一種基于綜合學(xué)習(xí)差分演化算法的多閾值圖像分割方法
【專利摘要】本發(fā)明公開了一種基于綜合學(xué)習(xí)差分演化算法的多閾值圖像分割方法，本發(fā)明在差分演化算法的變異操作過程中，采用二元錦標賽選擇方法隨機從種群中選擇出一個個體，并將它與最優(yōu)個體生成一個綜合個體，再以該綜合個體為基礎(chǔ)個體執(zhí)行變異操作生成變異個體，以此在保持種群多樣性的同時盡可能加快搜索速度，然后執(zhí)行傳統(tǒng)差分演化算法的雜交、選擇操作算子；同時，根據(jù)當前的搜索反饋信息適應(yīng)性地調(diào)整縮放因子和雜交概率的值，以此增強算法的魯棒性；重復(fù)執(zhí)行上述步驟直至滿足終止條件，在計算過程中得到的最優(yōu)個體，即為圖像最終的分割閾值；本發(fā)明能夠減少陷入局部最優(yōu)的概率，提高圖像分割的精度，加快分割的速度，提高分割的實時性。
【專利說明】-種基于綜合學(xué)習(xí)差分演化算法的多閾值圖像分割方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)字圖像分割技術(shù)，尤其是一種基于綜合學(xué)習(xí)差分演化算法的多閾值 圖像分割方法。

【背景技術(shù)】
[0002] 多閾值圖像分割是現(xiàn)代數(shù)字圖像處理中一種非常重要的數(shù)字圖像處理方法。在多 閾值圖像分割過程中，通常按照預(yù)先設(shè)定的分割準則，找到多個閾值，標識出圖像中的感興 趣部分，從而將圖像分割成為幾個不同的部分。在多閾值圖像分割過程中，最為關(guān)鍵的步驟 是如何快速有效地優(yōu)化出各個閾值。然而傳統(tǒng)基于窮盡搜索的多閾值圖像分割方法往往都 存在著搜索速度慢，實時性不高的缺點，尤其是當閾值數(shù)量較大時，搜索耗時在實際工程應(yīng) 用中常常難以接受。為此，人們將智能優(yōu)化算法應(yīng)用到多閾值圖像分割中，從而智能、快速 地求解出分割閾值。例如，戴瓊海等在2010年發(fā)明了一種基于適度隨機搜索行為的多閾值 圖像分割方法；童小念等在2010年提出了一種基于量子粒子群算法的雙閾值圖像分割方 法；張偉等在2011年提出了基于改進粒子群優(yōu)化的模糊熵煤塵圖像分割。
[0003] 差分演化算法是一種求解優(yōu)化問題的有效現(xiàn)代智能優(yōu)化算法。差分演化算法的結(jié) 構(gòu)很簡單，易于理解和實現(xiàn)，并且具有很強的自組織、自學(xué)習(xí)和自適應(yīng)性，它已經(jīng)成為了求 解優(yōu)化問題研究領(lǐng)域中一個十分活躍的研究熱點。人們已經(jīng)成功將差分演化算法用于解決 多閾值圖像分割問題，然而傳統(tǒng)差分演化算法在解決多閾值圖像分割問題時往往存在著易 陷入局部最優(yōu)，分割效果仍需提高，收斂速度慢及實時性不強的缺點。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對傳統(tǒng)差分演化算法進行多閾值圖像分割時存在著易陷入局部最優(yōu)，分 割精度不高，分割速度慢以及實時性不強的缺點，提出一種基于綜合學(xué)習(xí)差分演化算法的 多閾值圖像分割方法，該方法在差分演化的變異操作過程中，采用二元錦標賽選擇方法隨 機從種群中選擇出一個個體，并將它與最優(yōu)個體生成一個綜合個體，再以該綜合個體為基 礎(chǔ)個體執(zhí)行變異操作生成變異個體，以此在保持種群多樣性的同時盡可能加快搜索速度， 然后執(zhí)行傳統(tǒng)差分演化算法的雜交、選擇操作算子；同時，根據(jù)當前的搜索反饋信息適應(yīng)性 地調(diào)整縮放因子和雜交概率的值，以此增強算法的魯棒性；重復(fù)執(zhí)行上述步驟直至滿足終 止條件，在計算過程中得到的最優(yōu)個體，即為圖像最終的分割閾值；與同類方法相比，本發(fā) 明能夠減少陷入局部最優(yōu)的概率，提高圖像分割的精度，加快分割的速度，提高分割的實時 性。
