一种基于定制化并行正余弦算法的遥感图像分割方法

本发明涉及一种计算机底层群优化的遥感图像分割方法，具体涉及到一种基于田口方法定制化并行正余弦函数优化算法优化的遥感图像分割方法，应用于计算机视觉领域。

背景技术：

0、技术背景

1、勘探检测是关乎国家发展的重要技术之一，随着科学技术的不断进步，遥感技术在近几年也随之迅速发展。随着遥感技术的不断发展，遥感技术的应用也越来越广泛，例如监测农林业、国土资源勘探、气象预测以及实时获取地震灾情信息等领域，遥感技术在全球范围内广泛应用，这也导致遥感图像数量呈指数性大量增长，由于技术以及图像时效性等方面的原因，大量的遥感图像没有被及时的分析利用便被舍弃。近几年，随着图像处理技术的日臻完善，优化改良后的遥感图像处理技术具有更高的分析准确率和更少的处理用时，对海量的遥感图像分析利用有突出意义。

2、遥感图像分割技术便是将遥感图像中不同的对象分割出。由于遥感技术的进步，遥感图像的精度以及图像的空间分辨率越来越高，使得遥感图像内容中可能包含不同种类且数量不同的观测对象，这给遥感图像的分割带来了极大的困难。并且在分割彩色遥感图像时，由于色彩遥感图像中存在丰富的色彩空间，这使得遥感图像分割的难度大大提升。如何提升遥感图像的分割效果是目前重点研究问题。优化是研究如何在现有的技术基础上改善图像分割效果。通过优化，我们可以得到分割模型最优参数，从而在一系列可用的解决方案中找到最佳解决方案。本方法旨提供了一种基于定制化并行正余弦算法的遥感图像分割方法，大幅提升了遥感图像的精度。

技术实现思路

1、本发明为解决上述问题而采用的技术方案是研发一种基于定制化并行正余弦算法的遥感图像分割方法，本发明对与现在的技术取得了以下效益：提出了一种基于田口方法定制化并行正余弦函数算法用于优化络遥感图像分割的方法。改方法优化了更加准确的遥感图像分割模型的参数，能够满足更短的图像分割用时以及更高的图像分割准确率。

2、通过并行结构的设计以及田口方法对并行方案进行实时定制，有效的解决了正余弦函数算法在解决复杂问题时易陷入局部最优和过早收敛的问题。本发明通过优化脉冲耦合神经网络的链接系数、阈值衰减系数以及阈值放大数三个参数，通过仿真实验证明，该算法可有作为底层优化算法优化遥感图像分割模型。

3、具体技术方案为：

4、1.遥感图像分割模型

5、遥感图像分割模型采用脉冲耦合神经网络结构，此处不再赘述。

6、优化问题描述

7、2.1目标函数

8、脉冲耦合神经网络在实际分割，分割效果十分受参数选择的影响，本发明将脉冲耦合神经网络的链接系数、阈值衰减系数以及阈值放大数三个参数视为优化问题，使用优化算法进行求解。

9、为有效地对pcnn进行优化，本文使用准确率(acc)作为目标函数，acc越趋于100％，表明分割效果越好，目标函数为：

10、

11、2.3正余弦函数算法(sca)及改进策略

12、2.3.1正余弦函数算法

13、正弦余弦算法(sca)结构简单、参数较少且易于实现，它的搜索过程主要受正弦和余弦函数的影响。首先，在搜索空间初始化一组粒子。每个粒子代表参数优化问题的潜在最优解。算法要求它们使用基于正弦和余弦函数的数学模型向外波动或朝最佳解决方案波动。正余弦优化算法的寻优过程可分为探索和开发两个阶段，在这项工作中，两个阶段都提出了以下位置更新方程：

14、

15、其中x是种群，t当前迭代次数，x1/r2/r3是的随机数,p是粒子在第i维上的位置，|·|是绝对值，r4是[0,1]的随机数，此外，r1还有将方程扩展到更高维度，提供更大的搜索空间，当r1>1时使用更大的搜索空间；当r1≤1时使用较小的搜索空间，r1根据如下公式进行更新：

16、

17、其中a是常数，t是最大迭代次数，t是当前迭代。

18、2.3.2正余弦函数算法改进策略

19、基于田口方法定制化并行方案

20、由于正余弦函数算法寻优路径相对简单，容易损失种群多样性，常出现陷入局部、收敛精度过低的问题。为了增加算法在迭代中的多样性，且最大化利用最优粒子效果，本发现使用并行策略用于改进改算法。并且由于元启发式算法受参数影响较大，而处理不同问题时算法的最优参数同样不同。为了解决这一缺陷，本发明引入田口方法，对算法的并行方案进行最优参数选择，达到减少获取最优参数的实验次数、减小计算成本的目的。田口正交分析响应比公式为：

21、

22、考虑到在计算不同的目标函数时，不同的目标函数兼影响因素同样具有差异，并且一种方法不可能解决所有问题，因此发明提出三种并行策略对算法进行优化。

23、(1)策略1：种群被分成g子群，每个子群中含有i个粒子，既g组第i个粒子为之后对每个种群独立计算，并在若干次迭代后进行通信获得最优值。利用当前一代的全局最优值去代替每一组的最劣值以求最优粒子可以在每一代中都发挥引领作用，提升算法的收敛速率。

24、(2)策略2：在解决困难或复杂问题时，算法难免会陷入局部最优，对于我们提出的并行策略而言，如果陷入局部最优则最优值替换策略将很难从局部最优中跳出，本发明提出使用每组最优的平均值去替换最劣值，使得粒子可以有足够的时间在解空间中寻找目标值的能力，达到跳出局部最优的目的。

25、(3)策略3：为了兼顾两种策略的优势并用于解决混合复杂问题，本发明将两种策略在交流的过程中进行混合，提出第三种并行策略，拟在提升算法速率的同时有效跳出局部最优。

26、2.3.3基于田口方法定制化并行正余弦函数算法求解的具体步骤为：

27、(1)初始化参数，初始化种群数量n，种群分组数g。

28、(2)使用田口方法对种群数量n种群分组数g，迭代次数miter，交流频率λ以及策略s进行实时配置。

29、(3)使用评估函数计算种群适应度。

30、(4)根据田口方法的选择并行方法，进行迭代求解，并记录当前最优解以及相应适应度值。

31、(5)继续迭代或得到全局最优值算法结束

32、虽然pcnn在图像分割中得到了广泛的使用，但pcnn模型参数的设置对于图像分割的效果有着十分大的影响。为了避免由于参数值设置不当导致图像欠分割或过度分割问题，本文引入tpsca算法对pcnn的链接系数、阈值衰减系数以及阈值放大数三个重要参数进行优化，以获取最优参数或者接近最优的参数，具体步骤为：

33、(1)初始化参数，初始化种群数量n，种群分组数g，初始化链接系数、阈值衰减系数以及阈值放大数。

34、(2)传入图像，使用灰度和线性变换对待分割图像进行预处理。

35、(3)使用田口方法对种群数量n种群分组数g，迭代次数miter，交流频率λ以及策略s进行实时配置。

36、(4)根据田口方法的选择并行方法，进行迭代求解，并记录当前最优解以及相应适应度值。

37、(5)使用acc＝(tp+tn)/(fn+fp+tp+tn)评估函数计算种群适应度，更新获得最佳的pcnn链接系数、阈值衰减系数以及阈值放大数。

38、(6)迭代结束将获得的最佳pcnn链接系数、阈值衰减系数以及阈值放大数传入pcnn，并对预处理的图像进行分割。