U1为图像I的灰度均值，ki为修正系数。计算可得首次迭代结果为：Υ[1]= step(U[l]-E[l])。第二次迭代中根据第一次点火的结果设置
[0051] V0= [0. 5X μ 2+0. 5Χ (s2/y2)+k2] XL (9)
[0052] 其中，82和μ 2分别为B的标准差和均值，其比值为点集B的对比度。k2S-分段 函数，用于在适当情况下作为补偿值。当点集B的均值μ 2较高，且对比度S2相对过高时， 会使V0值过高，此时使1^ 2取负值，令V 0减小；当μ 2过低时，V 0值过低，此时使1^2取正值， 令V e升高，维持动态门限在合理水平。计算可得二次点火输出结果Y = step(U [2] -E [2])。 两次点火结果的叠加即为算法设计所需实现的三值化分割。
[0053] S130针对第一次PCNN三值化分割的输出图像，改进的细菌觅食算法搜索适应度 函数最大值及其对应的最优细菌个体。
[0054] 步骤130可进一步分为如下执行步骤：
[0055] S131初始化参数Nc (趋化行为循环次数），Ns (最大步数），Nre (复制行为循环次 数），Ned (驱散行为循环次数），p (搜索维度），S (菌群规模），Ped (驱散概率），C (i)(更 新步长），Θ 1(动态阈值），Jbest= J(i，j，k，1)(最佳的适应度函数值）；
[0056] S132驱散行为循环：1 = 1+1 ;
[0057] S133复制行为循环：k = k+Ι ;
[0058] S134趋向行为循环：j = j+1 ;
[0059] ①计算细菌i的适应度值J(i，j，k，I)，
[0060] ②令Jbast= J(i，j，k，I)，存储为细菌i目前最好的适应值。
[0061] ③生成一个随机向量Δ (i)，取值在[-1，1]之间。翻转运动公式为：
[0062] P(i，j+1，k，I) = P(i，j，k，1)+C(i) Δ ⑴ (10)
[0063] ④计算 J(i，j+1，k，I)，更新步长 C(i)，如果 J(i，j+1，k，I)大于 J(i，j，k，I)，且 没有达到预设最大前进步数Ns，则细菌按（11)式前进；否则转入步骤①
[0064] P(i，j+1，k，I) = P(i，j+1，k，1)+C(i) Δ ⑴ (11)
[0065] 在步骤S134更新步长时，为避免因步长设置过小造成算法收敛速度慢且容易陷 入局部极值点的问题；以及因步长设置过大造成算法收敛速度过快且容易跳过最优解的问 题，可设置一种随着细菌适应度值而改变的运动步长，即当适应度值小时步长变大，适应度 值大时步长变小。同时记录每一轮趋化行为中最佳的适应度函数值Jbest及其对应的细 菌，对该轮中正在执行趋化行为的细菌，用Jlast记录其当时的适应度函数值，其步长C(i) 的更新根据Jlast和Jbest的比值a (即修正系数）分三段式进行调整，公式如下：
[0067] 其中修正系数a定义为：
[0068] a = Jlast/Jbest (13)
[0069] 这里根据系数a的大小来设置游动步长。当某个细菌所处位置不佳，适应度函数 值较高，则a取值会非常大，那么不可能使该细菌的游动步长增加到很大，这里限制了最大 游动步长为基准步长的2倍，即当a大于2时，令其游动步长为基准步长的2倍；同理，当某 个细菌处于全局极值点附近时，可能游动一步之后适应度函数值会突降，那么a取值较小， 该细菌步长相应就会减小，但是如果太小则不利于该细菌搜索全局极值点，所以这里设置 了一个游动步长下限，即当a小于0. 5时，取其步长为基准步长的二分之一。这样，实现了 细菌步长的自适应调整，加快了算法的收敛速度。
[0070] S135若j〈Nc，返回S134进行趋向行为。
[0071] S136对给定的k，1以及每个i = 1，2，…，S，将菌群各个细菌适应度值按从大到 小顺序排列，保留前S/2个细菌进行复制。
[0072] S137 若 k〈Nre，返回 S133。
[0073] S138将每个细菌按概率Ped重新分配到整个寻优空间。若l〈Ned，则返回S132,否 则算法结束。
[0074] 改进后的细菌觅食算法的整体流程图如图4所示。
[0075] S140将最优细菌个体解析后再次带入步骤2中的PCNN三值化分割算法，输出分割 图像如图5 (a)、图5 (b)、图5 (c)所示。
[0076] 将本申请实施例文本图像分割结果与改进的Niblack方法的分割结果图6 (a)、图 6 (b)、图6 (c)进行对比。图6 (a)中改进的Niblack方法对字符大小敏感，对尺寸较大的字 符会出现过分割，且容易引入大量噪声；图5(a)中本发明方法对大小文本均能够很好的分 害J。图6(b)中的文本在图像分割处理后文本附近背景存在大量干扰；图5(b)中的文本从 背景中较好的分割出来，均处于白色层中。图6(c)中文字与部分背景均处于白色层，文字 与背景严重粘连；图5 (c)图中文字处于白色层，背景处于黑色和灰色层，分割效果理想。本 发明方法较好地处理了低对比度情况，对大小不同的字符均有效分割。
[0077] 综上，本实施例的方法分割性能优于传统算法，能够满足当前的应用需求。
[0078] 本领域技术人员可以理解，在本申请【具体实施方式】的上述方法中，各步骤的序号 大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应 对本申请【具体实施方式】的实施过程构成任何限定。
[0079] 本领域技术人员可以理解，在本申请【具体实施方式】的上述方法中，各步骤的序号 大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应 对本申请【具体实施方式】的实施过程构成任何限定。
[0080] 最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法 进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所 有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
【主权项】
1. 一种基于细菌觅食优化算法的PCNN文本图像分割方法，其特征在于： (1) 读入图像，参数初始化； (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 和驱散三种行为，记录适应度函数最大值以及对应的最优细菌个体； (3) 采用细菌觅食优化算法搜索最优参数； (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。
【专利摘要】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。本发明包括：读入图像，参数初始化；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、复制和驱散三种行为，记录适应度函数最大值以及对应的最优细菌个体；采用细菌觅食优化算法搜索最优参数；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。本发明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。
【IPC分类】G06T7/00, G06N3/02
【公开号】CN104915960
【申请号】CN201510306226
【发明人】万建, 国强, 戚连刚, 张鹏
【申请人】哈尔滨工程大学
【公开日】2015年9月16日
【申请日】2015年6月8日