圖像閾值分割的Tent映射改進(jìn)蜂群算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于目標(biāo)檢測(cè)算法技術(shù)領(lǐng)域，設(shè)及圖像闊值分割的Tent映射改進(jìn)蜂群算 法。
【背景技術(shù)】
[0002] 圖像闊值分割是目標(biāo)檢測(cè)中的關(guān)鍵技術(shù)，因其高效、易于實(shí)現(xiàn)等特點(diǎn)而被廣泛應(yīng) 用?，F(xiàn)已提出大量的闊值選取方法，該些方法根據(jù)一維直方圖或二維直方圖及其區(qū)域劃分 方式W，結(jié)合智能算法尋求不同準(zhǔn)則下的最佳闊值在不同應(yīng)用領(lǐng)域取得了較好的應(yīng)用 效果。人工蜂群算法^(AdificialBeeColony,ABC)就是該類智能算法中比較典型的算 法。該算法是由Kar油oga于2005年提出的一種基于蜜蜂群智能捜索行為的隨機(jī)優(yōu)化算 法。雖然人工蜂群算法的研究和應(yīng)用只處于初級(jí)階段，但該算法已廣泛用于解決各類優(yōu)化 問(wèn)題，如函數(shù)優(yōu)化w、TSP仿真多目標(biāo)優(yōu)化W、邏輯推理及圖像處理twu等。同時(shí)， 其易于早熟收斂、編碼不統(tǒng)一、捜索速度慢等智能算法普遍存在的缺點(diǎn)亦體現(xiàn)出來(lái)。
[0003] 混濁是一種普遍的非線性現(xiàn)象，其行為看似復(fù)雜且類似隨機(jī)，但其內(nèi)在存在一定 的規(guī)律性。混濁的發(fā)現(xiàn)，對(duì)科學(xué)的發(fā)展具有空前深遠(yuǎn)的影響?；鞚峋哂衅洫?dú)特的初值敏感 性、遍歷性和規(guī)律性等性質(zhì)Logistic和Tent映射就是應(yīng)用領(lǐng)域中典型的混濁序列，利 用混濁理論中獨(dú)有的初值敏感性，本文首先利用Tent映射的特點(diǎn)構(gòu)建人工蜂群算法的一 種互補(bǔ)編碼方式；其次在蜂群算法更新策略中結(jié)合當(dāng)前解與最優(yōu)解之間特點(diǎn)，提出一種固 定方向的更新方式；再次利用1與[0, 1]之間的數(shù)作差依然是[0, 1]范圍內(nèi)數(shù)的互補(bǔ)特性 對(duì)局部?jī)?yōu)解進(jìn)行調(diào)整；最后將改進(jìn)的蜂群算法W二維直線交叉滴作為適應(yīng)度函數(shù)應(yīng)用到灰 度圖像闊值分割中，取得了較好的應(yīng)用效果。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供圖像闊值分割的Tent映射改進(jìn)蜂群算法，解決了現(xiàn)有的 算法易于早熟收斂、編碼不統(tǒng)一、捜索速度慢的問(wèn)題。
[0005] 本發(fā)明所采用的技術(shù)方案是按照W下步驟進(jìn)行：
[0006] 步驟1 ;采用Tent映射對(duì)算法的個(gè)體進(jìn)行初始化；
[0007] 步驟2 ;利用Tent映射將初始值均勻分布在解空間；
[000引步驟3:在各蜜源附近采用固定捜索方向的人工蜂群算法更新新蜜源位置，若該 位置優(yōu)于原蜜源位置，則保留新蜜源位置；否則保留原蜜源位置；
[0009] 步驟4;按照輪盤賭的選擇概率，針對(duì)跟隨蜂按照固定捜索方向的人工蜂群算法 更新新蜜源位置，若該位置優(yōu)于原蜜源位置，則保留新蜜源位置；否則保留原蜜源位置；
[0010] 步驟5 ;針對(duì)引領(lǐng)蜂和跟隨蜂，更新其最優(yōu)解；若最優(yōu)解達(dá)到了限定的個(gè)數(shù)，則重 新生成該蜜源個(gè)體；
[0011] 步驟6 ;若迭代次數(shù)小于預(yù)設(shè)的迭代次數(shù)，轉(zhuǎn)至步驟3進(jìn)行迭代；否則輸出最優(yōu)解。
[0012] 進(jìn)一步，所述步驟1中，Tent映射的表述形式為：
