连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法技术方案

本发明专利技术属于计算机视觉模式识别、图像理解领域，涉及一种连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法。本发明专利技术包括：建立演化脉冲耦合神经网络系统参数的自动图像分割的最小组合加权熵模型；初始化连续量子雁群种群空间；利用模拟量子旋转门对每个大雁位置进行更新；每个大雁新位置都对应一个脉冲耦合神经网络系统参数，激活脉冲耦合神经网络系统进行图像分割，计算第i个大雁新位置的适应度值；对所有大雁历史最优量子位置和历史最优位置进行更新；检查是否到达最大迭代代数；代入脉冲耦合神经网络模型对图像进行分割并输出分割后的图像。本发明专利技术具有计算量小，收敛速度快，寻优能力强的优点。

【技术实现步骤摘要】
连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法
本专利技术属于计算机视觉模式识别、图像理解领域，涉及一种连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法。技术背景图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。图像在分割后的处理,如特征提取、目标识别等都依赖图像分割的质量，所以图像分割一直是计算机视觉和模式识别领域的研究热点。脉冲耦合神经网络（PCNN）是根据对猫的视觉皮层神经元脉冲串同步振荡现象的研究而得到的，由于其生物学背景，非常适合于图像处理。目前PCNN已被用于图像分割、图像融合、图像去噪、目标识别和边缘提取等，并取得了良好的效果。当PCNN用于图像分割时其连接系数β、阈值的幅度系数Vθ、衰减系数αθ和连接矩阵ω需要提前设定，四者的值决定图像分割效果，对于不同的图像，最佳分割参数不同，在用PCNN分割图像之前需要首先确定较优的PCNN系统参数以保证分割效果较好。目前确定PCNN分割参数的方法主要有人工交互多次试验，智能进化算法搜索。人工交互多次试验无疑效率很低，智能进化算法能自动确定分割参数，相对于人工试验效率大大提高，目前利用智能进化算法自动确定PCNN参数的方法主要有：1、卢桂馥等在《计算机工程与应用》（2010,46(13):145-146）上发表的“一种参数自动寻优的PCNN图像分割算法”利用粒子群优化算法，适应度函数选择改进的最大类间方差，对PCNN参数进行优化进而完成图像分割。2、马义德等在《通信学报》（2002,23(1):46-51）上发表的“一种基于脉冲耦合神经网络和图像熵的自动图像分割方法”利用离散遗传算法，根据最大香农熵为适应度，对PCNN参数进行自动寻优进行图像分割。3、哈尔滨工程大学硕士沈蔚在其2008年的学位论文“基于文化算法的PCNN参数标定的研究”中，以香农熵为适应度函数利用文化算法对PCNN参数进行自动寻优进行图像分割，分割效果好于遗传算法。但PSO算法具有收敛速度较慢，容易陷入局部局极值等缺点。文化算法具有运算复杂，计算速度慢等缺点。现有智能确定PCNN参数的分割算法多使用离散优化算法，量化误差大，连续优化算法易陷入局部收敛。但现有的PCNN参数优化方法都有的一个不足是求解最优参数的优化目标熵准则单一，适用范围不够广泛。
技术实现思路
