基于改进灰狼优化算法的复杂图像多阈值分割方法技术

本发明专利技术公开了一种基于改进灰狼优化算法的复杂图像多阈值分割方法，建立最大熵阈值分割的最优化模型；采用改进灰狼优化算法求解图像分割的最佳分割阈值，其中，对灰狼优化算法的改进包括：首先，改进非线性因子，平衡算法搜索与挖掘能力；然后，引入反向学习策略提高种群质量，再引入正弦函数并调整头狼权重改进灰狼更新公式，增强算法的挖掘能力；接着，交替引入头狼靠拢策略与种群变异策略进行位置更新，前者提高了算法的收敛性能，后者增强了算法跳出局部最优的能力。进而得到灰度图像最佳分割阈值矩阵；最后利用最佳分割阈值矩阵进行图像分割。本发明专利技术有效的提高了复杂图像分割的稳定性与分割结果的精度。性与分割结果的精度。性与分割结果的精度。

【技术实现步骤摘要】
基于改进灰狼优化算法的复杂图像多阈值分割方法


[0001]本专利技术涉及一种基于改进灰狼优化算法的复杂图像多阈值分割方法。

技术介绍

[0002]图像分割是图像处理中的重要环节，图像分割的好坏，直接影响着后期图像处理的结果，如目标定位、特征提取、特征识别等。现如今，图像分割的应用领域越来越广，如军事、医学、工业自动化及农业现代化等领域，因此图像高精度、高稳定性的分割显得尤为重要。简单图像仅包含两个区域(背景区域与目标区域)，通过单阈值分割即可将背景区域与目标区域划分出来，然而，工业自动化领域所涉及的图像往往为复杂图像，具有多类区域，目标像素占整幅图像像素的较小比例，直方图分布常呈现为拖尾分布或多峰分布，增加了分割难度，对图像分割算法的寻优性能要求更高。
[0003]根据图像分割的分割依据不同，可分为阈值分割方法、边缘分割方法和区域分割方法。其中基于阈值的分割方法因其实现简单、计算量小、性能稳定的特点，被学者广泛使用。阈值分割方法的核心在于如何寻找适当的阈值，最常用的阈值分割方法是基于灰度直方图的方法，如大津法、最大熵、最小交叉熵等。分割本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进灰狼优化算法的复杂图像多阈值分割方法，其特征在于：包括以下步骤：1)输入图像，进行灰度化处理，获取一维灰度直方图，图像灰度值范围定为[0,255]；2)建立图像多阈值分割的最大熵优化模型，并将最大熵优化模型作为分割函数；3)改进灰狼优化算法，应用于分割函数，得到最佳分割阈值矩阵；4)利用最佳分割阈值矩阵对图像进行多阈值分割，得到分割后的图像。2.如权利要求1所述的基于改进灰狼优化算法的复杂图像多阈值分割方法，其特征在于：步骤2)中将最大熵优化模型作为分割函数的步骤为；2.1)根据步骤1)输入图像灰度直方图，获得每个灰度级i的频数h
i
、频率p
i
以及被阈值矩阵(t1,t2,...,t
n
)分割后，n+1个分割区域出现的概率w
j
，j＝0,1,...,n，具体计算如下：p
i
＝h
i
/(M
×
N)，p
i
≥0且≥0且其中，M
×
N为待分割图像的尺寸；2.2)步骤2)中图像多阈值分割采用的信息商为最大熵，最大熵值计算公式为：H(t1,t2,...,t
n
)＝H0+H1+...+H
n
其中，阈值矩阵(t1,t2,...,t
n
)将图像分割为n+1个区域，H0,H1,...,H
n
分别为分割后的每个区域熵值，H(t1,t2,...,t
n
)为分割图像的最大熵值，其值由(t1,t2,...,t
n
)决定；2.3)建立所述最大熵优化模型，模型如下：其中，为最佳多阈值分割矩阵，此时，分割后的区域熵值之和最大。3.如权利要求1所述的基于改进灰狼优化算法的复杂图像多阈值分割方法，其特征在于：步骤3)的具体过程为：3.1)初始化灰狼种群，包括：最大迭代次数T
max
、灰狼种群个数N，灰狼种群位置边界
[lb,ub]，其中，lb＝0，ub＝255；3.2)随机生成灰狼种群初始位置，每个灰狼位置X
i
代表一个1行n列的矩阵其中，i＝1,2,...,N；3.3)以每个灰狼位置X
i
作为分割阈值进行图像分割，将分割后图像的最大熵值作为每个灰狼个体的适应度fit(i)，其中，适应度排名前三的灰狼个体，依次记为α狼、β狼和δ狼，并分别将其位置记为X
α
、X
β
、X
δ
；3.4)在灰狼个体位置更新前，引入反向学习策略，提高灰狼种群质量；3.5)分别计算剩余灰狼个体与α狼、β狼与δ狼的距离，更新灰狼个体位置，公式如下...

【专利技术属性】
技术研发人员：巢渊，徐魏，刘文汇，李兴成，张敏，李龑，单文桃，韩振华，丁力，刘凯磊，
申请(专利权)人：常州祥明智能动力股份有限公司，
类型：发明
国别省市：