[001引
； （1)
[0014] 其中ZcG[(u];y為常數(shù)，取值范圍是[1，4]。當(dāng)y= 4時(shí)，系統(tǒng)已經(jīng)處于完全 混濁狀態(tài)，此時(shí)系統(tǒng)可無(wú)重復(fù)地遍歷整個(gè)捜索空間。
[0015] 進(jìn)一步，所述步驟2中假定算法初始蜜源的個(gè)數(shù)為N個(gè)，首先2。=rand0,rand0 是[0，1]之間的隨機(jī)數(shù)，其次應(yīng)用Tent映射構(gòu)建ZkG[0, 1]范圍內(nèi)人工蜂群算法的初始 蜜源^個(gè)；再次利用1-Zk其值的區(qū)間范圍依然也是[0，1]的互補(bǔ)特性，構(gòu)建算法的另外^ 個(gè)初值；假定蜜源的定義域?yàn)閇Xmi。，XmJ，則其由Zk到Xk的線性變換為：
[0016] Xk=Zk(Xmax-Xmin)+Xmin做
[0017] 或Xk= (1-Zk) (Xmax-Xmj+Xmw保）根據(jù)上面的策略完成人工蜂群算法蜜源初 始值。
[0018] 進(jìn)一步，由標(biāo)準(zhǔn)人工蜂群算法的更新策略；
[0019] V。' =X。'+ 4U(Xu-Xkj) ; (4)
[0020]進(jìn)一步，所述步驟3中設(shè)單變量單峰函數(shù)f(x)，f(Xg)為到目前為止的最大值： [OOW(1)當(dāng)Xi<v且f(Xi)<f(Xg)，此時(shí)X潮向移動(dòng)，即對(duì)于Xi而言其移動(dòng)符號(hào)為 正，良Psign(Xg-Xi);
[00巧似當(dāng)X2〉V且f(X2)<f(Xg)，此時(shí)X2朝向移動(dòng)，即對(duì)于X2而言其移動(dòng)符號(hào)為 負(fù)，即sign(Xg-X2);
[002引 做當(dāng)Xi=X2,則f(Xi) =f(X2)，此時(shí)Xi不移動(dòng)，即對(duì)于Xi而言其移動(dòng)符號(hào)能正 能負(fù)；將式（4)所示的公式更新為式巧）；
[0024] XU+C?randO?si即（Xgj-x。') 妨
[002引式妨中C是常數(shù)，randO是[0,U之間的隨機(jī)數(shù)，Xu是蜜源i的第j維位置，Xgj是到目前為止最優(yōu)蜜源的第j維位置，sign是符號(hào)函數(shù)；
[0026] 進(jìn)一步，所述步驟5中若最優(yōu)解達(dá)到了限定的個(gè)數(shù)，則針對(duì)一維變量采用式（6)所 示的調(diào)整策略，多維變量采用式（7)所示的調(diào)整策略，重新生成該蜜源個(gè)體；
[0029] 本發(fā)明的有益效果是不會(huì)過(guò)早收斂、捜索速度快。
【附圖說(shuō)明】
[0030] 圖1是當(dāng)初始值為0. 1234時(shí)Logistic和Tent映射生成數(shù)值比較圖；
[0031] 圖2是當(dāng)初始值為0. 6789時(shí)Logistic和Tent映射生成數(shù)值比較圖；
[0032] 圖3是單峰函數(shù)變量位置示意圖；
[0033] 圖4是多峰函數(shù)變量位置示意圖；
[0034] 圖5是二維直線型區(qū)域劃分示意圖；
[0035] 圖6是改進(jìn)蜂群算法的圖像分割流程圖。
【具體實(shí)施方式】
[0036] 下面結(jié)合【具體實(shí)施方式】對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。
[0037] 本發(fā)明利用基本蜂群算法中蜜蜂捜索蜜源的機(jī)理，提出一種改進(jìn)的人工蜂群算 法。
[003引 Tent映射的改進(jìn)蜂群算法
[0039] 1. 1Tent映射，采用Tent映射對(duì)算法的個(gè)體進(jìn)行初始化；
