一种基于细菌觅食优化算法的pcnn文本图像分割方法
【技术领域】
[0001] 本发明属于图像处理领域，具体涉及一种基于细菌觅食优化算法的PCNN文本图 像分割方法。
【背景技术】
[0002] 文本图像的分析是模式识别与图像处理中一个重要领域，文本图像分割可以使得 文本图像中的文本信息更加清晰、优质的显示，既便于后续文本资料图像分析工作的进行， 也便于文本使用。因此，文本图像分割对文本图像的应用有着重要的意义。但是文本通常嵌 在复杂的背景当中，文本的语言、字体、颜色也表现多样化，给文本图像的分割提取带来较 大困难。虽然，学者们相继提出了阈值方法、基于边缘的方法、基于区域的方法和混合的边 缘/区域方法等图像分割方法。这些方法的智能化程度较低、计算量大、耗时长。近年来， PCNN(脉冲耦合神经网络）以其更接近生物视觉机制的优越性被广泛应用于图像处理等方 面。但PCNN对不同的图像进行分割时需要多次试验人工调整网络参数以得到令人满意的 结果，这大大限制了 PCNN的应用。
【发明内容】
[0003] 本发明的目的在于提出一种结合细菌觅食优化算法的全局搜索能力的基于细菌 觅食优化算法的PCNN文本图像分割方法。
[0004] 本发明的目的是这样实现的：
[0005] (1)读入图像，参数初始化；
[0006] (2)利用PCNN模型对输入图像进行处理；将细菌个体带入到基于PCNN的三值化 分割方法，确定输出图像计算对应的适应度函数值；进入改进的细菌觅食算法，执行趋向、 复制和驱散二种行为，记录适应度函数最大值以及对应的最优细菌个体；
[0007] (3)采用细菌觅食优化算法搜索最优参数；
[0008] (4)将最优细菌个体解析后再次带入PCNN三值化分割算法，输出分割图像。
[0009] 本发明的有益效果在于：
[0010] 本发明所提方法利用细菌觅食优化算法在解空间中搜索PCNN迭代过程中参数的 最优值，实现PCNN迭代参数自动确定，避免人工确定参数的盲目性，且能够获得优于对比 方法的分割效果。
【附图说明】
[0011] 图1是一种基于细菌觅食优化算法的PCNN文本图像分割方法流程图；
[0012] 图2a字符尺寸差距较大的原始图片；
[0013] 图2b图形背景对文本有干扰的原始图片；
[0014] 图2c是图形背景与文本有粘连的原始图片；
[0015] 图3是PCNN神经元结构示意图；
[0016] 图4是改进的细菌觅食算法整体流程图；
[0017] 图5a字符尺寸差距较大图片的本发明方法的分割效果；
[0018] 图5b图形背景对文本有干扰图片的本发明方法的分割效果；
[0019] 图5c是图形背景与文本有粘连图片的本发明方法的分割效果；
[0020] 图6a字符尺寸差距较大图片的改进的Niblack方法分割效果；
[0021] 图6b图形背景对文本有干扰图片的改进的Niblack方法分割效果；
[0022] 图6c是图形背景与文本有粘连图片的改进的Niblack方法分割效果。
【具体实施方式】
[0023] 下面结合附图和实施例对本发明所提方法进行进一步详细说明。以下实施例用于 说明本申请，但不用来限制本申请的范围。
[0024] 本申请发明方法利用细菌觅食优化算法在解空间中搜索PCNN迭代过程中参数的 最优值，避免人工确定参数的盲目性，实现PCNN迭代参数自动确定，最终将最优细菌个体 解析后带入PCNN三值化分割算法，输出分割文本图像，较好的解决了目前PCNN应用于文本 图像分割时模型参数难以合理确定的问题。所述方法包括：
[0025] (I. 1)读入图像，参数初始化；
[0026] (1. 2)利用PCNN模型对输入图像进行处理；将细菌个体带入到基于PCNN的三值 化分割方法，确定输出图像计算对应的适应度函数值；
