基于并行鸽群算法的Otsu图像分割方法技术

本发明专利技术公开了基于并行鸽群算法的Otsu图像分割方法，涉及图像分割技术领域。该方法将改进后的鸽群算法和二维的Otsu算法相结合，从待切割图像中提取到目标区域；通过改进后的鸽群算法对图像进行寻优处理，获得全局最优解作为最佳阈值，利用Ostu算法对图像进行分割，OTSU算法是一种对图像进行二值化的高效算法，根据并行鸽群算法的Ostu的图像分割方法，将鸽群算法和Ostu算法进行结合，得到基于并行鸽群算法的Otsu图像切割方法。

Otsu image segmentation method based on parallel pigeon group algorithm

【技术实现步骤摘要】
基于并行鸽群算法的Otsu图像分割方法
本专利技术涉及图像分割
，具体涉及基于并行鸽群算法的Otsu图像分割方法。
技术介绍
图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域(可以为单一区域，也可以是多个区域)，这些特殊的区域称之为目标或前景；而其他部分称为图像的背景。图像分割是图像处理中的一项关键技术，也是一个经典的难题，在不断地发展过程中仍然没有找到一个通用的方法，也没有定出一个判断分割算法结果的好坏，近些年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。图像分割时图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别的好坏，都取决于图像分割的质量如何。图像切割技术从20世纪70年代起一直受到人们的高度重视。阈值切割法就是简单用一个或几个阈值将图像的直方图分为几类，图像中灰度值在同一个灰度类内的像素属于同一个类，它是一种PR法，其过程是决定一个灰度值，用于区分不同的类，这个灰度值就叫阈值。确定一个最优阈值是分割的关键，现有的大部分算法都是集中在阈值确定的研究上，阈值分割方法根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方法法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。鸽群算法是最近几年出现的一种新型元启发式算法，元启发式算法是相对于最优化算法提出的，一个问题的最优化算法可以求得该问题的最优解，而元启发式算法是一个基于直观或经验构造的算法，它可以在可接受的花费下给出问题的一个可行解，这个花费可以指代时间或者空间的花费，而且这个可行解与最优解的偏离程度不一定可以事先预计。鸽群算法可用于解决优化问题，收敛速度快且达到的最优值十分理想，算法一经提出就得到了广泛的应用。而传统的图像切割存在时间复杂度高、分割精度低等问题，因此寻求精准迅速的分割的方法成为了近些年来的研究热点和难点。
技术实现思路
本专利技术的目的是针对上述不足，提出了一种改进后的鸽群算法和二维的Otsu算法相结合，从待切割图像中提取到目标区域，通过改进后的鸽群算法对图像进行寻优处理，获得全局最优解作为最佳阈值，利用Ostu算法对图像进行分割的基于并行鸽群算法的Otsu图像分割方法。本专利技术具体采用如下技术方案：基于并行鸽群算法的Otsu图像分割方法，包括以下步骤：步骤1，鸽群算法的初始化，确定鸽群内每个鸽子的初始化速度和初始化位置，设定鸽群内鸽子的数目为No，所有鸽子的在Dim维空间内进行搜索，将每个鸽子在每个维度的搜索用式(1)表示，设定鸽群的子种群为Gr个，Xk,Dim＝{Xk,1,Xk,2,...,Xk,Dim}(1)，其中，k＝{1，2，...,No}，将每只鸽子的速度采用式(2)表示，Vk,Dim＝{Vk,1,Vk,2,...,Vk,Dim}(2)，在算法的迭代过程中，Gbest代表截止到目前为止，整个鸽群中位置最好的鸽子gbest(i)代表第i个子种群中位置最好的鸽子；步骤2，将待切割图像进行灰度化，将图像转化为二维矩阵，然后计算图像的灰度直方图；步骤3，根据设定的适应度函数，计算每个鸽子所在位置的适应度函数值；步骤4，根据计算出的鸽子所在位置的适应度函数值，更新每个鸽子的全局最优位置Gbest；步骤5，在不断的迭代过程中，不断更新子种群内个体的速度和位置按照式(3)、(4)更新：在鸽群算法中速度更新为式(3)：ViNc＝ViNc-1e-R*Nc+rand(Xgbest-XiNc-1)(3)，在鸽群算法中位置更新为式(4)：XiNc＝XiNc-1+ViNc(4)，在更新其位置Xi及速度Vi，R为地图和指南针算子因数，其取值范围设定为(0，1)；rand是取值范围在(0，1)的一个随机数；Nc为目前迭代次数；Xgbest是在Nc-1次迭代循环后，通过比较所有鸽子得位置得到的全局最优位置，当迭代次数所达到所预先设定好的值后就停止地图和指南针算子的工作，然后进入地标算子继续进行工作；地图和指南针算子更新完成后，鸽群算法就进入第二阶段的地标算子；在进入地标算子后，每一次迭代后鸽子的数量都会减少一半，舍弃远离目的地且不具有识路功能的鸽子，Xcenter是剩余鸽子得中心位置，那么这个Xcenter的位置将会被当做地标，即作为飞行的参考方向，地标算子更新为式(5)-(10)：在鸽群算法中的地标算子选出中心位置为式(5)：在鸽群算法中的地标算子鸽群减半为式(6)：在鸽群算法中的地标算子位置更新为式(7)：Xi＝XiNc-1+rand(XNc-1center-XiNc-1)(7)；鸽群算法对于测试函数有不同的定义，表示为式(8)-(10)鸽群算法对于最小化问题为式(8)：鸽群算法对于最大化问题为式(9)：F(XiNc-1)＝fitness(XiNc-1)(9)，在最大化问题和最小化问题用式(10)表示，fitness(XiNc-1)＞0(10)，在地标算子的迭代次数达到最大迭代次数后，地标算子停止工作；步骤6，随机产生M个粒子，并对产生M+N个粒子按照适应度的值按照从大到小排列；步骤7，设置节点Q的位置，利用节点粒子Q把新产生的种群粒子分为适应度值排在前面的Q(1≤Q≤N)个粒子和剩下的M+N-Q个粒子；步骤8，利用粒子选择概率公式从剩下的M+N-Q个粒子中选择M-Q个粒子和适应度排在前面的Q个粒子组成新的粒子群；步骤9，满足条件结束寻优并输出全局最优解，将粒子群最终搜索到的全局最优解最为最佳分割阈值，对图像进行阈值分割并输出分割后的图像。优选地，步骤二中，利用灰梯度、灰度、距离的综合信息对直方图进行计算，具体的步骤为：步骤1，像素的梯度值计算式为(11)：其中，Gh(x,y)，Gv(x,y)分别表示该像素点在(x,y)处的水平、垂直像素值；步骤2，在计算距离时，先将坐标进行归一化处理，距离计算式为(12)：其中，i，j分别为进行归一化处理后的坐标值，0≤i，j≤1；步骤3，得出直方图的计算式为(13)：H(i,j)＝a1×G(i,j)+a2×D(i,j)+a3(13)其中，a1,a2,a3分别为梯度、距离、灰度的权值，且，a1+a2+a3＝1，0≤a1,a2,a3≤1。优选地，为了提高种群的多样性，在原先设定的N个粒子的基础上，再随机产生M个新粒子，并对这M+N个粒子按照适应度进行计算和排序，然后设置节点Q，利用节点粒子Q把新生成的种群分为两个部分：第一部分：适应度值排在前面的Q(1≤Q≤N)个粒子，第二部分：适应度值排在靠后的M+N-Q个粒子，在本文档来自技高网...

