[發(fā)明專利]連續(xù)量子雁群算法演化脈沖耦合神經(jīng)網(wǎng)絡(luò)系統(tǒng)參數(shù)的自動圖像分割方法

有效

• 申請?zhí)枺?/td>: 201410062126.1
• 申請日: 2014-02-24
• 公開（公告）號: CN103824291B
• 公開（公告）日: 2017-01-11
• 發(fā)明（設(shè)計(jì)）人: 高洪元;趙茂錚;孫研;徐從強(qiáng);常亮;李晨琬
• 申請（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.連續(xù)量子雁群算法演化脈沖耦合神經(jīng)網(wǎng)絡(luò)系統(tǒng)參數(shù)的自動圖像分割方法，其特征在于：

（1）建立演化脈沖耦合神經(jīng)網(wǎng)絡(luò)系統(tǒng)參數(shù)的自動圖像分割的最小組合加權(quán)熵模型：H＝d₁·H₁+d₂·H₂+d₃·H₃，H₂＝1/H₄H₃＝H₁/H₄，其中H是分割后圖像的組合加權(quán)熵，H₁是分割后圖像的交叉熵，H₂是分割后圖像的香農(nóng)熵的倒數(shù)，H₃是分割后圖像的比熵,H₄是分割后圖像的香農(nóng)熵,d₁、d₂、d₃是加權(quán)系數(shù)；

（2）初始化連續(xù)量子雁群種群空間，其中量子雁群算法的種群規(guī)模為M和最大迭代代數(shù)為N，種群中第i個(gè)大雁采用結(jié)構(gòu)表示，i＝1,2,…,M，其中表示第t代種群的第i個(gè)大雁的當(dāng)前位置，是第t代第i個(gè)大雁位置的適應(yīng)度值，是第t代時(shí)第i個(gè)大雁的歷史最優(yōu)位置，是第t代第i個(gè)大雁的歷史最優(yōu)適應(yīng)度值，表示第t代第i個(gè)大雁的當(dāng)前量子位置，為第t代第i個(gè)大雁的歷史最優(yōu)量子位置：

2.1）初始化和i＝1,2,…,M，在定義域范圍內(nèi)隨機(jī)產(chǎn)生初始種群，種群中第i個(gè)大雁當(dāng)前位置為uit=[ui,1t,ui,2t,...,ui,Dt],aj≤ui,jt≤cj,]]>其中，是的第j個(gè)變量，a_j、c_j分別是的下限和上限，D是位置向量的維數(shù)，對于PCNN分割是D(D≥3)維向量，脈沖耦合神經(jīng)網(wǎng)絡(luò)參數(shù)連接系數(shù)β、幅度系數(shù)V_θ、衰減系數(shù)α_θ為必求變量，m×m維矩陣ω_i,j中的變量可采用固定矩陣或變量優(yōu)化得到，對于初始種群，即t＝1時(shí)，初始化第i個(gè)大雁歷史最優(yōu)位置為bit=uit;]]>

2.2）求第i個(gè)大雁位置適應(yīng)度值i＝1,2,…,M，將大雁位置所對應(yīng)的參數(shù)帶入脈沖耦合神經(jīng)網(wǎng)絡(luò)模型對圖像進(jìn)行分割，計(jì)算出分割后圖像的組合加權(quán)熵H，組合加權(quán)熵H值即為此大雁位置的適應(yīng)度值求出所有大雁位置的適應(yīng)度值，初始化當(dāng)t＝1時(shí)，Ait=Eit;]]>

2.3）初始化和i＝1,2,…,M，所有大雁按其歷史最優(yōu)位置的適應(yīng)度值由小到大的順序排序，進(jìn)行編號，將第i個(gè)大雁位置映射為該位置的量子位置，即

xit=[ui1te1,ui2te2,...,uiDteD]=[xi,1t,xi,2t,...,xi,Dt],]]>其中e是位置向量各個(gè)變量取值區(qū)間長度組成的向量e＝[e₁,e₂,…,e_D]；

