基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统技术方案

本发明专利技术公开了一种基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法，其包括步骤：S1：获取待分割的紫外图像；S2:用公式

【技术实现步骤摘要】
基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统
本专利技术涉及紫外图像分割技术，尤其涉及一种基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割方法及系统。
技术介绍
电力设备紫外图像是黑白图像，具有强度集中和对比度高等特性，传统的图像分割算法往往不能很好地将目标与背景分离。若采用人为圈定感兴趣区域，显然会大大降低智能诊断系统的效率。图像阈值自动选取方法的研究长期以来吸引着众多学者，寻找简单实用、自适应强的阈值自动选取方法是这些研宄者们的共同目标。Otsu在1979年提出的大津算法(也称为最大类间方差法或Otsu方法)一直被认为是阈值自动选取方法的最优方法之一，该方法计算简单，在一定条件下不受图像对比度与亮度变化的影响，因而在一些实时图像处理系统中得到了广泛的应用。然而，在实际图像中，大津算法虽然分割性能较好，但计算量非常巨大。大津算法虽然有效解决了紫外图像二值化分割过程中阈值选取困难的问题，但在阈值分割速度上往往不能满足后续设备紫外场实时特征提取与分析的需求，再者原始蝙蝠算法法缺乏变异机制，个体容易被局部极值吸引而导致早熟收敛，种群不易保持多样性和算法仿生过程与真实情况有较大差异两个缺陷。
技术实现思路
本专利技术的目的之一是提供一种基于具有Lévy飞行特征的蝙蝠算法优化大津算法的紫外图像分割方法及系统，其能快速地对待分割的紫外图像进行分割，从而满足后续设备紫外场实时特征提取与分析的需求。本专利技术的目的是通过以下技术方案实现的：基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法，其特征在于：包括如下步骤：步骤S1：获取待分割的紫外图像；步骤S2:改进算法中用式来替代原算法中的速度和位置更新操作，其中表示蝙蝠i在t次搜寻中的空间位置，x*表示在当前群体中最佳蝙蝠所处位置，Levy(λ)表示跳跃步长服从Levy分布的随机搜索向量，λ(1≤λ≤3)为尺度参数，代表矢量运算；步骤S3：将大津算法中的类间方差函数作为蝙蝠算法的目标函数，将所述类间方差函数对应的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量；步骤S4：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的紫外图像分割为背景区域和目标区域。进一步，所述步骤S3中还对所述蝙蝠算法的参数进行初始化，所述蝙蝠算法的参数包括蝙蝠参数、飞行尺度参数和迭代参数或搜索精度。进一步，所述蝙蝠参数包括蝙蝠的初始位置、初始速度、跳跃步长Levy(λ)。进一步，所述蝙蝠参数还包括但不限于：蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0最小声波频率fmin以及最大声波频率fmax，设置蝙蝠数目m个体i,最大脉冲频度ri和最大脉冲音强Ai、频度增加系数ε、响度衰减系数ζ、Lévy飞行尺度参数λ、最大迭代次数Nmax或搜索精度α。进一步，所述步骤S3中的类间方差函数为：σB＝wF(uF-uT)2+wB(uB-uT)2；其中σB为类间方差，wF和wB分别为待分割的紫外图像中目标像素和背景像素所占比例，uF和uB分别为目标像素和背景像素灰度值均值，uT为待分割的紫外图像中所有像素的灰度值均值，其中uT＝wFuF+wBuB进一步，所述步骤S4中基于目标函数的值判断各蝙蝠优劣，找出全局最优蝙蝠。进一步，所述步骤S4中还更新迭代各蝙蝠参数，并基于目标函数的值判断各蝙蝠优劣，更新全局最优。进一步，所述迭代参数包括最大迭代次数N，若达到最大迭代次数N，则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。进一步，所述迭代参数包括连续迭代不变次数M，若在连续迭代不变次数M内所述全局最优蝙蝠保持不变，则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值本专利技术的目的之二是通过以下技术方案实现的：基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割系统，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，，其特征在于：所述处理器执行所述计算机程序时实现如前所述的方法。本专利技术的有益效果是：1)充分利用Lévy飞行随机游走的特性，在搜索过程中借助Lévy飞行会产生较大跳跃且方向多次急剧改变，来有效避免蝙蝠个体被局部吸引子束缚，同时拓展了搜索空间，能够有效提高蝙蝠算法在高维复杂空间的优化效果，再结合蝙蝠的回声定位特征，有助于从本质上提升蝙蝠算法的性能；2)以背景图像与目标图像间的类间方差为基础进行最大类间方差计算，准确地寻找最优阈值以对图像的背景与目标进行准确有效的分割；3)采用类间方差公式作为蝙蝠算法的寻优评估函数，快速寻找图像中最优分割阈值，并将其用于当前图像的二值化分割，提高了图像的分割速度；4)相对于现有的紫外图像阈值分割方法，有效提高了阈值选取速度。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述，其中：图1为基于具有Lévy飞行特征的蝙蝠算法和大津法方法的步骤示意图；图2为Lévy飞行特征的示意图；图3为基于具有Lévy飞行特征的蝙蝠算法和大津法结合的流程示意图。具体实施方式以下将参照附图，对本专利技术的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本专利技术，而不是为了限制本专利技术的保护范围。如图1所示，图1示意了本专利技术所述的基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割方法的基本流程。本专利技术的紫外图像分割方法包括如下步骤：步骤S1：获取待分割的紫外图像。步骤S2：将大津算法中的类间方差函数作为蝙蝠算法的目标函数，将类间方差函数对应的分割阈值变量作为蝙蝠算法中的蝙蝠位置变量。在某些实施方式下，该步骤中还对蝙蝠算法的参数进行初始化，蝙蝠算法的参数包括蝙蝠参数、飞行尺度参数和迭代参数或搜索精度。在某些实施方式下，该步骤中蝙蝠参数包括蝙蝠的初始位置和初始速度、跳跃步长Levy(λ)，其中，蝙蝠的初始位置和初始速度均为随机生成。在某些实施方式下，所述蝙蝠参数还包括蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0最小声波频率fmin以及最大声波频率fmax中的至少其中之一在某些实施方式下，该步骤中的类间方差函数为：σB＝wF(uF-uT)2+wB(uB-uT)2。其中σB为类间方差，wF和wB分别为待分割的紫外图像中目标像素和背景像素所占比例，uF和uB分别为目标像素和背景像素灰度值均值，uT为待分割的紫外图像中所有像素的灰度值均值，其中uT＝wFuF+wBuB本实施例中，该步骤中蝙蝠为蝙蝠种群，蝙本文档来自技高网...