[0005] 本發(fā)明的技術(shù)方案：一種基于綜合學(xué)習(xí)差分演化算法的多閾值圖像分割方法，包 括以下步驟：
[0006] 步驟1，用戶初始化參數(shù)，所述初始化參數(shù)包括分割閾值數(shù)量D，種群大小 Popsize，最大評價次數(shù)MAX_FEs;
[0007] 步驟2,當前演化代數(shù)t= 0,并設(shè)置綜合學(xué)習(xí)率Pr^ = 0. 5,雜交率Cr^ = 0. 9,縮 放因子Fj= 0. 5,其中下標i= 1，. . .，Popsize，當前評價次數(shù)FEs=O;
[0008] 步驟3,隨機產(chǎn)生初始種群

【權(quán)利要求】
1. 一種基于綜合學(xué)習(xí)差分演化算法的多閾值圖像分割方法，其特征在于，包括以下步 驟： 步驟1，用戶初始化參數(shù)，所述初始化參數(shù)包括分割閾值數(shù)量D，種群大小Popsize，最 大評價次數(shù)MAX_FEs; 步驟2,當前演化代數(shù)t= 0,并設(shè)置綜合學(xué)習(xí)率Pr^ = 0. 5,雜交率Cr^ = 0. 9,縮放因 子Fj= 0. 5,其中下標i= 1，...，Popsize,當前評價次數(shù)FEs= 0 ; 步驟3,隨機產(chǎn)生初始種群乃=,4X，K,4# }，其中：下標i= 1，...，Popsize，并且為;為種群Pt中的第i個個體，其隨機初始化公式為：
其中下標j= 1，...，D，并且D為分割閾值數(shù)量；4為在種群Pt中的第i個個體，存儲 了D個分割閾值；rand(0, 1)為在[0, 1]之間服從均勻分布的隨機實數(shù)產(chǎn)生函數(shù)； 步驟4,計算種群Pt中每個個體的適應(yīng)值，其中適應(yīng)值越大則表明個體越優(yōu)秀，對于任 意一個個體 < 的適應(yīng)值F/i(〇按以下公式計算： Fil(A)) = YjH,, k~Q 其中Hk為第k個圖像灰度值區(qū)間的熵，按如下公式計算：
其中h(j)為第j個圖像灰度值在圖像中的像素總數(shù)，為第j個圖像灰度值在圖像 中的概率丄」為向下取整運算符；Wtl為區(qū)間[0, 的圖像灰度值的累加概率和，Htl 為區(qū)間[〇，UU-丨]的圖像灰度值的熵，％為區(qū)間[L<J，k.i+J-1]的圖像灰度值 的累加概率和，下標k= 1，2, 一D-LHk為區(qū)間[^4。丄的圖像灰度值的熵，wD 為區(qū)間[L·^」，255]的圖像灰度值的累加概率和，Hd為區(qū)間[Uk」，255]的圖像灰度值的 熵；然后當前評價次數(shù)FEs=FEs+Popsize，并保存種群Pt中適應(yīng)值最大的個體為最優(yōu)個體 Bestt ； 步驟5,令計數(shù)器i=I; 步驟6,如果計數(shù)器i大于種群大小Popsize，則轉(zhuǎn)到步驟15,否則轉(zhuǎn)到步驟7 ; 步驟7,計算個體4的當前綜合學(xué)習(xí)率NPriS計算公式如下：
其中rl為在[0, 1]之間隨機產(chǎn)生的實數(shù)； 步驟8,根據(jù)個體4的當前綜合學(xué)習(xí)率NPriS對個體<產(chǎn)生一個綜合學(xué)習(xí)個體5/，其 步驟如下： 步驟8.1，令計數(shù)器j=l; 步驟8. 2,如果計數(shù)器j大于D，則轉(zhuǎn)到步驟9,否則轉(zhuǎn)到步驟8. 3 ; 步驟8. 3,在[0，1]之間產(chǎn)生一個隨機實數(shù)r2 ;如果r2小于個體為<的當前綜合學(xué)習(xí)率NPi^則轉(zhuǎn)到步驟8. 