一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法技术

本发明专利技术公开了一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，属于图像处理技术领域。输入待分割的带钢图像，将类间方差用作适应度函数，用适应度值表示鸟巢位置的好坏，在偏好随机游走中引入智能感知策略，并对算法的迭代过程进行了修改、与入侵杂草算法融合、在搜索过程中提出分组交叉策略，通过改进的布谷鸟搜索算法获得全局最优阈值，利用全局最优阈值对带钢图像进行分割。本发明专利技术应用于带钢图像分割，与现有技术相比，能够以更高的搜索性能找出全局最优阈值，实现准确的带钢图像阈值分割。分割。分割。

【技术实现步骤摘要】
一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法


[0001]本专利技术涉及图像处理
，特别涉及一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法。

技术介绍

[0002]工业生产中的带钢表面常常存在多种类型的缺陷，利用图像阈值分割方法对带钢表面缺陷进行检测是一种新兴的技术手段。图像的阈值分割方法具有简单、直观和易于实现的优点，然而，当带钢图像需要进一步分割或包含多个待检测缺陷目标时，就需要通过多阈值分割方法完成带钢图像的分割任务，采用传统的穷举方法进行多阈值选择时，计算量会随阈值数量的增加而增大，导致出现分割速度慢和效率低的问题，此外，图像阈值分割的关键技术是寻找适当的阈值对像素进行分类，其本质是对所选取的阈值进行优化，属于一类优化问题。
[0003]布谷鸟搜索(CS)算法是近年来提出的一种新的元启发式优化方法，该方法通过模拟布谷鸟的莱维飞行机制和巢寄生产卵行为来进行全局搜索和局部寻优，使得整个搜索空间得到更有效的探索，从而以更高的概率找到全局最优解。CS算法具有参数少、计算速度快和易实现的优点。然而，作为一种全新的群智能优化算法，CS算法的搜索性能还有一定的提升空间，对于传统的CS算法，种群个体采用莱维飞行机制随机游走搜索来寻找最优值，搜索具有很大的盲目性，采用寻巢式的飞行方式在各个方向上进行搜寻，并且在搜索后期收敛速度慢，全局优化能力弱，稳定性难以得到保障，容易陷入局部最优的问题仍然存在，同时，单一的搜索策略在解决复杂的多维空间优化问题时，往往难以兼顾全局搜索和局部寻优的能力。因此，通过提供智能感知策略、分组交叉策略，并与入侵杂草算法相融合，有效提高算法的收敛速度和全局优化能力，快速搜索全局最优阈值，对于提升图像阈值分割的效果具有重要意义。

