【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于熵的多阈值图像分割方法。
技术介绍
1、在计算机视觉领域研究不断发展的背景下，医学图像处理和分析技术越来越重要。图像分割是图像处理的重要的基础工作之一，是图像分析与图像识别的关键预处理部分。它可以辅助医生对病变体及其它感兴趣的区域进行快速有效地分析。因此，对图像分割技术的深入研究是具有十分重要的理论意义和实用价值的。
2、目前对于图像分割的一般性规律基本上已经达成共识，产生了相当多的研究成果和方法。其中，多阈值图像分割方法因其简单高效的特点而被广泛应用。该方法通过多个阈值将图像划分为多个不相连的区域，因此其核心问题是选择一组合适的阈值。阈值的选择本质上是一个复杂的组合优化问题。因此，如何高效获得和优化最佳阈值集以提高图像分割质量是本领域一直在寻求解决的问题。
3、因此，有必要研究一种多阈值图像分割方法，以获取高质量的分割结果。
技术实现思路
1、为了解决现有技术中存在的一个或多个问题,尽可能的获得更好的图像分割质量，申请人经过研究发现，将精英进化策略和探路者优化算法中探路者的迭代行为引入到算术优化算法中，可以得到性能优越的优化器(etaoa)。此外，结合非局部均值二维直方图和renyi熵构建的分割模型，可有效选取图像的最优阈值集，获取更高质量的分割结果。
2、具体地，根据本专利技术一方面，提供了一种基于熵的多阈值图像分割方法，包括以下步骤：
3、步骤1：输入待分割图像，初始化阈值分割水平leve
4、步骤2：对该待分割图像进行灰度化处理，获得对应的灰度图像，并通过非局部均值滤波处理该待分割图像获得非局部均值图像；
5、步骤3：初始化参数：算术优化算法的种群大小n、最大迭代次数maxiterations；
6、步骤4：随机初始化种群位置：xi(i＝1,2,…,n)；
7、步骤5：评估所有种群个体的适应度值：renyi熵；
8、步骤6：明确最优的前三个个体{best,best2,best3}及其对应的适应度值；
9、步骤7：计算数学优化器加速函数moa，如公式(1)：
10、
11、其中min和max分别是moa函数的最小值和最大值，t是当前迭代次数；
12、步骤8：根据算术优化算法的位置更新方式实现一次迭代的位置更新，如公式(2)：
13、
14、其中，xi(t+1)是第t+1次迭代的第i个个体位置；mop是由计算得到的变量，γ表示定义开发精度的敏感参数，∈表示小整数，μaoa表示控制参数，ub和lb分别代表个体位置的上限和下限。r2和r3是两个在(0，1)之间随机生成的向量；
15、步骤9：根据算术优化算法更新种群位置后，按照精英进化策略的位置更新方法，再次更新种群个体的位置，更新过程如公式(3)-(4)所示：
16、
17、
18、其中，表示两种个体的随机组合，⊕表示随机组合两种个体生成新的个体，p表示可变参数，用于控制个体组合的概率，gsnum是符合μ＝0和σ＝0.333的高斯概率分布的序列向量，|·|表示取绝对值的操作，m1是由best2和best3组合生成的新个体，m2是由best和m1组合生成的新个体，cl是个体位置范围内的中心位置，n1是由cl和best组合生成的新个体，xi(t)是第t次迭代的第i个个体位置；
19、步骤10：按照探路者优化算法中探路者的迭代行为更新前三个最优个体得到{best(t+1),best2(t+1),best3(t+1)}，由当前迭代的前三个最优个体{best(t),best2(t),best3(t)}和上一次迭代的前三个最优个体{best(t-1),best2(t-1),best3(t-1)}组合而成，更新公式如公式(5)-(6)所示：
20、
21、
22、其中，r4，r5，和r6是三个在(0，1)之间随机生成的向量，a1，a2，a3是三个随迭代次数变化的变量，μ1，μ2，和μ3是三个(-1，1)之间的随机数；
23、步骤11：判断是否满足迭代终止条件t<maxiterations，若不满足则返回步骤5继续迭代，否则终止迭代。
24、步骤12：返回最优阈值和最大renyi熵,即种群最优个体位置为最优阈值，种群最优个体位置对应的适应度值为最大renyi熵；
25、步骤13：基于获取的最优阈值进行图像分割。
26、根据本专利技术又一方面，将待分割图像对应的灰度图像和非局部均值图像结合，构造非局部均值二维直方图来表述图像信息。
27、根据本专利技术又一方面，l-1个灰度级可表示为{t1,t2,...,tl-1}＝{(s1,t1),(s2,t2),...,(sl-1,tl-1))}，其中{t1,t2…,tl-1}表示灰度图像的值，{s1,s2…,sl-1}表示非局部均值图像的值，相应的图像可分为l-1个类别{c1,c2,...,cl-1}，根据二维直方图表述的图像信息计算renyi熵renα，定义为公式(13)：
28、
29、其中，α是一个系数，在这里被设置为0.5，renα(c1)，renα(c2)，renα(cl-1)分别是相应图像的第一个类别、第二个类别和第l-1个类别的renyi熵，h(i,j)表示像素组(i,j)的联合概率密度函数，w1，w2和wl-1分别代表相应图像的第一个类别、第二个类别和第l-1个类别的联合概率密度函数和；
30、将renyi熵作为目标函数，使renα最大化的阈值集合则为最优分割阈值。
31、本专利技术的有益效果在于：
32、本专利技术提出了一种基于熵的多阈值图像分割模型，该模型以非局部均值二维直方图和renyi熵为基础，将精英进化策略和探路者优化算法中探路者的迭代行为引入到算术优化算法中得到改进的算术优化算法(etaoa)，以选取最优阈值集合，从而获得更高质量的分割结果。
本文档来自技高网...【技术保护点】
1.一种基于熵的多阈值图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于熵的多阈值图像分割方法，其特征在于将待分割图像对应的灰度图像和非局部均值图像结合，构造非局部均值二维直方图来表述图像信息。
3.根据权利要求2所述的基于熵的多阈值图像分割方法，其特征在于，L-1个灰度级可表示为{T1,T2,...,TL-1}＝{(s1,t1),(s2,t2),...,(sL-1,tL-1))}，其中{t1,t2…,tL-1}表示灰度图像的值，{s1,s2…,sL-1}表示非局部均值图像的值，相应的图像可分为L-1个类别{C1,C2,...,CL-1}，根据二维直方图表述的图像信息计算Renyi熵Renα，定义为公式(13)：
【技术特征摘要】
1.一种基于熵的多阈值图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于熵的多阈值图像分割方法，其特征在于将待分割图像对应的灰度图像和非局部均值图像结合，构造非局部均值二维直方图来表述图像信息。
3.根据权利要求2所述的基于熵的多阈值图像分割方法，其特征在于，l-1个灰度级可表示为{t1...
【专利技术属性】
技术研发人员：陈慧灵，郝淑慧，黄长城，陈丽燕，陈翼，
申请(专利权)人：温州大学大数据与信息技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。