一种基于改进樽海鞘群算法的图像分割方法及装置制造方法及图纸

本发明专利技术提供一种基于改进樽海鞘群算法的图像分割方法，包括输入图像并初始化；利用原始图像生成灰度图像，并结合非局部均值滤波技术，生成非局部均值滤波图像；根据灰度图像和非局部均值滤波图像构造对应的二维直方图，并基于构造的二维直方图，以Kapur熵作为目标函数，利用基于骨架随机分形搜索机制的樽海鞘群算法寻找最优分割阈值，且进一步基于获得的最优阈值对图像进行分割，并输出分割结果。实施本发明专利技术，能解决现有图像分割算法的陷入局部最优解、收敛速度慢及分割质量差等问题。

【技术实现步骤摘要】
一种基于改进樽海鞘群算法的图像分割方法及装置
本专利技术涉及计算机图像处理
，尤其涉及一种基于改进樽海鞘群算法的图像分割方法及装置。
技术介绍
图像分割在辅助医学诊断领域有着举足轻重的作用，特别是肾脏的相关疾病，分割效果较好的方法能够极大的促进医学诊断准确性，以及能提高诊断的效率。多阈值分割是图像分割领域中一种高效并且简单的分割方法，其核心在于最优阈值的确定。分割阈值的好坏能够直接决定图像的分割质量，众所周知传统的梯度法虽然能得到分割的阈值，但是该方法具有较大的计算复杂度，并且得到的分割阈值的质量较差。群智能优化算法应用于多阈值图像分割是一种高效、且具有较好分割效果的方法。但是，由于群智能优化方法自身的不足，容易使得分割过程陷入局部最优，以至于分割质量较差。因此，为了尽可能的避免在分割过程中陷入局部最优，能够获得较好的分割质量，有必要提供一种基于改进樽海鞘群算法的图像分割方法，能解决现有图像分割算法的陷入局部最优解、收敛速度慢及分割质量差等问题。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提本文档来自技高网...

【技术保护点】
1.一种基于改进樽海鞘群算法的图像分割方法，其特征在于，所述方法包括以下步骤：/n步骤S1：输入需要分割的图像，初始化阈值分割水平；/n步骤S2：将输入图像灰度化，获得对应的灰度图像，并利用非局部均值滤波的方式获得非局部均值图像；/n步骤S3：根据灰度图像和非局部均值滤波图像构造对应的二维直方图，并基于构造的二维直方图，以Kapur熵作为目标函数；/n步骤S4：利用基于骨架随机分形搜索机制的樽海鞘群算法寻找最优分割阈值，且进一步基于获得的最优阈值对图像进行分割，并输出分割结果。/n

【技术特征摘要】
1.一种基于改进樽海鞘群算法的图像分割方法，其特征在于，所述方法包括以下步骤：
步骤S1：输入需要分割的图像，初始化阈值分割水平；
步骤S2：将输入图像灰度化，获得对应的灰度图像，并利用非局部均值滤波的方式获得非局部均值图像；
步骤S3：根据灰度图像和非局部均值滤波图像构造对应的二维直方图，并基于构造的二维直方图，以Kapur熵作为目标函数；
步骤S4：利用基于骨架随机分形搜索机制的樽海鞘群算法寻找最优分割阈值，且进一步基于获得的最优阈值对图像进行分割，并输出分割结果。


2.如权利要求1所述的基于改进樽海鞘群算法的图像分割方法，其特征在于，所述步骤S4具体包括：
步骤S41：初始化参数，包括樽海鞘群的种群大小Popsize，最大迭代次数Max_Iteration；
步骤S42：计算种群中每个个体Pi的适应度，即Kapur熵，并找到全局最优BP；
步骤S43：执行扩散过程：在公式(1)和公式(2)中，选择一种高斯游走方式来创建各个新个体的位置，并找出种群中的最优个体；
GW1＝Gaussian(μBP,σ)+(ε×BP-ε′×Pi)(1)
GW2＝Gaussian(μP,σ)(2)
其中，ε和ε′是在区间[0，1]上服从均匀分布的随机数；BP和Pi分别表示最优个体和第i个个体的位置；μBP、μP和σ均为高斯参数，且μBP等于|BP|，μP等于|Pi|；标准差σ通过公式(3)计算得到，被用来减少高斯跳跃的步长：



步骤S44：执行第一次更新操作：根据适应度的值，对所有个体进行排序，并根据...

【专利技术属性】
技术研发人员：陈慧灵，刘芸，王智言，汪鹏君，赵学华，谷志阳，蔡振闹，陈一鹏，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江;33