一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法技术

本发明专利技术一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法，包括以下步骤：将待分割的图像进行预处理，得到预处理后的分割图像；基于灰狼与粒子群协同优化算法，将预处理后的分割图像的随机初始化的阈值数组，根据类间离散矩阵的迹作为背景和目标区域的类间离散度测度，将此离散矩阵的迹结合灰狼与粒子群协同优化得到最优的分割阈值数组(s0,t0)；根据阈值分割数组通过二维Otsu方法对预处理的图像进行阈值分割，最终获取到图像分割最优的结果，基于灰狼与粒子群协同优化算法的Otsu阈值分割方法比灰狼优化算法结合Otsu阈值分割的结果大为提升，且经过实验验证，PSO

【技术实现步骤摘要】
一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法


[0001]本专利技术属于全自动化产品领域，涉及一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法。

技术介绍

[0002]图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提.阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术.已被应用于很多的领域。
[0003]图像阈值化分割是一种最常用的图像分割方法，它适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大地压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
[0004]阈值分割法的基本原理是：通过设定不同的特征阈值，把图像像素点分为若干类。常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。由原始灰度或彩色值变换得到的特征。设原始图像为I(x，y)，按照一定的准则在I(x，y)中找到特征值T，将图像分割为两个部分，若取t0＝0(黑)，t1＝1(白)，即为我们通常所说的图像二值化。图像阈值化这个看似简单的问题，在过去的四十年里受到国内外学者的广泛关注，产生了数以百计的阈值选取方法，但是遗憾的是，如同其他图像分割算法一样，没有一个现有方法对每一幅的图像都能得到令人满意的结果。
[0005]这些阈值化方法，根据使用的是图像的局部信息或整体信息，可以分为基于点的方法和基于区域的方法；根据对全图使用统一阈值还是对不同区域使用不同阈值，可以分为全局阈值方法和局部阈值方法。基本的阈值图像分割方法有：
[0006]p
‑
分位数法，1962年Doyle
[1]提出的p
‑
分位数法可以说是比较旧的一种阈值选取方法。该方法使目标或背景的像素比例等于其先验概率来设定阈值，简单高效，但是对于先验概率难于估计的图像却无能为力。
[0007]迭代方法选取阈值
[2]，初始阈值选取为图像的平均灰度T0，然后用T0将图像的像素点分作两部分，计算两部分各自的平均灰度，小于T0的部分为TA，大于T0的部分为TB，将T1作为新的全局阈值代替T0，重复以上过程，如此迭代，直至TK收敛，即TK+1＝TK，在直方图波峰和波谷较明显的图像，迭代方法可以获得较好的结果。但是对于直方图波峰不明显，或图像目标和背景比例差异悬殊，迭代法所选取的阈值不如最大类间方差法。
[0008]最大类间方差法，Otsu
[3]方法是应用最广泛的图像分割法之一，由Otsu于1978年提出的最大类间方差法以其计算简单、稳定有效，一直广泛使用。最大类间方法阈值分割法选择分割阈值的标准是图像的类间方差达到最大或者类内方差最小。Otsu阈值分割法可以
从单阈值扩展到多级阈值分割，多阈值分割图像时是采用多个不同的阈值将图像分割为多个不同的区域或目标。
[0009]根据灰狼群体捕食的行为，Mirjalili
[4]等于2014年提出了一种新型群体智能优化算法：灰狼优化算法(GWO)。在各种优化技术中，灰狼优化是一种元启发式优化技术，其灵感来自狼家族之间的等级关系和灰狼使用的特殊狩猎技术。灰狼优化技术模仿灰狼群体的整体特征，根据所指定的适应度优化函数去找到最优解。
[0010]GWO通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的。GWO算法具有结构简单、需要调节的参数少，容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。将灰狼优化算法应用于多阈值的寻找，可提高求解最优解的速度和精确度。但是灰狼优化算法在某些方案搜索时会产生较低的精度，收敛到一个较差的结果。在这种情况下，最佳解决方案可能不在候选解决方案组考虑的范围内。灰狼优化技术产生的最优解仅接近原始最优解，并不是问题的最优解。
[0011]传统的Otsu(最大类间方差)阈值法，因其算法简单、稳定，被广泛应用于把图像分割成目标和背景区域的图像分割处理中。但在实际应用中，由于图像往往包含多类目标，只进行一维阈值的图像分割，已不能满足需求，多阈值分割。一维Otsu法根据一维直方图来确定分割阈值，由于未考虑像素点邻域平均灰度值导致确定的分割阈值不准确，造成图像分割不正确。因此需要一种具有较强的自适应、又高效快速的求解最佳阈值图像分割问题的方法，故提出了一种二维Otsu分割法，结合灰狼和粒子群寻优算法能够得到较好的分割结果。

