交叉的过程，从而生成新的试验个体
其中，randb是[0,1]间的随机数，cr是交叉概率因子且范围为[0,1]，该交叉概率因子cr采用抛物线式的动态递增方式，如下所示：
其中，crmax、crmin为交叉概率因子cr的上下界，g为进化代数，maxg为最大进化代数；
步骤8、对子代与父代进行选择操作，选取适应度值较好的个体作为新一代种群个体
选择操作采用优胜劣汰的贪婪选择模式，使得子代较优个体
其中，f(x)为适应度评估函数；
步骤9、判断是否满足迭代条件iter≤maxf，满足则转到步骤5进行下一代进化，不满足则退出进化转到步骤10；
步骤10、输出并显示最优分割阈值
步骤11、将所得到的最优分割阈值
所述全局搜索变异策略采用de/current-to-rand/1算法，变异策略公式如下所示：
所述局部搜索变异策略采用de/current-to-best/1算法，变异策略公式如下所示：
所述加权变异策略采用de/current-to-pbest/2或de/current-to-rbest/2算法，通过引入加权策略，将全局搜索因子
其中，w为加权因子，wmax和wmin是w的上下界，w的值随着迭代次数的增加而逐渐变大，iter为当前迭代次数，maxf为进化最大迭代次数，全局搜索因子
其中，k为介于[0,1]的随机数，f为缩放因子属于[0,1]，
本发明基于动态多种群集成差分进化算法(mpwde)的图像分割方法具有如下优点和积极效果：
(1)通过多个子种群来增加搜索过程的多样性，对各个子种群得出的阈值中选择最佳的结果，减少传统阈值法遍历时间，从而加快寻找最优阈值的效率；
(2)在变异操作中，对某一子种群引入加权变异策略，该策略前期扩大搜索规模，避免阈值陷入局部最优解，后期逐步过渡到收敛速度较快的局部搜索策略；
(3)针对标准de算法在交叉操作中，常量参数交叉概率因子cr做出抛物线式的动态递增调整，减少了相对参数的线性改变或者固定参数带来的不足；
(4)通过智能优化计算和图像阈值分割方法有效结合，通过函数适应度值评估函数不断迭代进化，使种群阈值朝着最优阈值靠近。
本发明在种群结构规划方面采用原始种群进行划分和重新分配子种群机制，保证种群进化过程的多样性和避免出现局部最优现象；在变异策略上采用局部搜索变异和全局搜索变异相结合，以此来达到种群勘测最优阈值和加快收敛的平衡；还通过交叉概率因子的抛物线式的动态递增变化，有效地针对了标准差分进化算法固定参数带来的不足。通过与其他进化算法在基准测试集上的比较结果可以明显看出改进后算法寻优和收敛速度的显著性，并将改进后的差分进化算法应用于图像的分割，无论在准确度还是速度都有效果显著。
附图说明
图1为本发明的流程图；
图2为本发明中动态多种群差分进化算法对于基准测试函数在d＝30的情况下的进化曲线图；
图3为本发明中动态多种群差分进化算法对于基准测试函数在d＝50的情况下的进化曲线图；
下面结合附图和具体实施例对本发明作进一步的详述。
具体实施方式
如图1所示，本发明基于动态多种群集成差分进化算法的图像分割方法，包括如下步骤：
步骤1、设定图像分割阈值范围和评估分割效果的适应度函数：
待分割图像为灰度图像，设置分割阈值范围介于0-255之间；
为获得最优阈值，本发明采用最大类间方差作为评估分割效果的适应度函数。最大类间方差是图像阈值分割的一项有效性评价指标，能够有效地获得最优阈值f，计算公式如下所示：
f＝w0·w1·(u0-u1)2(1)
其中，w0是图像背景的灰度概率，w1是图像目标的灰度概率，u0是图像背景的灰度均值，u1是图像目标的灰度均值；
步骤2、设置动态多种群集成差分进化算法(mpwde算法)的参数，参数包括种群规模np、个体维数d、进化最大迭代次数maxf、当前迭代次数iter、进化代数g，最大进化代数maxg；
步骤3、初始化图像阈值种群xg：
其中，i＝1,2,…,np，j＝1,2,…,d，种群规模np表示种群个体的数量，个体维数d表示解得维数，