（3）利用模擬量子旋轉(zhuǎn)門對每個(gè)大雁位置進(jìn)行更新：

3.1）計(jì)算所有大雁歷史最優(yōu)量子位置的均值：

3.2）根據(jù)頭雁引領(lǐng)策略和非頭雁跟隨策略更新量子旋轉(zhuǎn)角：

3.2.1）排序?yàn)榈谝坏拇笱愕牧孔游恢酶鶕?jù)下式計(jì)算量子旋轉(zhuǎn)門旋轉(zhuǎn)角度：

其中δ=0.5+0.5·(N-tN),]]>

其中第一項(xiàng)是群體歷史經(jīng)驗(yàn)對頭雁飛行的影響，第二項(xiàng)指頭雁自身歷史最優(yōu)量子位置對其飛行的影響，是第t代大雁最優(yōu)量子位置的第j個(gè)變量的量子旋轉(zhuǎn)角，是第t代所有大雁的歷史最優(yōu)量子位置的均值的第j個(gè)變量，是第t代全局最優(yōu)量子位置的第j個(gè)變量，是第t代排序?yàn)榈谝坏拇笱愕牧孔游恢玫牡趈個(gè)變量，ε隨機(jī)地取+1或-1，γ均是在[0,1]內(nèi)的隨機(jī)數(shù)，δ是慣性系數(shù)，隨著迭代代數(shù)t增加δ逐漸減小，N是最大迭代代數(shù)，為排序第一的頭雁的量子位置，為頭雁的歷史最優(yōu)量子位置；

3.2.2）對于其它大雁的量子位置根據(jù)下式計(jì)算量子旋轉(zhuǎn)角：

i＝2,3,…,M，其中第一項(xiàng)是雁群群體歷史經(jīng)驗(yàn)對第i個(gè)大雁位置更新的影響，第二項(xiàng)是第i-1個(gè)大雁歷史最優(yōu)量子位置，即第i-1個(gè)大雁局部最優(yōu)量子位置對大雁位置更新的影響，是第t代第i個(gè)大雁的第j個(gè)變量的量子旋轉(zhuǎn)角，是第t代第i-1個(gè)大雁歷史最優(yōu)量子位置的第j個(gè)變量，是第t代第i個(gè)大雁量子位置的第j個(gè)變量，量子雁群在解空間中不斷變換位置搜索最優(yōu)解；

3.3）利用模擬量子旋轉(zhuǎn)門對頭雁量子位置進(jìn)行更新：

3.3.1）根據(jù)頭雁引領(lǐng)策略利用模擬量子旋轉(zhuǎn)門對頭雁量子位置進(jìn)行更新：

x1,jt+1=|1-(v1,jt)2·sin(θ1,jt)+v1,jt·cos(θ1,jt)|,]]>其中，是更新后的第1個(gè)大雁量子位置的第j個(gè)變量，是更新前的全局最優(yōu)量子位置的第j個(gè)變量，頭雁在自身歷史最優(yōu)量子位置（也是全局最優(yōu)量子位置）的鄰域飛行；

3.3.2）根據(jù)非頭雁跟隨策略利用模擬量子旋轉(zhuǎn)門對非頭雁量子位置進(jìn)行更新：

xi,jt+1=|1-(vi,jt)2·sin(θi,jt)+vi,jt·cos(θi,jt)|,]]>

其中，是更新后第i個(gè)大雁量子位置的第j個(gè)變量，是更新前的第i個(gè)大雁歷史最優(yōu)量子位置的第j個(gè)變量，每個(gè)非全局最優(yōu)的大雁的量子位置在其前一個(gè)大雁的歷史最優(yōu)量子位置確定的量子旋轉(zhuǎn)角的基礎(chǔ)上進(jìn)行更新；

3.4）將更新后的量子位置還原為大雁的位置，即

uit+1=[xi,1t+1·e1,xi,2t+1·e2,...,xi,Dt+1·eD]=[ui,1t+1,ui,2t+1,...,ui,Dt+1],(i=1,2,...,M);]]>

（4）每個(gè)大雁新位置都對應(yīng)一個(gè)脈沖耦合神經(jīng)網(wǎng)絡(luò)系統(tǒng)參數(shù)，激活脈沖耦合神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行圖像分割，計(jì)算第i個(gè)大雁新位置的適應(yīng)度值i＝1,2,…,M；

