應(yīng)用適應(yīng)性高斯人工蜂群算法的多閾值圖像分割方法與流程

文檔序號：12127606閱讀：1120來源：國知局

本發(fā)明涉及數(shù)字圖像分割技術(shù)領(lǐng)域，尤其是涉及一種應(yīng)用適應(yīng)性高斯人工蜂群算法的多閾值圖像分割方法。

背景技術(shù)：

多閾值圖像分割是圖像處理技術(shù)中一種最常用和最廣泛的圖像分割方法，它在許多實際圖像工程問題中取得了令人滿意的應(yīng)用。多閾值圖像分割的思想簡單，容易實現(xiàn)，并且常常能夠達到很好的工程實踐效果。多閾值圖像分割的基本思想就是根據(jù)設(shè)定的優(yōu)化目標函數(shù)，求解出一組圖像分割閾值，然后利用求得的分割閾值對圖像的像素進行劃分類別，從而實現(xiàn)對圖像的分割。多閾值圖像分割的核心問題就是針對一幅給定的數(shù)字圖像，如何快速有效地求解出一組圖像分割閾值。

起初，人們常常采用直接枚舉的方法來搜索圖像分割的閾值。直接枚舉法是一種確定性的算法，在分割閾值數(shù)量較少的情況下，一般可以有效地求解出全局最優(yōu)解，但是它最大的缺點就是搜索耗時較多，實時性不強，尤其是在分割閾值數(shù)量比較多的情況，直接枚舉法往往無法在滿足工程實踐要求的時間內(nèi)求解到圖像分割閾值。針對這個問題，人們嘗試利用智能優(yōu)化算法來求解圖像分割閾值。例如，戴瓊海和高浩發(fā)明了一種基于適度隨機搜索行為的多閾值圖像分割方法(專利號:201010227364.5)；劉逸等發(fā)明了一種結(jié)合多閾值分割與模糊聚類的SAR圖像變化檢測方法(專利號:201210596406.1)；楊震倫等提出了一種基于改進量子粒子群優(yōu)化的多閾值圖像分割方法(楊震倫，閔華清，羅榮華.基于改進量子粒子群優(yōu)化的多閾值圖像分割算法[J].華南理工大學學報(自然科學版),2015,43(5):126-131+138.)。

人工蜂群算法是近年提出的一種模擬蜜蜂采蜜行為的智能優(yōu)化算法，它在求解許多優(yōu)化問題中表現(xiàn)出了優(yōu)越的性能。因此，人們將人工蜂群算法應(yīng)用于多閾值圖像分割中，但在工程實踐結(jié)果表明傳統(tǒng)人工蜂群算法在求解圖像分割閾值時存在著容易陷入局部最優(yōu)，收斂速度慢的缺點。

技術(shù)實現(xiàn)要素：

本發(fā)明針對傳統(tǒng)人工蜂群算法應(yīng)用在多閾值圖像分割時存在著容易陷入局部最優(yōu)，收斂速度慢的缺點，提出一種應(yīng)用適應(yīng)性高斯人工蜂群算法的多閾值圖像分割方法。本發(fā)明能夠提高圖像分割的精度，提高圖像分割的實時性。

本發(fā)明的技術(shù)方案：一種應(yīng)用適應(yīng)性高斯人工蜂群算法的多閾值圖像分割方法，包括以下步驟：

步驟1，用戶初始化參數(shù)，所述初始化參數(shù)包括圖像分割閾值數(shù)量D，種群大小Popsize，最大未改善次數(shù)Limit，最大評價次數(shù)MAX_FEs；

