專利名稱：基于協(xié)作量子粒子群算法的多閾值圖像分割方法
技術領域：
本發(fā)明屬于圖像處理領域，特別涉及一種基于協(xié)作量子粒子群算法的多閾值圖像分割方法。
背景技術：
閾值分割法作為一種基于區(qū)域的圖像分割技術，其基本原理是通過設定不同的特征閾值，把圖像像素點分為若干類。常用的特征包括直接來自原始圖像的灰度或彩色特征；由原始灰度或彩色值變換得到的特征。最大類間方差閾值分割法作為閾值分割算法中的一種，它的基本思路是將直方圖在某一閉值處理分割成兩組，計算兩組的方差信息，因方差是灰度分布均勻性的一種度量， 方差值越大，說明構成圖像的兩部分差別越大，當部分目標錯分為背景或部分背景錯分為目標都會導致兩部分差別變小，因此使類間方差最大的分割意味著錯分概率最小，此時的閾值即為最佳閾值。根據(jù)以上的定義，最大類間方差法可以很簡單地擴充到多閾值分割，但這種算法對于每一灰度值都要反復計算其對應方差，計算量較大，例如對于灰度為256級的圖像而言，為了獲得閾值，設每計算一個方差的時間為t,則總的方差運算時間為256*t。因此，按傳統(tǒng)的方法計算最大類間方差已經(jīng)限制了這種算法的發(fā)展。現(xiàn)有的基于最大類間方差的閾值分割法，包括遺傳算法(GA)、蟻群算法以及微粒群算法和最大類間方差閾值分割法，將上述算法相結合，提出了基于群體智能算法的最大類間方差閾值分割法，以加快最大類間方差方法求最優(yōu)解的速度。上述算法各有優(yōu)點，但也存在不足之處。具體地說，以上這些算法都沒有考慮克服遺傳算法、蟻群算法以及微粒群算法本身的局限，如遺傳算法、蟻群算法收斂速度低；粒子群算法(PSO)雖然收斂速度快，但有著易于陷入局部最小的缺點；基于量子粒子群算法(QPSO)雖然全局搜索能力強，但仍然有著維數(shù)束縛的問題。考慮PSO和QPSO的運行過程可以看出，算法在每一步更新解向量時，所有維向量被同時更新，這就可能出現(xiàn)向量中的某些部分更接近真實解，但是同樣可能的是，其余部分解有可能遠離了真實解。而QPSO以及PSO算法只是考慮一種全局上的變化，忽略了局部維上解出現(xiàn)倒退的情況，因此有著受維數(shù)束縛的缺陷。

發(fā)明內(nèi)容
本發(fā)明的目的，在于提供一種基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其可提高基于最大類間方差的目標函數(shù)的多閾值求解速度，提高分割速度的效率。為了達成上述目的，本發(fā)明的解決方案是—種基于協(xié)作量子粒子群算法的多閾值圖像分割方法，包括如下步驟(I)根據(jù)最佳分割閾值，建立并初始化第一代粒子群；(2)根據(jù)多閾值分割的適應度函數(shù)，計算每個粒子的適應度值，并計算每個粒子的個體最優(yōu)位置以及所有粒子的全局最優(yōu)位置；(3)利用協(xié)作量子粒子群迭代公式更新所述每個粒子的位置向量，以及所述每個粒子的個體最優(yōu)位置和所有粒子的全局最優(yōu)位置；(4)重復執(zhí)行步驟(2)至(3)，直至滿足所述粒子群迭代公式的迭代次數(shù)u=Umax，Umax為所述粒子群迭代公式的最大迭代次數(shù)。上述步驟(I)中，最佳分割閾值的計算方法是設圖像被{t」，t 2，個閾值分割為(M-I)個部分，則最佳分割閾值IV1,t%,需滿足如下條件
權利要求
1.一種基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其特征在于包括如下步驟 (1)根據(jù)最佳分割閾值，建立并初始化第一代粒子群； (2)根據(jù)多閾值分割的適應度函數(shù)，計算每個粒子的適應度值，并計算每個粒子的個體最優(yōu)位置以及所有粒子的全局最優(yōu)位置； (3)利用協(xié)作量子粒子群迭代公式更新所述每個粒子的位置向量，以及所述每個粒子的個體最優(yōu)位置和所有粒子的全局最優(yōu)位置； (4)重復執(zhí)行步驟(2)至(3)，直至滿足所述粒子群迭代公式的迭代次數(shù)u=Umax，Ufflax為所述粒子群迭代公式的最大迭代次數(shù)。