【技术保护点】
1.基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法，其特征在于：/n包括如下步骤：/n步骤S1：获取待分割的紫外图像；/n步骤S2:改进算法中用式

【技术特征摘要】
1.基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法，其特征在于：
包括如下步骤：
步骤S1：获取待分割的紫外图像；
步骤S2:改进算法中用式来替代原算法中的速度和位置更新操作，其中表示蝙蝠i在t次搜寻中的空间位置，x*表示在当前群体中最佳蝙蝠所处位置，Levy(λ)表示跳跃步长服从Levy分布的随机搜索向量，λ(1≤λ≤3)为尺度参数，代表矢量运算；
步骤S3：将大津算法中的类间方差函数作为蝙蝠算法的目标函数，将所述类间方差函数对应的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量；
步骤S4：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的紫外图像分割为背景区域和目标区域。


2.如权利要求1所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法，其特征在于：所述步骤S3中还对所述蝙蝠算法的参数进行初始化，所述蝙蝠算法的参数包括蝙蝠参数、飞行尺度参数和迭代参数或搜索精度。


3.如权利要求2所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法，其特征在于:所述蝙蝠参数包括蝙蝠的初始位置、初始速度、跳跃步长Levy(λ)。


4.如权利要求3所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法，其特征在于：所述蝙蝠参数还包括但不限于：蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0最小声波频率fmin以及最大声波频率fmax，设置蝙蝠数目m个体i,最大脉冲频度ri和最大脉冲音强Ai、频度增加系数ε、响度衰减系数ζ、Lévy飞行尺度参数λ、最大迭代次数Nmax或搜索精度α。

<...

【专利技术属性】
技术研发人员：陈科羽，严尔梅，姬鹏飞，杨刘贵，毕家启，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：贵州;52