一种基于适度随机搜索行为的多阈值图像分割方法技术

本发明专利技术提出一种基于适度随机搜索行为的多阈值图像分割方法，包括如下步骤：建立多阈值分割的适应度函数并计算最佳分割阈值；根据最佳分割阈值，建立并初始化第一代粒子群；根据多阈值分割的适应度函数，计算每个粒子的适应度值，并计算每个粒子的个体最优位置以及所有粒子的全局最优位置；利用粒子群迭代公式更新所述每个粒子的速度和位置向量，更新每个粒子个体最优位置和所有粒子的全局最优位置；重复执行上述步骤直至满足粒子群迭代公式的迭代次数ｕ＝Ｕｍａｘ。本发明专利技术具有分割稳定性好、速度快，分割精度高的优点，大大提高了分割速度和精度，使得图像处理的后续工作成为可能。

【技术实现步骤摘要】

本专利技术涉及图像处理领域，特别涉及一种基于适度随机搜索行为的多阈值图像分 割方法。
技术介绍
阈值分割法作为一种基于区域的图像分割技术，其基本原理通过设定不同的特 征阈值，把图像象素点分为若干类。常用的特征包括直接来自原始图像的灰度或彩色特 征；由原始灰度或彩色值变换得到的特征。最大类间方差阈值分割法作为阈值分割算法中的一种。该方法由日本大律展之于 1980年提出，它利用图像的灰度值，通过计算目标与背景两大类间的最大方差而动态得到 图像分割的闭值，然后据此进行图像分割。最大类间方差阈值分割法选取出来的阈值比较 理想，对各种情况的表现都较为良好，是较为稳定的一种分割方法。最大类间方差阈值分割法的基本思路是将直方图在某一闭值处理分割成两组，计 算两组的方差信息，因方差是灰度分布均勻性的一种度量，方差值越大，说明构成图像的两 部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小， 因此使类间方差最大的分割意味着错分概率最小，此时的阈值即为最佳阈值。根据以上的 定义，最大类间方差法可以很简单的扩充到多阈值分割。但这种算法对于每一灰度值都要 反复计算其对应方差，计算量较大，例如对于灰度为256级的图像而言，设每计算一个方差 的时间为t，则总的方差运算时间为256*t。因此，按传统的方法计算最大类间方差已经限 制了这种算法的发展。现有的基于最大类间方差的阈值分割法，包括遗传算法、蚁群算法以及微粒群算 法和最大类间方差阈值分割法。将上述算法相结合，提出了基于群体智能算法的最大类间 方差阈值分割法，以加快最大类间方差方法求最优解的速度。上述算法各有优点，但也存在 不足之处。具体的说，遗传算法和蚁群算法都存在着收敛速度慢的缺点。而粒子群优化算 法虽然收敛快，但由于不是全局优化算法，因此容易陷入局部最优解。
技术实现思路
本专利技术的目的旨在至少解决上述技术缺陷之一，特别针对提高基于最大类间方差 的目标函数的多阈值求解速度，提高分割速度的效率，提出了一种基于适度随机搜索行为 的多阈值图像分割方法。为达到上述目的，本专利技术实施例提出了一种基于适度随机搜索行为的多阈值图像 分割方法，包括如下步骤Sl 建立多阈值分割的适应度函数并计算最佳分割阈值；S2 根据所述最佳分割阈值，建立并初始化第一代粒子群；S3:根据所述多阈值分割的适应度函数，计算每个粒子的适应度值，并计算每个粒 子的个体最优位置以及所有粒子的全局最优位置；4S4:利用粒子群迭代公式更新所述每个粒子的速度和位置向量，更新所述每个粒 子个体最优位置和所有粒子的全局最优位置；和S5 重复执行步骤S2至S4,直至满足所述粒子群迭代公式的迭代次数u = Umax，Umax 为所述粒子群迭代公式的最大迭代次数。本专利技术将基于适度随机搜索行为的粒子群算法运用于图像分割领域中的最大类 间方差阈值分割法，在取得良好的分割效果的同时，运用算法的并行机制显著的提高了分 割速度。本专利技术具有分割稳定性好、速度快，分割精度高的优点，解决了基于最大类间方差 的目标函数存在的高阈值分割效率低的缺点，大大提高了分割速度和精度，得图像处理的 后续工作成为可能。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变 得明显和容易理解，其中图1为根据本专利技术实施例的多阈值图像分割方法的流程框图；图2为根据本专利技术实施例的多阈值图像分割方法的流程图；图3和图4分别为参考图像LENNA和参考图像PEPPER ；图5和图6分别为参考图像LENNA的对应阈值为6和10的分割图像；和图7和图8分别为参考图像PEPPER对应阈值为6和10的分割图像。