2.如權利要求I所述的基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其特征在于所述步驟(I)中，最佳分割閾值的計算方法是設圖像被It1, t 2，. . . ,tj-J個閾值分割為(M-I)個部分，則最佳分割閾值IV1, t%,需滿足如下條件
3.如權利要求I所述的基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其特征在于所述步驟(I)中，在建立并初始化第一代粒子群之前，首先初始化用于圖像分割部分的各個參數(shù)。
4.如權利要求3所述的基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其特征在于所述步驟(I)中，建立并初始化第一代粒子群的內(nèi)容是隨機初始化O個粒子的初始位置，設第i個粒子的初始化位置是Xi(O),并初始化各個粒子的個體最優(yōu)位置為Pi (O) =Xi (O);全局最優(yōu)位置為=Pg (O) =min (X1 (O)，X2 (O)，· · ·，X0 (O)}。
5.如權利要求4所述的基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其特征在于所述第一代粒子群的編碼方式為整數(shù)十進制編碼。
6.如權利要求4所述的基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其特征在于所述圖像分割的對象是黑白圖像時，粒子群的上下界設置為
。
7.如權利要求I所述的基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其特征在于所述步驟(2)的計算方法是根據(jù)每個粒子多閾值分割的適應度函數(shù)f (X)的適應度值f(xi(t+1))，計算每個粒子的個體最優(yōu)位置Pi(t+1)和全局最優(yōu)位置Pg(t+1)
8.如權利要求I所述的基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其特征在于所述步驟(3)的內(nèi)容是計算
9.如權利要求I所述的基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其特征在于所述步驟(3)的內(nèi)容還包括使用協(xié)作方法更新粒子群個體和全局最優(yōu)位置 b = Pg ；if f (b (j, Xij)) <f (b (j, Pij))Pij = Xij ； if f (b (j, Xij)) <f (pg) pgJ = Xij. 其中，b(j, Xij)表示使用Xij代替b中的第j列位置，b(j, Xij)表示使用Pu代替b中的第j列位置；根據(jù)所述更新后的每個粒子的位置向量X(t+1)，更新每個粒子的個體最優(yōu)位置和全局最優(yōu)位置。
10.如權利要求8所述的基于協(xié)作量子粒子群算法的多閾值圖像分割方法，其特征在于所述粒子群的位置向量表示為Xi=(Xn，Xi2，——，xi(M-i))T e Ω ,其中，Xil, xi2,——,Xiftl-D分別為每個粒子的位置向量，Ω為位置空間。
全文摘要
本發(fā)明公開一種基于協(xié)作量子粒子群算法的多閾值圖像分割方法，包括如下步驟(1)根據(jù)最佳分割閾值，建立并初始化第一代粒子群；(2)根據(jù)多閾值分割的適應度函數(shù)，計算每個粒子的適應度值，并計算每個粒子的個體最優(yōu)位置以及所有粒子的全局最優(yōu)位置；(3)利用協(xié)作量子粒子群迭代公式更新所述每個粒子的位置向量，以及所述每個粒子的個體最優(yōu)位置和所有粒子的全局最優(yōu)位置；(4)重復執(zhí)行步驟(2)至(3)，直至滿足所述粒子群迭代公式的迭代次數(shù)。此種圖像分割方法可提高基于最大類間方差的目標函數(shù)的多閾值求解速度，提高分割速度的效率。
文檔編號G06T7/00GK102903113SQ20121037803
公開日2013年1月30日 申請日期2012年10月8日 優(yōu)先權日2012年10月8日
發(fā)明者高 浩, 臧衛(wèi)芹, 楊吉江, 吳冬梅 申請人:南京郵電大學