技术实现思路

[0012]为了解决一维Otsu法根据一维直方图来确定分割阈值，由于未考虑像素点邻域平均灰度值导致确定的分割阈值不准确，造成最终图像分割不正确以及灰狼优化算法有陷入局部最优的缺点的问题，本专利技术提供本专利技术采用的技术方案是：一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法，包括以下步骤：
[0013]S1：将待分割的图像进行预处理，得到预处理后的分割图像；
[0014]S2：基于灰狼与粒子群协同优化算法，将预处理后的分割图像的随机初始化的阈值数组，根据类间离散矩阵的迹作为背景和目标区域的类间离散度测度，将此离散矩阵的迹结合灰狼与粒子群协同优化得到最优的分割阈值数组(s0,t0)。
[0015]S3：根据阈值分割数组通过二维Otsu方法对预处理的图像进行阈值分割，最终获取到图像分割最优的结果。
[0016]进一步地：还包括对表征图像特征，取p
ij
,f(i，j)，g(i，j)构成后面离散矩阵的基本要素的过程如下：
[0017]设图像I(x,y)的灰度级和它的领域平均灰度级均为L级，设f(x,y)为像素点(x,y)的灰度值，g(x,y)为像素点(x,y)为中心的3*3的像素点集合的灰度平均值，令f(x,y)＝i,g(x,y)＝j，然后就形成了一个二元组(i,j)，设二元组(i,j)出现的次数为f
ij
，然后求出二元组对应的概率密度P
ij
：
[0018]P
ij
＝fij/N, i,j＝1,2，
…
，L (1)
[0019]其中：N为图像像素点总数，任意选取一个阈值向量(s,t)选取的阈值向量将图像的二维直方图划分成4个区域，B、C区域代表图像的前景和背景，A、D区域代表噪声点，设B、C两个区域对应的概率分别为w1，w2，对应的均值矢量为u1，u2，整个图片所对应的均值矢量为u
T
，类间离散矩阵为B、C两个区域对应的概率乘以u1与u
T
的方差，u2与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法，其特征在于：包括以下步骤：S1：将待分割的图像进行预处理，得到预处理后的分割图像；S2：基于灰狼与粒子群协同优化算法，将预处理后的分割图像的随机初始化的阈值数组，根据类间离散矩阵的迹作为背景和目标区域的类间离散度测度，将此离散矩阵的迹结合灰狼与粒子群协同优化得到最优的分割阈值数组(s0,t0)；S3：根据阈值分割数组通过二维Otsu方法对预处理的图像进行阈值分割，最终获取到图像分割最优的结果。2.根据权利要求1所述的一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法，其特征在于：还包括对表征图像特征，取P
ij
,f(i，j)，g(i，j)构成后面离散矩阵的基本要素的过程如下：设图像I(x,y)的灰度级和它的领域平均灰度级均为L级，设f(x,y)为像素点(x,y)的灰度值，g(x,y)为像素点(x,y)为中心的3*3的像素点集合的灰度平均值，令f(x,y)＝i,g(x,y)＝j，然后就形成了一个二元组(i,j)，设二元组(i,j)出现的次数为f
ij
，然后求出二元组对应的概率密度P
ij
：P
ij
＝fij/N, i,j＝1,2，
…
，L (1)其中：N为图像像素点总数，任意选取一个阈值向量(s,t)选取的阈值向量将图像的二维直方图划分成4个区域，B、C区域代表图像的前景和背景，A、D区域代表噪声点，设B、C两个区域对应的概率分别为w1，w2，对应的均值矢量为u1，u2，整个图片所对应的均值矢量为u
T
，类间离散矩阵为B、C两个区域对应的概率乘以u1与u
T
的方差，u2与u
T
的方差之和。3.根据权利要求1所述的一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法，其特征还在于：所述的图像分割预处理步骤如下：将原图像I经过均值滤波后得到G图像，统计所有灰度级总数L和所有像素点和N，统计原图像I经过均值滤波后图像的灰度总数L与所有像素和N，统计像素点出现概率，用二元数组(i,j)描述图像任一点，任一点出现概率为：初始时用一个随机分割阈值数组(s,t)，通过分割阈值将图像划分出背景类C0和目标类C1，概率分别为W0和W1；；则背景C0和目标C1区域对应的均值矢量为：区域对应的均值矢量为：则总的均值矢量为：其类间离散矩阵定义如下：
Q(s，t)＝w0(u0‑
u)2+w1(u1‑
u)2ꢀꢀꢀꢀ
(8)将离散矩阵的迹作为C0区域和C1区域的类间离散度测度，即：R
trace
(Q(s，t))＝(w0+w1)*[(u
0i
‑
u
i
)2+(u
0j
‑
u
i
)2]
ꢀꢀꢀꢀ
(9)R
trace
(Q(s0，t0))＝max(R
trace
(Q(s，t)))，0≤s≤L
‑
1，0≤t≤L
‑1ꢀꢀꢀꢀꢀ
(10)通过离散矩阵的迹作为背景区域和目标区域的类间散度测度，离散矩阵取最大值时，确定分割阈值数组是最优，背景和目标也能分割得更好；当R
trace
(Q(s,t))取最大值时，此时确定的分割阈值(s0,t0)是最优的，则目标可以较好地被分割出来。4.根据权利要求1所述的一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法，其特征还在于：所述的粒子群种群的迭代更新过程如下：在粒子群算法中将图像阈值分割的二元数组的解空间的数值进行编码，产生染色体单元，根据图像的灰度范围，将图像的灰度图由256个灰度值对应着一个8位二进制，使用一个字节作为染色体；初始化pso和gwo参数：设置初始化种群数量为50，最大迭代次数为100，图像分割的维数为2，将寻优边界为设为0到255，产生一个规模的染色体种群，并随机初始化每一染色体，得到不同的染色体，从而进行种群的演变；在粒子群演变的过程中，引入压缩约束因子控制系统行为的最终收敛，在pso初始群体搜索空间中，每个粒子的当前位置和最佳位置都由一组实数值表示，这些值都是搜索空间的每个方向的坐标，每个粒子都有个体最佳位置和全局最佳位置，这些粒子位置代表了在搜索空间中可以被找到的最佳解决方案的位置，在迭代的过程中，每个粒子都会根据其当前位置、个体最佳位...

【专利技术属性】
技术研发人员：柳晓鸣，徐伟田，李英凯，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：