技术实现思路

[0004]本专利技术的目的在于提供了一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，对布谷鸟算法的改进具有探索和开发能力强，收敛速度快且避免算法陷入局部最优解的特点，将其应用于带钢图像分割，有效提升了阈值选取的准确性和效率，能够精确的把带钢表面缺陷从背景中分割出来。
[0005]本专利技术所采取的技术方案是，一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，具体实施步骤为：步骤1 输入待分割的带钢图像；步骤2 初始化最大迭代次数，种群数量为的鸟巢数量，发现概率，以及宿主鸟巢的初始位置；步骤3 计算初始最优阈值，根据初始鸟巢位置和类间方差公式计算适应度函数
，并计算每个鸟巢的适应度值，得到当前最优适应度值和当前最优阈值；步骤4 通过莱维飞行生成新解，计算新解的最优适应度值；步骤5 新解的最优适应度值与上一代最优适应度值进行比较，保留更好的解；步骤6 寻找全局最优阈值，根据发现概率丢弃部分解，用随机数与进行比较，若，保留原始解，反之，舍弃原始解，利用智能感知策略修改偏好随机游走，并用修改后的偏好随机游走产生新解，计算新解的最优适应度值，与上一代最优解的适应度值再次比较，最后保留最好的一组解；步骤7 进一步搜索全局最优阈值，将原始CS算法与入侵杂草(IWO)算法相融合，并引入分组交叉策略；步骤8 更新最优鸟巢位置, 获取全局最优阈值；步骤9 若未达到最大迭代次数或最小误差要求，则返回步骤4，否则，继续进行下一步；步骤10 输出全局最优阈值，利用最优阈值对带钢图像进行分割；步骤 11 输出分割后的带钢图像。
[0006]本专利技术的特点在于：步骤3 中，使用类间方差作为适应度函数，类间方差可表示为：,对于多阈值分割，用这个阈值将图像划分成、、
…
、区域，其中，灰度值范围为，灰度值范围为，灰度值范围为，是图像最大灰度；，和分别为，和所占比例，上述公式中，,,;，和分别为，和的平均灰度，上述公式中：,,;为图像的平均灰度，表示为：;其中，为第个灰度出现的概率，当满足如下公式时，即获得最优阈值：
；步骤6中，提供了智能感知策略，具体按照以下步骤实施：提供了一种智能感知策略，用于修改原算法在偏好随机游走中的迭代过程，本专利技术引入的智能感知策略的数学模型为：，其中，是次迭代的衰减系数值，是次迭代的衰减系数值，为常数，是次迭代的最优解，是次迭代的最优解；根据所述的数学模型，修改后的迭代方程可表示为：，式中，和分别表示第个鸟巢在第代和第代的位置向量，为比例因子，是区间的均匀分布随机数，和是随机生成的两个解；步骤 7 中，将CS算法与IWO算法相融合，并利用分组交叉策略对原始CS算法进行改进，具体按照以下步骤实施：步骤 7.1 利用IWO算法提高原始CS算法的搜索性能，设定适应度值较高的前三分之一的搜索个体将进入IWO操作，产生的种子数量表示为：，其中，是第个杂草的种子，是第个杂草的适应度值，是最优适应度值，是最差适应度值，表示最大种子数，表示最小种子数，生成的种子是随机分布的，可表示为：，其中，为当前迭代次数的标准差，是最大迭代次数，是当前迭代次数，是一个非线性指数，是初始标准差，为最终标准差；步骤7.2 在搜索过程中，本专利技术提出在分组后进行交叉操作，即分组交叉策略，其数学模型可表示为：，，其中，和是新生成的搜索个体，和为高质量搜索个体，
即适应度值较高的个体位置， 和为低质量搜索个体，即适应度值较低的个体位置。
[0007]本专利技术的有益效果是：本专利技术提供的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，对于原始布谷鸟算法的改进包括：首先，引入了智能感知策略，根据搜索状态更新值，并对算法的迭代过程进行了修改；其次，通过与IWO算法的融合，提高了CS算法的搜索性能和开发能力；最后，在搜索过程中，提出了一种分组交叉策略，以加快CS算法的收敛速度，避免算法陷入局部最优解；将改进的CS算法应用于带钢图像的阈值分割，不仅能够准确的搜索出全局最优阈值，还能提升搜索速度，获得更好的图像分割效果，从而有效的将表面缺陷从带钢图像中分割出来。
附图说明
[0008]图1是本专利技术的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法的流程图。
[0009]图2(a)是使用本专利技术方法对带有裂纹缺陷的带钢图像进行2阈值分割的效果图; 图2(b)是使用本专利技术方法对带有裂纹缺陷的带钢图像进行3阈值分割的效果图; 图2(c)是使用本专利技术方法对带有裂纹缺陷的带钢图像进行4阈值分割的效果图; 图2(d)是使用本专利技术方法对带有裂纹缺陷的带钢图像进行5阈值分割的效果图。
[0010]图3(a)是使用本专利技术方法对带有划伤缺陷的带钢图像进行2阈值分割的效果图; 图3(b)是使用本专利技术方法对带有划伤缺陷的带钢图像进行3阈值分割的效果图; 图3(c)是使用本专利技术方法对带有划伤缺陷的带钢图像进行4阈值分割的效果图; 图3(d)是使用本专利技术方法对带有划伤缺陷的带钢图像进行5阈值分割的效果图。
[0011]图4(a)是使用原始CS算法对带有裂纹缺陷的带钢图像进行5阈值分割的效果图；图4(b)是使用本专利技术改进的CS算法对带有裂纹缺陷的带钢图像进行5阈值分割的效果图。
[0012]图5(a)是使用原始CS算法对带有划伤缺陷的带钢图像进行5阈值分割本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，其特征在于，包括以下步骤：步骤1 输入待分割的带钢图像；步骤2 初始化最大迭代次数，种群数量为的鸟巢数量，发现概率，以及宿主鸟巢的初始位置；步骤3 计算初始最优阈值，根据初始鸟巢位置和类间方差公式计算适应度函数，并计算每个鸟巢的适应度值，得到当前最优适应度值和当前最优阈值；步骤4 通过莱维飞行生成新解，计算新解的最优适应度值；步骤5 新解的最优适应度值与上一代最优适应度值进行比较，保留更好的解；步骤6 寻找全局最优阈值，根据发现概率丢弃部分解，用随机数与进行比较，若，保留原始解，反之，舍弃原始解，利用智能感知策略修改偏好随机游走，并用修改后的偏好随机游走产生新解，计算新解的最优适应度值，与上一代最优解的适应度值再次比较，最后保留最好的一组解；步骤7 进一步搜索全局最优阈值，与入侵杂草(IWO)算法相融合，设定适应度值较高的前三分之一的搜索个体将进入IWO操作，同时，引入分组交叉策略对CS算法做出改进；步骤8 更新最优鸟巢位置，获取全局最优阈值；步骤9 若未达到最大迭代次数或最小误差要求，则返回步骤4，否则，继续进行下一步；步骤10 输出全局最优阈值，利用全局最优阈值对带钢图像进行分割；步骤11 输出分割后的带钢图像。2.根据权利要求1所述的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，其特征在于，根据步骤3 中所述的类间方差公式，类间方差可表示为：,对于多阈值分割，用这个阈值将图像划分成、、
…
、区域，其中，灰度值范围为，灰度值范围为...

【专利技术属性】
技术研发人员：岳晓峰，田云胜，张洪博，朱娟，刘智博，王震，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：