本专利技术的目的在于提出一种过计算量更小，寻优能力更强的连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法。本专利技术的目的是这样实现的：（1）建立演化脉冲耦合神经网络系统参数的自动图像分割的最小组合加权熵模型：H＝d1·H1+d2·H2+d3·H3，H2＝1/H4H3＝H1/H4，其中H是分割后图像的组合加权熵，H1是分割后图像的交叉熵，H2是分割后图像的香农熵的倒数，H3是分割后图像的比熵,H4是分割后图像的香农熵,d1、d2、d3是加权系数；（2）初始化连续量子雁群种群空间，其中量子雁群算法的种群规模为M和最大迭代代数为N，种群中第i个大雁采用结构表示，i＝1,2,…,M，其中表示第t代种群的第i个大雁的当前位置，是第t代第i个大雁位置的适应度值，是第t代时第i个大雁的历史最优位置，是第t代第i个大雁的历史最优适应度值，表示第t代第i个大雁的当前量子位置，为第t代第i个大雁的历史最优量子位置：2.1）初始化和i＝1,2,…,M，在定义域范围内随机产生初始种群，种群中第i个大雁当前位置为其中，是的第j个变量，aj、cj分别是的下限和上限，D是位置向量的维数，对于PCNN分割是D(D≥3)维向量，脉冲耦合神经网络参数连接系数β、幅度系数Vθ、衰减系数αθ为必求变量，m×m维矩阵ωi,j中的变量可采用固定矩阵或变量优化得到，对于初始种群，即t＝1时，初始化第i个大雁历史最优位置为2.2）求第i个大雁位置适应度值i＝1,2,…,M，将大雁位置所对应的参数带入脉冲耦合神经网络模型对图像进行分割，计算出分割后图像的组合加权熵H，组合加权熵H值即为此大雁位置的适应度值求出所有大雁位置的适应度值，初始化当t＝1时，2.3）初始化和i＝1,2,…,M，所有大雁按其历史最优位置的适应度值由小到大的顺序排序，进行编号，将第i个大雁位置映射为该位置的量子位置，即其中e是位置向量各个变量取值区间长度组成的向量e＝[e1,e2,…,eD]；（3）利用模拟量子旋转门对每个大雁位置进行更新：3.1）计算所有大雁历史最优量子位置的均值：3.2）根据头雁引领策略和非头雁跟随策略更新量子旋转角：3.2.1）排序为第一的大雁的量子位置根据下式计算量子旋转门旋转角度：其中其中第一项是群体历史经验对头雁飞行的影响，第二项指头雁自身历史最优量子位置对其飞行的影响，是第t代大雁最优量子位置的第j个变量的量子旋转角，是第t代所有大雁的历史最优量子位置的均值的第j个变量，是第t代全局最优量子位置的第j个变量，是第t代排序为第一的大雁的量子位置的第j个变量，ε随机地取+1或-1，γ均是在[0,1]内的随机数，δ是惯性系数，随着迭代代数t增加δ逐渐减小，N是最大迭代代数，为排序第一的头雁的量子位置，为头雁的历史最优量子位置；3.2.2）对于其它大雁的量子位置根据下式计算量子旋转角：i＝2,3,…,M，其中第一项是雁群群体历史经验对第i个大雁位置更新的影响，第二项是第i-1个大雁历史最优量子位置，即第i-1个大雁局部最优量子位置对大雁位置更新的影响，是第t代第i个大雁的第j个变量的量子旋转角，是第t代第i-1个大雁历史最优量子位置的第j个变量，是第t代第i个大雁量子位置的第j个变量，量子雁群在解空间中不断变换位置搜索最优解；3.3）利用模拟量子旋转门对头雁量子位置进行更新：3.3.1）根据头雁引领策略利用模拟量子旋转门对头雁量子位置进行更新：其中，是更新后的第1个大雁量子位置的第j个变量，是更新前的全局最优量子位置的第j个变量，头雁在自身历史最优量子位置（也是全局最优量子位置）的邻域飞行；3.3.2）根据非头雁跟随策略利用模拟量子旋转门对非头雁量子位置进行更新：其中，是更新后第i个大雁量子位置的第j个变量，是更新前的第i个大雁历史最优量子位置的第j个变量，每个非全局最优的大雁的量子位置在其前一个大雁的历史最优量子位置确定的量子旋转角的基本文档来自技高网...

