一种复杂图像多阈值分割方法技术

本发明专利技术提供了一种复杂图像多阈值分割方法，基于改进粒子群优化与引力搜索混合算法，包括初始化粒子群优化与引力搜索混合算法各项参数，随机生成所有粒子的初始位置；依据随机数决定生成反向种群来计算适应度值或计算当前种群的适应度值；对全局最优粒子变异，从变异前后两者中取适应度值较大的作为新的全局最优粒子；通过迭代输出全局最优粒子位置作为图像分割阈值等步骤。本发明专利技术为复杂图像多阈值分割的提供了一种全新的方法，实现了高精度、高稳定性的多阈值分割。

【技术实现步骤摘要】
一种复杂图像多阈值分割方法
本专利技术专利属于图像处理算法设计领域，涉及一种图像分割领域的复杂图像多阈值分割方法。
技术介绍
图像阈值分割因其分割简单有效、实时性强的特点，受到了广泛的关注。多阈值图像分割作为阈值分割的扩展，具有区分背景和多个目标的优势，但缺点是计算复杂、耗时长。近年来越来越多的生物启发式算法被应用到图像分割算法中，用于图像阈值的快速寻优。吴一全等于2014年提出了最小倒数交叉熵作为阈值选取准则，应用人工蜂群算法进行优化计算，对火焰图像进行了单阈值分割。缺点是最小倒数交叉熵计算式复杂，且只适用于单阈值图像分割，并不适用于复杂图像的多阈值分割。陈恺等于2014年提出了萤火虫算法优化最大二维Kapur熵的多阈值计算，实现了复杂目标的多阈值图像分割。缺点是算法的稳定性不理想，连续运行时结果波动较大。申请号为CN201410040869.9的中国专利技术专利申请提出了基于蝙蝠算法优化模糊熵的双阈值图像分割方法。缺点是只适用于双阈值图像分割，不适用于更多阈值的图像分割。在图像阈值寻优过程中，单一的生物启发式算法如人工蜂群算法、萤火虫算法、蝙蝠算法等普遍具有局部搜索能力不强、易陷入局部最优的缺陷，这将导致最终获得的分割阈值并不是理想的图像分割阈值，甚至离理想阈值相去甚远，导致图像分割不准确。因此设计一种适用于复杂图像的高精度、高稳定性的多阈值分割方法显得尤为重要。
技术实现思路
专利技术目的：针对现有图像分割方法局部搜索能力不强、复杂图像分割不准确的缺陷，本专利技术提出了一种针对复杂图像的高精度、高稳定性的多阈值分割方法。技术方案：为解决上述技术问题，本专利技术基于改进粒子群优化与引力搜索混合算法，提供了一种复杂图像多阈值分割方法(hybridPSOGSAwithgeneralizedopposition-basedlearning，GOPSOGSA)包括以下步骤：(1)初始化粒子群优化与引力搜索混合算法各项参数：粒子总数N，学习因子c1、c2，惯性权重ω，反向概率p0，最大迭代次数MAXNGER，随机生成所有粒子的初始位置；(2)若随机生成一个0～1的数rand(0,1)小于p0，进入步骤(3)，否则进入步骤(4)；(3)生成反向种群，计算当前种群与反向种粒子的适应度值，从中选取N个最优粒子组成新的种群，进入步骤(5)；(4)计算当前种群的适应度值；(5)根据适应度值更新全局最优粒子，对全局最优粒子进行变异，比较其与变异粒子的适应度值，取适应度值较大的作为新的全局最优粒子；(6)若当前迭代次数超过最大迭代次数，则停止迭代，输出全局最优粒子位置作为图像分割阈值对图像进行多阈值分割，否则根据粒子群优化与引力搜索混合算法中的公式更新种群粒子的速度与位置，当前迭代次数加1，进入步骤(2)。具体地，步骤(3)还包括以下步骤：(3.1)根据图像多阈值分割中的广义反向粒子定义式，生成当前种群P的反向种群GOP；Xd为种群P的一个粒子，则其反向粒子Xd*由以下公式计算：其中Xd∈[ad,bd]，k为[0,1]的随机数。(3.2)由预先设定的图像多阈值分割评价函数作为种群适应度计算式，计算当前种群P与反向种群GOP的适应度；(3.3)对当前种群P与反向种群GOP总计2N个粒子进行适应度的排序，从中选出N个适应度最高的粒子组成新的种群P，进入步骤(5)。具体地，步骤(5)还包括以下步骤：(5.1)从当前种群P中挑选出适应度最高的粒子作为全局最优粒子；(5.2)对全局最优粒子依照正态变异公式进行变异，生成变异粒子；gbestd是全局最优粒子在第d维的分量，gbestd*是变异后的最优粒子。gbestd*(t)＝gbestd(t)+Wd(t)·N(0,1)式中，PopSize表示粒子的总数，N(0,1)为标准正态分布函数，概率密度函数与分布函数分别如下：(5.3)比较最优粒子与变异粒子的适应度值，取两者中适应度较大的作为新的全局最优粒子。具体地，步骤(6)还包括以下步骤：(6.1)若当前迭代次数超过最大迭代次数MAXNGER，则停止迭代，输出全局最优粒子位置作为图像分割阈值对图像进行多阈值分割；(6.2)若当前迭代次数未超过最大迭代次数MAXNGER，则根据粒子群优化与引力搜索混合算法中的公式更新种群粒子的速度与位置，当前迭代次数加1，进入步骤(2)。(6.2.1)粒子群优化与引力搜索算法中，每一个粒子代表一个可行解，且每个时刻都有自己的速度与位置，设第i个粒子在第t次迭代时在d维的位置和速度分别为Xid(t)和Vid(t)，d＝1,2,...,D，D为搜索空间维度，群体最优解为gbest，种群粒子的速度更新公式如下：Vid(t+1)＝ωVid(t)+c′1·rand1·aid(t)+c′2·rand2·(gbest-Xid(t))式中ω为粒子的惯性权重；c′1、c′2为加速因子；rand1、rand2分别为[0,1]的随机数；种群粒子的位置更新公式如下：Xid(t+1)＝Xid(t)+Vid(t+1)(6.2.2)在步骤(6.2.1)种群粒子的速度更新公式中，aid(t)表示第i个粒子在第t次迭代时在d维的加速度，计算方法如下：aid(t+1)＝Fid(t)/Mid(t)Fid(t)、Mid(t)分别表示第i个粒子在第t次迭代时在d维的所受合力的大小与惯性质量；合力的计算公式下：式中N为粒子总数；Fijd(t)表示粒子j对粒子i的引力；randj为[0,1]的随机数；Rij(t)＝||Xi(t),Xj(t)||2为粒子i与粒子j的欧氏距离；ε为一个值很小的常量；G(t)为引力常数，计算式如下，其中G0与a是常量，t为当前迭代次数，maxt为最大迭代次数；G(t)＝G0·exp(-a·t/maxt)粒子的惯性质量可由如下公式求得：式中fiti(t)表示第i个粒子在第t次迭代时的适应度值；对于求最大值的图像多阈值分割问题，best(t)和worst(t)由如下公式求得：除了上面所述的本专利技术解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的优点外，本专利技术的复杂图像多阈值分割方法所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的优点，将结合附图作出进一步详细的说明。附图说明图1为本专利技术的复杂图像多阈值分割方法的基本流程图；图2是以多阈值Otsu算法为图像多阈值分割评价函数的具体实现流程图；图3为对Lena图进行本专利技术方法提出的GOPSOGSA的二阈值、三阈值、四阈值与五阈值分割效果图；图4为对Goldhill图进行本专利技术方法提出的GOPSOGSA的二阈值、三阈值、四阈值与五阈值分割效果图；图5为对Couple图进行本专利技术方法提出的GOPSOGSA的二阈值、三阈值、四阈值与五阈值分割效果图；图6为对QFN封装芯片的基板缺陷图进行本专利技术方法提出的GOPSOGSA的二阈值、三阈值、四阈值与五阈值分割效果图。具体实施方式实施例：如图1和图2所示，本实施例的多阈值Otsu算法又称多阈值最大类间方差算法，是最常用的图像多阈值分割评价函数之一。它是按图像的灰度特性,将图像分成背景和若干目标几部分。背景和若干目标之间的类间方差越大,说明构成图像部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会本文档来自技高网...

