The method of obtaining gray threshold and image segmentation based on Adaptive Particle Swarm Optimization (Adaptive Particle Swarm Optimization) belongs to the field of image processing. The invention of gray threshold acquisition method, which is characterized in that the method comprises the following steps: step S01, the image gray value initialization; step SO2, calculation of individuals in a population fitness value; step S03, calculate the individual best position and the global optimal position within populations; step S04, update the individual best position and the global best position of population; step S05, to determine whether they meet the termination conditions, to meet to obtain the optimal solution and the optimal gray threshold; otherwise executing step S02 into the next generation population; among them, the steps of using S04 inertia weight dynamic adjustment of individual best position and the global optimal position. The invention has self-learning and adaptability and high robustness, and it can solve gray-scale threshold from global concurrency, and avoid local optimum value accurately and efficiently.
【技术实现步骤摘要】
基于自适应粒子群算法的灰度阈值获取方法、图像分割方法
本专利技术图像处理
,尤其涉及一种基于自适应粒子群算法的灰度阈值获取方法、图像分割方法。
技术介绍
图像处理从本质上讲是对图像信息进行加工以满足人们的视觉心理或应用需求的行为。而图像分割是图像处理技术中的一种,其目的是将图像分成各具特性的区域并提取出感兴趣的部分以满足人们的某种需要。近年来,对图像分割的研究一直是图像处理技术研究中心的热点,人们对其关注和投入不断提高,它是一种重要的图像分析技术,是从图像处理得到图像分析的关键步骤。图像分割方法主要有边缘检测分割法、区域分割法、阈值分割法等。其中,阈值分割法因实现简单、运算效率高而成为一种有效的图像分割方法,而阈值的确定是阈值法图像分割的关键。然而要在一副多峰直方图的全灰度范围内搜索一个最佳的多阈值组合使得分割结果更为精准,求解的过程将变得异常耗时,运行速度慢,无法满足图像分割对实时性的要求,严重地阻碍了图像分割进程。现有并行区域分割技术是对感兴趣区域进行并行方式检测来对图像进行分割。该分割基于的图像灰度阈值是靠先验知识来确定的,但对于不同图像具有不同特点,依赖先验知识确定的图像灰度阈值自适应性、稳定性差,进而使得依赖于图像灰度阈值进行图像分割的结果不准确。现有的基于最大类间方差的阈值分割方法,包括遗传算法、蚁群算法、微粒群算法和最大类间方差阈值分割法,将上述算法相组合,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。如遗传算法收敛速度低,为此专利技术专利申请CN1060231 ...
【技术保护点】
基于自适应粒子群算法的灰度阈值获取方法,其特征在于,包括以下步骤:步骤S01,对图像灰度值进行种群初始化;步骤SO2,计算种群内个体的适应度值;步骤S03,计算种群内个体最优位置和全局最优位置;步骤S04,更新种群内个体最优位置和全局最优位置;步骤S05,判断是否满足终止条件,若满足则获取最优解并得到最优灰度阈值;否则执行步骤S02进入下一代种群;其中,所述步骤S04采用惯性权重动态调节个体最优位置和全局最优位置。
【技术特征摘要】
1.基于自适应粒子群算法的灰度阈值获取方法,其特征在于,包括以下步骤:步骤S01,对图像灰度值进行种群初始化;步骤SO2,计算种群内个体的适应度值;步骤S03,计算种群内个体最优位置和全局最优位置;步骤S04,更新种群内个体最优位置和全局最优位置;步骤S05,判断是否满足终止条件,若满足则获取最优解并得到最优灰度阈值;否则执行步骤S02进入下一代种群;其中,所述步骤S04采用惯性权重动态调节个体最优位置和全局最优位置。2.根据权利要求1所述的基于自适应粒子群算法的灰度阈值获取方法,其特征在于,步骤S01的种群初始化包括初始化个体速度、个体位置矢量、初始代种群个体最优位置和全局最优位置。3.根据权利要求1所述的基于自适应粒子群算法的灰度阈值获取方法,其特征在于,步骤S02的适应度值按如下公式(1)计算:其中,为第k代的第i个粒子个体的适应度值,t={t1,t2,…tm}为种群初始化后的图像灰度值并作为用于将图像分割为m类区域的图像灰度阈值,pm为第m类区域内灰度值出现的概率,μm为第m类区域内灰度值的平均值,μav为整个图像的平均灰度值。4.根据权利要求1所述的一种基于自适应粒子群算法的灰度阈值获取方法,其特征在于,步骤S03计算种群个体最优位置具体为:其中,为第k代的第i个粒子个体的适应度值;为个体最优位置。5.根据权利要求1所述的一种基于自适应粒子群算法的灰度阈值获取方法,其特征在于,步骤S03计算种群全局最优位置具体为...
【专利技术属性】
技术研发人员:李鹏,
申请(专利权)人:上海斐讯数据通信技术有限公司,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。