【技术保护点】
1.基于并行鸽群算法的Otsu图像分割方法，其特征在于，包括以下步骤：/n步骤1，鸽群算法的初始化，确定鸽群内每个鸽子的初始化速度和初始化位置，设定鸽群内鸽子的数目为No，所有鸽子的在Dim维空间内进行搜索，将每个鸽子在每个维度的搜索用式(1)表示，设定鸽群的子种群为Gr个，/nX

【技术特征摘要】
1.基于并行鸽群算法的Otsu图像分割方法，其特征在于，包括以下步骤：
步骤1，鸽群算法的初始化，确定鸽群内每个鸽子的初始化速度和初始化位置，设定鸽群内鸽子的数目为No，所有鸽子的在Dim维空间内进行搜索，将每个鸽子在每个维度的搜索用式(1)表示，设定鸽群的子种群为Gr个，
Xk,Dim＝{Xk,1,Xk,2,...,Xk,Dim}(1)，
其中，k＝{1，2，...,No}，
将每只鸽子的速度采用式(2)表示，
Vk,Dim＝{Vk,1,Vk,2,...,Vk,Dim}(2)，
在算法的迭代过程中，Gbest代表截止到目前为止，整个鸽群中位置最好的鸽子，gbest(i)代表第i个子种群中位置最好的鸽子；
步骤2，将待切割图像进行灰度化，将图像转化为二维矩阵，然后计算图像的灰度直方图；
步骤3，根据设定的适应度函数，计算每个鸽子所在位置的适应度函数值；
步骤4，根据计算出的鸽子所在位置的适应度函数值，更新每个鸽子的全局最优位置Gbest；
步骤5，在不断的迭代过程中，不断更新子种群内个体的速度和位置按照式(3)、(4)更新：
在鸽群算法中速度更新为式(3)：ViNc＝ViNc-1e-R*Nc+rand(Xgbest-XiNc-1)(3)，
在鸽群算法中位置更新为式(4)：XiNc＝XiNc-1+ViNc(4)，
在更新其位置Xi及速度Vi，R为地图和指南针算子因数，其取值范围设定为(0，1)；rand是取值范围在(0，1)的一个随机数；Nc为目前迭代次数；Xgbest是在Nc-1次迭代循环后，通过比较所有鸽子得位置得到的全局最优位置，当迭代次数所达到所预先设定好的值后就停止地图和指南针算子的工作，然后进入地标算子继续进行工作；
地图和指南针算子更新完成后，鸽群算法就进入第二阶段的地标算子；在进入地标算子后，每一次迭代后鸽子的数量都会减少一半，舍弃远离目的地且不具有识路功能的鸽子，Xcenter是剩余鸽子得中心位置，那么这个Xcenter的位置将会被当做地标，即作为飞行的参考方向，地标算子更新为式(5)-(10)：
在鸽群算法中的地标算子选出中心位置为式(5)：



在鸽群算法中的地标算子鸽群减半为式(6)：
在鸽群算法中的地标算子位置更新为式(7)：
Xi＝XiNc-1+rand(XNc-1center-XiNc-1)(7)；
鸽群算法对于测试函数有不同的定义，表示为式(8)-(10)
鸽群算法对于最小化问题为式(8)：
鸽...

【专利技术属性】
技术研发人员：朱淑娟，田爱庆，潘正祥，薛醒思，廖律超，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37