【技术保护点】
连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法，其特征在于：（1）建立演化脉冲耦合神经网络系统参数的自动图像分割的最小组合加权熵模型：H＝d1·H1+d2·H2+d3·H3，H2＝1/H4H3＝H1/H4，其中H是分割后图像的组合加权熵，H1是分割后图像的交叉熵，H2是分割后图像的香农熵的倒数，H3是分割后图像的比熵,H4是分割后图像的香农熵,d1、d2、d3是加权系数；（2）初始化连续量子雁群种群空间，其中量子雁群算法的种群规模为M和最大迭代代数为N，种群中第i个大雁采用结构表示，i＝1,2,…,M，其中表示第t代种群的第i个大雁的当前位置，是第t代第i个大雁位置的适应度值，是第t代时第i个大雁的历史最优位置，是第t代第i个大雁的历史最优适应度值，表示第t代第i个大雁的当前量子位置，为第t代第i个大雁的历史最优量子位置：2.1）初始化和i＝1,2,…,M，在定义域范围内随机产生初始种群，种群中第i个大雁当前位置为uit=[ui,1t,ui,2t,...,ui,Dt],aj≤ui,jt≤cj,]]>其中，是的第j个变量，aj、cj分别是的下限和上限，D是位置向量的维数，对于PCNN分割是D(D≥3)维向量，脉冲耦合神经网络参数连接系数β、幅度系数Vθ、衰减系数αθ为必求变量，m×m维矩阵ωi,j中的变量可采用固定矩阵或变量优化得到，对于初始种群，即t＝1时，初始化第i个大雁历史最优位置为bit=uit;]]>2.2）求第i个大雁位置适应度值i＝1,2,…,M，将大雁位置所对应的参数带入脉冲耦合神经网络模型对图像进行分割，计算出分割后图像的组合加权熵H，组合加权熵H值即为此大雁位置的适应度值求出所有大雁位置的适应度值，初始化当t＝1时，Ait=Eit;]]>2.3）初始化和i＝1,2,…,M，所有大雁按其历史最优位置的适应度值由小到大的顺序排序，进行编号，将第i个大雁位置映射为该位置的量子位置，即xit=[ui1te1,ui2te2,...,uiDteD]=[xi,1t,xi,2t,...,xi,Dt],]]>其中e是位置向量各个变量取值区间长度组成的向量e＝[e1,e2,…,eD]；（3）利用模拟量子旋转门对每个大雁位置进行更新：3.1）计算所有大雁历史最优量子位置的均值：3.2）根据头雁引领策略和非头雁跟随策略更新量子旋转角：3.2.1）排序为第一的大雁的量子位置根据下式计算量子旋转门旋转角度：其中δ=0.5+0.5·(N-tN),]]>其中第一项是群体历史经验对头雁飞行的影响，第二项指头雁自身历史最优量子位置对其飞行的影响，是第t代大雁最优量子位置的第j个变量的量子旋转角，是第t代所有大雁的历史最优量子位置的均值的第j个变量，是第t代全局最优量子位置的第j个变量，是第t代排序为第一的大雁的量子位置的第j个变量，ε随机地取+1或?1，γ均是在[0,1]内的随机数，δ是惯性系数，随着迭代代数t增加δ逐渐减小，N是最大迭代代数，为排序第一的头雁的量子位置，为头雁的历史最优量子位置；3.2.2）对于其它大雁的量子位置根据下式计算量子旋转角：i＝2,3,…,M，其中第一项是雁群群体历史经验对第i个大雁位置更新的影响，第二项是第i?1个大雁历史最优量子位置，即第i?1个大雁局部最优量子位置对大雁位置更新的影响，是第t代第i个大雁的第j个变量的量子旋转角，是第t代第i?1个大雁历史最优量子位置的第j个变量，是第t代第i个大雁量子位置的第j个变量，量子雁群在解空间中不断变换位置搜索最优解；3.3）利用模拟量子旋转门对头雁量子位置进行更新：3.3.1）根据头雁引领策略利用模拟量子旋转门对头雁量子位置进行更新：x1,jt+1=|1-(v1,jt)2·sin(θ1,jt)+v1,jt·cos(θ1,jt)|,]]>其中，是更新后的第1个大雁量子位置的第j个变量，是更新前的全局最优量子位置的第j个变量，头雁在自身历史最优量子位置（也是全局最优量子位置）的邻域飞行；3.3.2）根据非头雁跟随策略利用模拟量子旋转门对非头雁量子位置进行更新：xi,jt+1=|1-(vi,jt)2·sin(θi,jt)+vi,jt·cos(θi,jt)|,]]>其中，是更新后第i个大雁量子位置的第j个变量，是更新前的第i个大雁历史最优量子位置的第j个变量，每个非全局最优的大雁的量子位置在其...