步驟2，令當前演化代數(shù)t＝0，并令當前評價次數(shù)FEs＝0；

步驟3，隨機產(chǎn)生初始種群其中：個體下標i＝1,2,...,Popsize，并且種群P_t中的第i個個體為其隨機產(chǎn)生方式為：

其中維數(shù)下標j＝1,2,...,D；存儲了分割圖像的D個閾值，rand(0,1)是在[0,1]之間產(chǎn)生隨機實數(shù)的函數(shù)；

步驟4，計算種群P_t中每個個體的適應(yīng)值其中個體下標i＝1,2,...,Popsize；

步驟5，令種群P_t中每個個體的未改善次數(shù)其中個體下標i＝1,2,...,Popsize；

步驟6，令當前評價次數(shù)FEs＝FEs+Popsize；

步驟7，設(shè)置歷史均值列表HUL的大小為Popsize，并令HUL_k＝0.5，其中歷史均值下標k＝1,2,...,Popsize；

步驟8，保存種群P_t中的最優(yōu)個體Best^t；

步驟9，雇傭蜂執(zhí)行基于適應(yīng)性縮放系數(shù)的搜索操作，具體步驟如下：

步驟9.1，令均值因子

步驟9.2，令計數(shù)器im＝1，并令縮放因子列表GRFList為空；

步驟9.3，令新個體

步驟9.4，以FU為均值，0.1為標準差產(chǎn)生一個高斯隨機實數(shù)GRF，然后令縮放系數(shù)RRF＝GRF×2-1；

步驟9.5，在[1，D]之間產(chǎn)生一個隨機正整數(shù)RJ；

步驟9.6，在[1,Popsize]之間產(chǎn)生兩個不相同的隨機正整數(shù)RS1和RS2；

步驟9.7，令

步驟9.8，計算新個體EMU^t的適應(yīng)值Fit(EMU^t)；

步驟9.9，如果新個體EMU^t比個體更優(yōu)，則將GRF添加到縮放因子列表GRFList中，否則令GRF＝0.5；

步驟9.10，在個體與新個體EMU^t之間執(zhí)行選擇算子，然后計算個體的未改善次數(shù)

步驟9.11，令計數(shù)器im＝im+1；

步驟9.12，如果計數(shù)器im小于或等于Popsize，則轉(zhuǎn)到步驟9.3，否則轉(zhuǎn)到步驟9.13；

步驟9.13，計算縮放因子列表GFList中數(shù)據(jù)的平均值MeanGF；

步驟9.14，將MeanGF添加到HUL的末尾，然后刪除HUL中的第一個數(shù)據(jù)；

步驟9.15，轉(zhuǎn)到步驟10；

步驟10，根據(jù)種群P_t中個體的適應(yīng)值計算所有個體的選擇概率；

步驟11，觀察蜂根據(jù)種群P_t中每個個體的選擇概率選擇出個體執(zhí)行精英高斯變異算子生成新個體，然后執(zhí)行選擇操作并計算個體的未改善次數(shù)，具體步驟如下：

步驟11.1，令計數(shù)器ik＝1；

步驟11.2，根據(jù)種群P_t中每個個體的選擇概率采用輪盤賭策略選擇出個體并令新個體

步驟11.3，令精英個體數(shù)量EIN＝max(2,Popsize×re)，實數(shù)re為[0.05,0.2]之間隨機產(chǎn)生的一個實數(shù)，其中max為取最大值函數(shù)；

步驟11.4，采用二元錦標賽選擇方法從種群P_t中選擇出EIN個精英個體；

步驟11.5，計算EIN個精英個體的平均值MeanEI；

步驟11.6，在[1,D]之間產(chǎn)生一個隨機正整數(shù)RJ1；

步驟11.7，在[0,1]之間產(chǎn)生一個隨機實數(shù)REW；

步驟11.8，令均值

步驟11.9，令標準差其中abs表示取絕對值的函數(shù)；

步驟11.10，以GLMean為均值，GLSD為標準差產(chǎn)生一個高斯隨機實數(shù)GLTV；

步驟11.11，令

步驟11.12，計算新個體OLU^t的適應(yīng)值Fit(OLU^t)；

步驟11.13，在個體與新個體OLU^t之間執(zhí)行選擇操作，然后計算個體的未改善次數(shù)

步驟11.14，令計數(shù)器ik＝ik+1；

步驟11.15，如果計數(shù)器ik小于或等于Popsize，則轉(zhuǎn)到步驟11.2，否則轉(zhuǎn)到步驟12；

步驟12，令當前評價次數(shù)FEs＝FEs+Popsize×2；

步驟13，執(zhí)行偵察蜂的搜索操作算子；

步驟14，保存種群P_t中最優(yōu)個體Best^t；

步驟15，令當前演化代數(shù)t＝t+1；

步驟16，重復步驟9至步驟15直至當前評價次數(shù)FEs達到MAX_FEs后結(jié)束，執(zhí)行過程中得到的最優(yōu)個體Best^t即為圖像分割的D個閾值，然后利用得到的D個閾值對圖像進行分割。

本發(fā)明利用適應(yīng)性高斯人工蜂群算法優(yōu)化多閾值圖像分割的閾值。在適應(yīng)性高斯人工蜂群算法的雇傭蜂搜索操作中，利用時間加權(quán)的歷史縮放因子均值適應(yīng)性地產(chǎn)生當前代的縮放因子，提高算法的搜索效率；此外，在觀察蜂搜索過程中將最優(yōu)個體與精英個體的信息融合到高斯變異策略中，從而實現(xiàn)局部搜索能力與種群多樣性之間的平衡。本發(fā)明能夠提高圖像分割的精度，提高圖像分割的實時性。

附圖說明

圖1為實施例中用于分割的圖像。

圖2為應(yīng)用本發(fā)明分割圖像的結(jié)果。

具體實施方式

下面通過實施例，并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進一步具體的說明。

實施例：

本實施例基于圖1所示的圖像進行多閾值分割，本發(fā)明的具體實施步驟如下:

步驟1，用戶初始化參數(shù)，所述初始化參數(shù)包括圖像分割閾值數(shù)量D＝3，種群大小Popsize＝20，最大未改善次數(shù)Limit＝100，最大評價次數(shù)MAX_FEs＝1200；