一种基于蝙蝠优化模糊聚类的图像分割方法技术

本发明专利技术提出了一种基于蝙蝠优化模糊聚类的图像分割的处理方法，蝙蝠算法作为一种性能优良的演化算法，可以很好地解决传统的FCM聚类分割方法过于依赖初始聚类中心的缺点，并在很大程度上提高其收敛到全局最优解的概率；蝙蝠算法可以直接采用十进制进行编码，相对于大部分演化算法采用二进制编码而言，计算过程更为方便，能在很大程度上提高聚类分割的效率。

【技术实现步骤摘要】
一种基于蝙蝠优化模糊聚类的图像分割方法
本专利技术涉及图像处理
，尤其涉及一种基于蝙蝠优化模糊聚类的图像分割的处理方法。
技术介绍
公知，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。图像分割的任务是将输入图像分割为一些独立的区域，使同一区域具有相同的属性，而使不同的区域具有不同的属性。对于图像分割问题，已经出现了大量的方法，但鉴于图像种类繁多、所包含的数据量大、细节变化多端的特点，迄今为止还没有一种图像分割方法适合于所有的情况。聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。它是一种无监督学习方法，它不需要先验的分类知识就能发现数据下的隐藏结构。聚类分析的目标就是在按照一定的要求和规律对数据进行区分和分类。其中，FCM聚类是一种常用的聚类方法，虽然FCM聚类分割方法具有简单快速的优点，但是有两个主要的缺点限制其性能：其一是传统的FCM聚类分割方法过于依赖初始聚类中心。如果初始化时随机给定的是一个不合理的初始聚类中心，就会很大程度上影响聚类结果的准确性；在某些时候，即使给定了一本文档来自技高网...

【技术保护点】
一种基于蝙蝠优化模糊聚类的图像分割方法，其特征在于，包括下述步骤：步骤1，输入待分割图像，设定聚类数目c，模糊系数m，种群规模S以及停机条件；步骤2，依据设定图像聚类数目c和种群规模S，运行蝙蝠算法，初始种群的各变量，产生初始种群Gk，位置向量xt（这里t的取值范围是，1≤t≤S，S表示种群规模），表示数字图像的聚类中心，其取值范围为（0，255），速度vt、声波频率ft、脉冲响度At、发射速率rt五个变量随机产生，k表示蝙蝠算法的运行代数，在初始条件下，令k=0；步骤3，通过生成的初始种群，计算该种群中每个个体对应的像素的隶属度；采用FCM的隶属度计算公式计算个体的隶属度，FCM的隶属度计算...

【技术特征摘要】
1.一种基于蝙蝠优化模糊聚类的图像分割方法，其特征在于，包括下述步骤：步骤1，输入待分割图像，设定聚类数目c，模糊系数m，种群规模S以及停机条件；所述停机条件设置方式为：设置一个解集和一个计数变量m，将每次得到的全局最优解存入到所述解集中，在程序运行中，如果第i代所述全局最优解与上一代所述全局最优解相同的话，计数变量加1，如果连续m代所述全局最优解相同的话，即为满足停机条件；步骤2，依据设定图像聚类数目c和种群规模S，运行蝙蝠算法，初始种群的各变量，产生初始种群Gk，位置向量xt表示数字图像的聚类中心，其取值范围为0到255，其中t的取值范围是1≤t≤S，S表示种群规模，速度vt、声波频率ft、脉冲响度At、发射速率rt四个变量随机产生，k表示蝙蝠算法的运行代数，在初始条件下，令k＝0；步骤3，通过生成的初始种群，计算该种群中每个个体对应的像素的隶属度；采用FCM的隶属度计算公式计算个体的隶属度，FCM的隶属度计算公式如下：其中1≤i≤c,1≤j≤Ndij＝||Xj-Vi||其中1≤i≤c,1≤j≤N其中，对于8位灰度图像一共有256个灰度级，N是样本图像的灰度级数，其取值固定为256，uij是灰度级为j的像素对于聚类中心Vi的隶属度，m是模糊系数，c是聚类数目，dij是灰度级为j的像素与聚类中心Vi之间的欧氏距离，且1≤i≤c,1≤j≤N；步骤4，计算种群中个体的适应度并找出其全局最优解；根据每个个体对应的像素的隶属度，计算每个个体的适应度值，Jq(t)表示每个个体的适应度值，其中1≤t≤S，将Jq(t)中最大的值fitnessgeneration作为种群的全局最优解，并存入最优解集；步骤5，采用蝙蝠算法对种群中各变量进行更新；调整声波频率ft产生新的解并更新速度vt和位置xt，更新公式如下：ft＝fmin+(fmax-fmin)*βvtk＝vtk-1+(xtk-fitnessgeneration)*ftxtk＝xtk-1+vtk其中，k表示蝙蝠算法的运行代数，fmin和fmax分别表示声波频率的范围，β∈[0,1]是一个随机向量，保证fi在[fmin,fmax]范围内，fitnessgeneration表示种群的全局最优解，速度vt可为正值或负值，位置向量xt可任意方向移动；步骤6，从最优解集中选择一个解，并在该最优解附近形成一个局部解，进而在该局部解附近形成一个新解；若k＝1,局部解取步骤4中全局最优解所对应的位置变量，若k≠1，局部解直接取前一代个体适应度的全局最优解所对应的位置变量xglobalbest，新解的计算公式如下：xnew＝xglobalbest+ε*avgAk其中，xnew表示得到的新解，ε∈[-1,1]是一个任意的实数，avgAk是个体在当前代的平均脉冲响度，由脉冲响度Ai计算所得；步骤7，计算新解中个体的适应度；步骤8，判断是否对个体参数进行更新；...

【专利技术属性】
技术研发人员：叶志伟，王明威，陈宏伟，王春枝，刘伟，徐慧，宗欣露，谢海涛，尹宇洁，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：