具体实施例方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本专利技术主要在于，将基于适度随机搜索行为的粒子群算法运用于图像分割领域中 的最大类间方差阈值分割法，提高多阈值图像分割的分割稳定性以及分割精度高，同时提 高分割速度。为实现上述目的，本专利技术提出了一种基于适度随机搜索行为的多阈值图像分割方 法。图1示出了杉树多阈值图像分割的流程框图。如图1所示，该方法包括以下步骤SlOl 建立多阈值分割的适应度函数并计算最佳分割阈值；首先，利用最大类间方差算法建立多阈值分割的适应度函数f (X)。然后，假设一幅 图像的灰度值为L，灰度值为i的像素数为h(i)，则图像总像素数为 各阈值的概率为=PRi = h⑴/N。设该图像被Η」，、，...，、^}个阈值分割为M-I个部分，其中，分割图像C1对应 阈值W，. . .，t—J，分割图像C2对应阈值,...,分割图像Cm对应阈值[t—η，...，L]。则OTSU方法(最大类间差法)选择的最佳阈值 ^η ^Ι需要满足以下公式 其中，σ2“、为图像灰度值的方差值， 由上可知，获取3^1110 ^4&_乂_2,. ，〔^1)1 ’必须对区间所有的灰度值进行方差计算，最后比较得到最大的方差。在0至L间改变对应的各个阈值，得到满足上式为最大值 的 It1, t 2，... , t ，即 Ζ2,···，0^1作为最佳阈值。S102 根据最佳分割阈值，建立并初始化第一代粒子群；在建立并初始化第一代粒子群之前，首先初始化用于图像分割部分的算法参数， 并根据给定阈值的上下限，建立第一代的粒子群。其中，在本实施例中，被分割图像为黑白 图像。由于针对的时黑白图像的分割，粒子群的上下界应该设置为W，255]。粒子群的位置向量表示为=Xi= (xn, xi2, . . . .，xin)T e Ω。其中，Xil，xi2,....， Xin分别为每个粒子的位置向量，Ω为位置空间。在本实施例中，粒子群的编码方式为十进制编码。结合图2所示，对上述已建立的粒子群进行初始化，包括初始化各个粒子的当前 最佳位置和所有粒子的全局最佳位置。具体的说，随机初始化M个粒子的初始位置X(O)，并初始化各个粒子的个体最优 位置为=Ppi(O) =Xi(O)；全局最优位置为=Pg(0) = min (X1 (0)，X2 (0)，· · ·，Xm (0)}。S103:根据多阈值分割的适应度函数，计算每个粒子的适应度值，并计算每个粒子 的个体最优位置以及所有粒子的全局最优位置；具体的说，根据步骤101中建立的多阈值分割适应度函数f (X)，计算每个粒子的 适应度值f (Xi (t+1))。根据上述每个粒子的适应度值f (Xi (t+1))，计算每个粒子的个体最优位置 Ppi (t+1)，和全局最优位置Pg (t+1)。其中，个体最优位置为 全局最优位置为Pg(t+l)= max (P1 (t+1)，P2 (t+1)，· · ·，PM(t+l)}，1 彡 pi 彡 Μ。S104:利用粒子群迭代公式更新每个粒子的速度和位置向量以及个体最优位置和 全局最优位置；建立粒子群迭代公式，粒子群按照下述公式移动位置xid (t+1) = Qd+ α * γ (mbesti本文档来自技高网...

【技术保护点】
一种基于适度随机搜索行为的多阈值图像分割方法，其特征在于，包括如下步骤：Ｓ１：建立多阈值分割的适应度函数并计算最佳分割阈值；Ｓ２：根据所述最佳分割阈值，建立并初始化第一代粒子群；Ｓ３：根据所述多阈值分割的适应度函数，计算每个粒子的适应度值，并计算每个粒子的个体最优位置以及所有粒子的全局最优位置；Ｓ４：利用粒子群迭代公式更新所述每个粒子的速度和位置向量，并更新所述每个粒子个体最优位置和所有粒子的全局最优位置；和Ｓ５：重复执行步骤Ｓ２至Ｓ４，直至满足所述粒子群迭代公式的迭代次数ｕ＝Ｕ↓［ｍａｘ］，Ｕ↓［ｍａｘ］为所述粒子群迭代公式的最大迭代次数。

【技术特征摘要】

【专利技术属性】
技术研发人员：戴琼海，高浩，
申请(专利权)人：清华大学，
类型：发明
国别省市：11[中国|北京]