[0040] 混濁優(yōu)化是一種較新的優(yōu)化算法，Logistic和Tent是該類算法中常用的混濁 序列，該類序列中通用的特點(diǎn)是具有初值敏感性。因此利用該特點(diǎn)對(duì)算法進(jìn)行初始賦值。 Logistic可W用下式來(lái)描述：
[004UZk+i=yZk(l-Zk) ; (1)
[0042] Tent映射的表述形式為；
[00創(chuàng)
巧
[0044] 其中ZuG[(U] 為常數(shù)，取值范圍是[1，句。當(dāng)y= 4時(shí)，系統(tǒng)已經(jīng)處于完全 混濁狀態(tài)，此時(shí)系統(tǒng)可無(wú)重復(fù)地遍歷整個(gè)捜索空間。
[0045] 從公式表述中可W看到，Logistic映射y=4時(shí)，ZkG{〇, 1，0. 25, 0. 7引為該系 統(tǒng)的不動(dòng)點(diǎn)；而與e化為Tent映射的不動(dòng)點(diǎn)。當(dāng)對(duì)Logistic和Tent映射賦予相同的初 值，二者具有不同的分布特性。圖1和圖2分別對(duì)應(yīng)的是當(dāng)2。= 0. 1234和Z。= 0. 6789,k=200時(shí)二者的對(duì)比曲線圖，虛線和實(shí)線分別是Logistic和Tent映射迭代200次后數(shù)值 的變化折線圖。從圖中對(duì)比可W看出，盡管不同的初始值，Logistic映射都在60代左右落 入不動(dòng)點(diǎn)而不發(fā)生變化，而Tent映射表現(xiàn)出了較好的遍歷均勻性。因此，該里采用Tent映 射對(duì)算法的個(gè)體進(jìn)行初始化。
[0046] 1. 2Tent映射的改進(jìn)蜂群算法
[0047] 1. 2. 1利用Tent映射將初始值均勻分布在解空間，Tent映射的初始個(gè)體均勻化；
[0048] 人工蜂群算法中將蜂巢內(nèi)的蜜蜂分為引領(lǐng)蜂，跟隨蜂和偵查蜂。引領(lǐng)蜂、跟隨蜂用 于蜜源的開(kāi)采，偵查蜂避免蜜源種類過(guò)少，每種角色的蜜蜂分擔(dān)不同的工作，相互協(xié)作，角 色之間根據(jù)適應(yīng)度值在一定條件下進(jìn)行相互轉(zhuǎn)換。假定算法初始蜜源的個(gè)數(shù)為N個(gè)，首先 2。=rand0，其次應(yīng)用Tent映射構(gòu)建ZkE[0, 1]范圍內(nèi)人工蜂群算法的初始蜜源^個(gè)； 再次利用1-Zk其值的區(qū)間范圍依然也是[0，1]的互補(bǔ)特性，構(gòu)建算法的另外f個(gè)初值；最 后假定某一問(wèn)題的定義域?yàn)閇Xmi。，XmJ，則其由Zk到Xk的線性變換為：
[0049] Xk=Zk(Xmax-Xmin)+X"dn做
[0050] 或Xk= (1-Zk) (Xmax-XmJ+Xmin。 口，）
[0化1] 根據(jù)上面的策略完成人工蜂群算法蜜源初始值，該初始值在定義域內(nèi)具有均勻分 布的特性，為算法的后續(xù)尋找最優(yōu)解提供了基礎(chǔ)條件。
[0化2] 1. 2. 2蜜源更新策略的改進(jìn)
[0化3] 標(biāo)準(zhǔn)的人工蜂群算法在各蜜源附近按式（4)捜索新蜜源。
[0化4]Vij=XJJ+<1)JJ(Xij-Xy) (4)
[005引式中X。為蜜源i的第j維位置，XW是隨機(jī)選取不同于i的第j維蜜源位置，4。 是范圍在[-1，1]中的隨機(jī)數(shù)，Vu是新蜜源位置。在該更新公式中，xy和4U都體現(xiàn)了一 定的隨機(jī)性，新蜜源更新方向具有不確定性。該里提出一種更新方向確定的更新策略，使Vij 一直朝著較優(yōu)方向更新。先W如圖3所示的單變量單峰函數(shù)f(x)為例，設(shè)f(Xg)為到目前 為止的最大值，討論更新方向問(wèn)題。
[0056] (1)當(dāng)Xi<Xg，且f(Xi)<f(Xg)，此時(shí)X潮X式向移動(dòng)，即對(duì)于X1而言其移動(dòng)符號(hào)為 正，即sign(Xg-