7,否則轉(zhuǎn)到步驟8. 4 ; 步驟8.4,在[1，Popsize]之間隨機產(chǎn)生兩個不相等的正整數(shù)RI1，RI2 ; 步驟8. 5,如果個體的適應(yīng)值大于個體J;的適應(yīng)值，則5,^ =Jkj，否則 Kj-Atm2j ; 步驟8. 6,令計數(shù)器j=j+Ι，轉(zhuǎn)到步驟8. 2 ; 步驟8. 7, < , = 卜令計數(shù)器j=j+Ι，轉(zhuǎn)到步驟8. 2 ; 步驟9,按以下公式計算個體4的當前縮放因子Nht和當前雜交率NCritZ
其中r3，r4都是在[0，1]之間隨機產(chǎn)生的實數(shù)，randc(0. 5,0. 3)為以0. 5作為位置參 數(shù)，0. 3作為尺度參數(shù)產(chǎn)生服從柯西分布的隨機實數(shù)函數(shù)，rand(0, 1)為在[0, 1]之間產(chǎn)生 服從均勻分布的隨機實數(shù)函數(shù)； 步驟10,以綜合學(xué)習(xí)個體劣作為基礎(chǔ)個體，并以Nht為個體4的當前縮放因子，NCi^ 為個體4的當前雜交率，產(chǎn)生個體4的試驗個體V丨，并計算試驗個體U丨的適應(yīng)值^^(以(）， 其步驟如下： 步驟10. 1，令計數(shù)器j=l; 步驟10. 2,在[1，D]之間隨機產(chǎn)生一個正整數(shù)jRand; 步驟10. 3,在[1，Popsize]之間隨機產(chǎn)生兩個不相等的正整數(shù)RI3,RI4 ; 步驟10. 4,如果計數(shù)器j大于D，則轉(zhuǎn)到步驟10. 9,否則轉(zhuǎn)到步驟10. 5 ; 步驟10. 5,在[0，1]之間產(chǎn)生一個隨機實數(shù)r5,如果r5小于個體4的當前雜交率NCr^ 或者jRand等于計數(shù)器j，則轉(zhuǎn)到步驟10. 6,否則轉(zhuǎn)到步驟10. 7 ; 步驟 10. 6, = + ;轉(zhuǎn)到步驟 10. 8 ; 步驟 10. 7, = < ; 步驟10. 8,令計數(shù)器j=j+Ι，轉(zhuǎn)到步驟10. 4 ; 步驟10. 9,計算試驗個體[/丨的適應(yīng)值抑(W)，轉(zhuǎn)到步驟11 ; 步驟11，按以下公式在個體4與試驗個體之間選擇出個體進入下一代種群： t+l_\ui，當t/丨的適應(yīng)值大于或等丑丨的適應(yīng)值時 4 =U其他 ； 步驟12,按以下公式更新個體4的綜合學(xué)習(xí)率PriS縮放因子FiS雜交率Ci^ :ρ/+] [NPr；,當t/丨的適應(yīng)值大于或等于4的適應(yīng)值時 PVl ={Prit,其他 Fi+l_lNF；, 當W的適應(yīng)值大于或等于:4丨的適應(yīng)值時 !=\f：,其他 Crl+l_\^Cr；,當t/丨的適應(yīng)值大于或等于4的適應(yīng)值時η ^{Cr；,其他 步驟13,令計數(shù)器i=i+1 ; 步驟14,轉(zhuǎn)到步驟6 ; 步驟15,當前評價次數(shù)FEs=FEs+Popsize，保存種群Pt中適應(yīng)值最大的個體為最優(yōu) 個體Bestt ;當前演化代數(shù)t=t+Ι; 步驟16,重復(fù)步驟5至步驟15直至當前評價次數(shù)FEs達到MAX_FEs后結(jié)束，執(zhí)行過程 中得到的最優(yōu)個體Bestt即為分割圖像的D個分割閾值，并以得到的D個分割閾值對圖像 進行分割。
【文檔編號】G06T7/00GK104318575SQ201410613479
【公開日】2015年1月28日 申請日期:2014年11月4日 優(yōu)先權(quán)日:2014年11月4日
【發(fā)明者】郭肇祿, 黃海霞, 岳雪芝, 謝霖銓, 李康順, 尹寶勇, 汪慎文 申請人:江西理工大學(xué)