【技术特征摘要】
1.连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法，其特征在于：(1)建立演化脉冲耦合神经网络系统参数的自动图像分割的最小组合加权熵模型：H＝d1·H1+d2·H2+d3·H3，H2＝1/H4、H3＝H1/H4，其中H是分割后图像的组合加权熵，H1是分割后图像的交叉熵，H2是分割后图像的香农熵的倒数，H3是分割后图像的比熵,H4是分割后图像的香农熵,d1、d2、d3是加权系数；(2)初始化连续量子雁群种群空间，其中量子雁群算法的种群规模为M和最大迭代代数为N，种群中第i个大雁采用结构表示，i＝1,2,…,M，其中表示第t代种群的第i个大雁的当前位置，是第t代第i个大雁位置的适应度值，是第t代时第i个大雁的历史最优位置，是第t代第i个大雁的历史最优适应度值，表示第t代第i个大雁的当前量子位置，为第t代第i个大雁的历史最优量子位置：2.1)初始化和在定义域范围内随机产生初始种群，种群中第i个大雁当前位置为其中，是的第j个变量，aj、cj分别是的下限和上限，D是位置向量的维数，对于PCNN分割是D维向量，D≥3，脉冲耦合神经网络参数连接系数β、幅度系数Vθ、衰减系数αθ为必求变量，m×m维矩阵ωi,j中的变量采用固定矩阵或变量优化得到，对于初始种群，即t＝1时，初始化第i个大雁历史最优位置为2.2)求第i个大雁位置适应度值将大雁位置所对应的参数带入脉冲耦合神经网络模型对图像进行分割，计算出分割后图像的组合加权熵H，组合加权熵H值即为此大雁位置的适应度值求出所有大雁位置的适应度值，初始化当t＝1时，2.3)初始化和所有大雁按其历史最优位置的适应度值由小到大的顺序排序，进行编号，将第i个大雁位置映射为该位置的量子位置，即其中e是位置向量各个变量取值区间长度组成的向量e＝[e1,e2,…,eD]；(3)利用模拟量子旋转门对每个大雁位置进行更新：3.1)计算所有大雁历史最优量子位置的均值：3.2)根据头雁引领策略和非头雁跟随策略更新量子旋转角：3.2.1)排序为第一的大雁的量子位置根据下式计算量子旋转门旋转角度：其中其中第一项是群体历史经验对头雁飞行的影响，第二项指头雁自身历史最优量子位置对其飞行的影响，是第t代大雁最优量子位置的第j个变量的量子旋转角，是第t代所有大雁的历史最优量子位置的均值的第j个变量，是第t代全局最优量子位置的第j个变量，是第t代排序为第一的大雁的量子位置的第j个变量，ε随机地取+1或-1，γ均是在[0,1]内的随机数，δ是惯性系数，随着迭代代数t增加δ逐渐减小，N是最大迭代代数，为排序第一的头雁的量子位置，为头雁的历史最优量子位置；3.2.2)对于其它大雁的量子位置根据下式计算量子旋转角：其中第一项是雁群群体历史经验对第i个大雁位置更新的影响，第二项是第i-1个大雁历史最优量子位置，即第i-1个大雁局部最优量子位置对大雁位置更新的影响，是第t代第i个大雁的第j个变量的量子旋转角，是第t代第i-1个大雁历史最优量子位置的第j个变量，是第t代第i个大雁量子位置的第j个变量，量子雁群在解空间中不断变换位置搜索最优解；3.3)利用模拟量子旋转门对头雁量子位置进行更新：3.3.1)根据头雁引领策略利用模拟量子旋转门对头雁量子位置进行更新：其中，是更新后的第1个大雁量子位置的第j个变量，是更新前的全局最优量子位置的第j个变量，头雁在自身历史最优量子位置的邻域飞行；3.3.2)根据非头雁跟随策略利用模拟量子旋转门对非头雁量子位置进行更新：其中，是更新后第i个大雁量子位置的第j个变量，是更新前的第i个大雁历史最优量子位置的第j个变量，每个非全局最优的大雁的量子位置在其前一个大雁的历史最优量子位置确定的量子旋转角的基础上进行更新；3.4)将更新后的量子位置还原为大雁的位置，即(4)每个大雁新位置都对应一个脉冲耦合神经网络系统参数，激活脉冲耦合神经网络系统进行图像分割，计算第i个大雁新位置的适应度值(5)对所有大雁历史最优量子位置和历史最优位置进行更新：将第i个大雁位置的适应度与其历史最优适应度进行比较，若当前位置适应度优于其自身历史...

【专利技术属性】
技术研发人员：高洪元，赵茂铮，孙研，徐从强，常亮，李晨琬，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：