步骤4、通过步骤1的适应度函数来计算种群各个体阈值的评估分割效果的适应度值fit；
步骤5、划分和分配子种群
若为第一代，只需划分子种群；从第二代开始将根据父代保留下优良个体比率，重新分配子种群；
在种群进化第一代时，将种群pop按照公式(3)划分为三个子种群pop1、pop2、pop3，其中pop1子种群规模要比pop2、pop3大；
其中，npk表示第k个子种群的种群规模，λk表示第k个子种群的规模比例，三个子种群的规模比例关系为：λ1＞λ2＝λ3且λk∈[0,1]；
从第二代开始，需要统计各个子种群从父代继承个体比率，并通过继承的个体比率进行升序排序，继承的个体越多代表该子种群变异策略影响的越少，应该给这种变异策略的种群分配个体数少的子种群pop2、pop3；给继承个体少的变异策略分配个体数多的子种群；
步骤6、对种群进行变异操作：
三个子种群分别对应三种变异策略，通过三种随机选取的变异策略分别对三个子种群个体
全局搜索变异策略采用de/current-to-rand/1算法，变异策略公式如下所示：
局部搜索变异策略采用de/current-to-best/1算法，变异策略公式如下所示：
加权变异策略采用de/current-to-pbest/2orde/current-to-rbest/2算法，通过引入加权策略，将全局搜索因子
其中，w为加权因子，wmax和wmin是w的上下界，w的值随着迭代次数的增加而逐渐变大，iter为当前迭代次数，maxf为进化最大迭代次数，全局搜索因子
其中，k为介于[0,1]的随机数，f为缩放因子属于[0,1]，
步骤7、对种群进行交叉操作：
交叉操作是变异个体与父代个体进行交叉的过程，从而生成新的试验个体
其中，randb是[0,1]间的随机数，cr是交叉概率因子且范围为[0,1]，mpwde算法的交叉概率因子cr采用抛物线式的动态递增方式，如下所示：
其中，crmax、crmin为定义交叉概率因子cr的上下界，g为进化代数，maxg为最大进化代数；
步骤8、对子代与父代进行选择操作，选取适应度值较好的个体作为新一代种群个体
选择操作采用优胜劣汰的贪婪选择模式，使得子代较优个体
其中，f(x)为适应度评估函数；
步骤9、判断是否满足迭代条件iter≤maxf，满足则转到步骤5进行下一代进化，不满足则退出进化转到步骤10；
步骤10、输出并显示最优分割阈值
步骤11、将所得到的最优分割阈值应用到图像阈值分割中，得到分割后的图像。
mpwde算法应用于图像分割阈值优化之前，先将其用于优化测试集的30维和50维基准测试函数。与其他进化算法相比较，图2、图3可以看出本发明算法对于处理单峰函数，多峰函数以及偏移函数的效果最佳，能更快找到全局最优。本发明采用动态多种群差分进化算法(mpwde)，通过变异、交叉、选择操作来加大求解阈值步伐不仅可以取得正确的分割结果，而且分割速度更快。
本发明在步骤5中引入种群划分子种群的思维，通过每一次迭代中子种群的进化结果来分配下一代子种群，多个子种群方法更能保证种群进化过程的多样性，从而避免种群的单一性促使算法早熟陷入局部最优解，从而达不到分割效果。
在步骤6中，为克服标准de算法的不足，对某一子种群建立加权变异策略机制，分别为局部搜索变异和全局搜索变异相结合，以此来达到种群勘测最优阈值和加快收敛的平衡。
在步骤7中，针对标准de算法在交叉操作中，常量参数交叉概率因子cr做出抛物线式的动态递增调整，这种策略有针对性的改变交叉概率因子cr的值，减少了相对参数的线性改变或者固定参数带来的不足。
本发明通过智能优化计算和图像阈值分割方法有效结合，通过函数适应度值评估函数不断迭代进化，使种群阈值朝着最优阈值靠近。这种将两个领域结合的技术不仅体现智能优化计算在优化应用的重要性，也为图像处理领域提供一定的作用。
以上所述，仅是本发明较佳实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。