[0027] (1. 3)采用细菌觅食优化算法搜索最优参数；
[0028] (1. 4)将最优细菌个体解析后再次带入PCNN三值化分割算法，输出分割图像。
[0029] 本发明的核心技术内容在于将细菌觅食优化算法引入到PCNN分割文本图像工作 中，提出一种基于细菌觅食优化算法的PCNN文本图像分割方法。
[0030] 本发明包括的将细菌个体带入到基于PCNN的三值化分割方法，确定输出图像计 算对应的适应度函数值，其主要内容为：最大类间方差函数作为细菌觅食算法的适应度函 数。
[0031] 本发明包括的采用细菌觅食优化算法搜索最优参数，其主要内容为：进入改进的 细菌觅食算法，执行趋向、复制和驱散二种行为，记录适应度函数最大值以及对应的最优细 菌个体。
[0032] 本发明包括的采用将最优细菌个体解析后再次带入PCNN三值化分割算法，输出 分割图像，其主要内容为：最终将最优细菌个体带入PCNN三值化分割算法对图像进行处 理，从而完成文本图像的分割。
[0033] 本申请实施例将细菌觅食优化算法引入PCNN文本图像分割中，既将改进细菌觅 食优化算法应用于PCNN模型，该模型省去人工实验设定参数过程，以最大类间方差函数作 为细菌觅食算法的适应度函数，采用细菌觅食优化算法搜索最优参数用于PCNN文本图像 分割。
[0034] 图1是依照本申请实施例的基于细菌觅食优化算法的PCNN文本图像分割方法的 流程图。为更加清晰的说明所申请方法，本申请实施例选取图2 (a)、图2 (b)、图2 (c)三张 图片进行流程说明，但不限制本申请实施例的范围。本申请实施例方法包括：
[0035] SllO首先读入图像，初始化设置改进PCNN模型的相关参数：设置细菌觅食优化算 法搜索维度P为4维，菌群规模S = 26,趋化行为循环次数Ne = 30,复制行为循环次数Nre =2,驱散行为循环次数Ned = 2,驱散概率Ped = 0. 2,趋化行为中单向运动的最大步数Ns =4 ;初始化设置改进细菌觅食优化算法的相关参数，设置连接系数β的适应系数范围为 X e [0. 2,0. 8]，衰减系数°^的适应系数范围为y e [0. 4,1]，第一次迭代和第二次迭代V0 中的修正系数kdP k 2的搜索范围为k p k2e [0, 1]。
[0036] S120利用PCNN模型对输入图像进行处理。简化的PCNN神经元结构由接收域、调 制部分和脉冲发生器三部分组成，图3是一个PCNN神经元的结构示意图。
[0037] 式（1)~式（5)是由经典PCNN神经元模型改进得到的数学方程描述：
[0043] 其中FijQi]是第（i, j)神经元的η次反馈输入，Iij为图像在坐标（i, j)处的灰度 值，(η)是连接项，W是连接权矩阵，Uu(Ii)是内部活动项，θυ(η)为动态阈值，V 0是幅度 常数，Υυ(η)是PCNN脉冲输出值，此外β ij为连接系数
[0044] β ij= l-xl ij (6)
[0045] 式中x为适应系数，该式表明对外部激励较高的神经元给予较低的邻域连接强 度，而对于对外部激励较低的神经元给予较高的邻域连接强度；为衰减系数：
(7)
[0047] PCNN模型用于图像分割时，二维图像的每一个像素的灰度值对应为每个神经元 的输入。其中某一个像素激发产生的脉冲输出，会引起附近其他类似灰度像素对应神经元 的激发，产生脉动输出序列Y[n]。显然序列Y[n]包含有图像区域、边缘、纹理特征等信息。
[0048] 利用上述PCNN模型进行两次迭代实现二值分割。初始化参数令L [0] = U [0]=
,在第一次迭代中取
[0049] V0 = 2 μ ^k1 (8)
[0050] 其中