【技术保护点】
一种复杂图像多阈值分割方法，其特征在于包括以下步骤：(1)初始化粒子群优化与引力搜索混合算法各项参数：粒子总数N，学习因子c1、c2，惯性权重ω，反向概率p0，最大迭代次数MAXNGER，随机生成所有粒子的初始位置；(2)若随机生成一个0～1的数rand(0,1)小于p0，进入步骤(3)，否则进入步骤(4)；(3)生成反向种群，计算当前种群与反向种粒子的适应度值，从中选取N个最优粒子组成新的种群，进入步骤(5)；(4)计算当前种群的适应度值；(5)根据适应度值更新全局最优粒子，对全局最优粒子进行变异，比较其与变异粒子的适应度值，取适应度值较大的作为新的全局最优粒子；(6)若当前迭代次数超过最大迭代次数，则停止迭代，输出全局最优粒子位置作为图像分割阈值对图像进行多阈值分割，否则根据粒子群优化与引力搜索混合算法中的公式更新种群粒子的速度与位置，当前迭代次数加1，进入步骤(2)。

【技术特征摘要】
1.一种复杂图像多阈值分割方法，其特征在于包括以下步骤：(1)初始化粒子群优化与引力搜索混合算法各项参数：粒子总数N，学习因子c1、c2，惯性权重ω，反向概率p0，最大迭代次数MAXNGER，随机生成所有粒子的初始位置；(2)若随机生成一个0～1的数rand(0，1)小于P0，进入步骤(3)，否则进入步骤(4)；(3)生成反向种群，计算当前种群与反向种粒子的适应度值，从中选取N个最优粒子组成新的种群，进入步骤(5)；(4)计算当前种群的适应度值；(5)根据适应度值更新全局最优粒子，对全局最优粒子进行变异，比较其与变异粒子的适应度值，取适应度值较大的作为新的全局最优粒子；(6)若当前迭代次数超过最大迭代次数，则停止迭代，输出全局最优粒子位置作为图像分割阈值对图像进行多阈值分割，否则根据粒子群优化与引力搜索混合算法中的公式更新种群粒子的速度与位置，当前迭代次数加1，进入步骤(2)；所述步骤(3)还包括以下步骤：(3.1)根据图像多阈值分割中的广义反向粒子定义式，生成当前种群P的反向种群GOP；Xd为种群P的一个粒子，则其反向粒子Xd*由以下公式计算：其中Xd∈[ad，bd]，k为[0，1]的随机数；(3.2)由预先设定的图像多阈值分割评价函数作为种群适应度计算式，计算当前种群P与反向种群GOP的适应度；(3.3)对当前种群P与反向种群GOP总计2N个粒子进行适应度的排序，从中选出N个适应度最高的粒子组成新的种群P，进入步骤(5)；所述步骤(5)还包括以下步骤：(5.1)从当前种群P中挑选出适应度最高的粒子作为全局最优粒子；(5.2)对全局最优粒子依照正态变异公式进行变异...

【专利技术属性】
技术研发人员：张志胜，巢渊，戴敏，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32