（5）對所有大雁歷史最優(yōu)量子位置和歷史最優(yōu)位置進(jìn)行更新：將第i個(gè)大雁位置的適應(yīng)度與其歷史最優(yōu)適應(yīng)度進(jìn)行比較，若當(dāng)前位置適應(yīng)度優(yōu)于其自身歷史最優(yōu)適應(yīng)度即當(dāng)時(shí)，則將當(dāng)前適應(yīng)度作為該大雁的歷史最優(yōu)適應(yīng)度將當(dāng)前位置作為此大雁的歷史最優(yōu)位置，將當(dāng)前量子位置設(shè)置為歷史最優(yōu)量子位置，否則歷史最優(yōu)位置、歷史最優(yōu)量子位置及其適應(yīng)度保持不變，即對所有大雁根據(jù)其歷史最優(yōu)位置的適應(yīng)度值由小到大的順序排列，并根據(jù)優(yōu)劣依次編號，排在第一的大雁的歷史最優(yōu)位置即為本次迭代的最優(yōu)位置，也是全局最優(yōu)位置，將其適應(yīng)度存入向量y中的y^t中，其中y^t是第t代最優(yōu)解的適應(yīng)度值，y是記錄各代最優(yōu)解的向量y＝(y¹,y²,...,y^t,...,y^N)；

（6）檢查是否到達(dá)最大迭代代數(shù)，若已經(jīng)到達(dá)，則輸出y和否則令t＝t+1，返回步驟（3）；

（7）全局最優(yōu)位置即為量子雁群算法所搜索到的最優(yōu)脈沖耦合神經(jīng)網(wǎng)絡(luò)系統(tǒng)參數(shù)，將中的D個(gè)參數(shù)代入脈沖耦合神經(jīng)網(wǎng)絡(luò)模型對圖像進(jìn)行分割并輸出分割后的圖像。

2.根據(jù)權(quán)利要求1所述的連續(xù)量子雁群算法演化脈沖耦合神經(jīng)網(wǎng)絡(luò)系統(tǒng)參數(shù)的自動圖像分割方法，其特征在于，獲取所述脈沖耦合神經(jīng)網(wǎng)絡(luò)模型分割后圖像的組合加權(quán)熵步驟如下：

（1）設(shè)定脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的連接系數(shù)β、幅度系數(shù)V_θ、衰減系數(shù)α_θ和連接矩陣ω_i,j，初始化標(biāo)記矩陣O，O為與被分割圖像大小相同的全零矩陣，O用來標(biāo)記已激活的像素；

（2）求線性連接輸入Li_j：

對于大小為p·q的被分割圖像，以第(i,j)個(gè)像素為中心，用m×m矩陣掃描所有該圖像被脈沖耦合神經(jīng)網(wǎng)絡(luò)模型分割的輸出圖像的像素，，給輸出圖像矩陣加上(m-1)/2像素寬的邊緣，邊緣像素灰度值設(shè)為零，每個(gè)矩陣中輸出Y_ij與權(quán)重矩陣ω_i,j相乘求和后得到神經(jīng)元的線性連接輸入L_ij，L_i,j[n]＝ΣΣω_i,j,k,l·Y_i,j,k,l[n],

（3）求反饋輸入F_ij[n]，反饋輸入為被分割圖像第(i,j)像素的像素值F_ij[n]＝I_ij，其中I_i,j為第(i,j)個(gè)像素的像素值；

（4）求內(nèi)部活動項(xiàng)U_ij，輸入經(jīng)神經(jīng)元內(nèi)部非線性調(diào)制得到神經(jīng)元內(nèi)部活動項(xiàng)U_ij：

U_ij[n]＝F_ij[n](1+βL_ij[n])，其中β是內(nèi)部調(diào)制強(qiáng)度系數(shù)；

（5）比較內(nèi)部活動項(xiàng)U_ij[n]與動態(tài)閾值θ_ij[n]，若內(nèi)部活動項(xiàng)大于動態(tài)閾值，則(i,j)神經(jīng)元被激活，即Y_ij＝1，在標(biāo)記矩陣O中將其(i,j)位置的像素標(biāo)記為1，并將神經(jīng)元(i,j)動態(tài)閾值設(shè)置為1000000，若內(nèi)部活動項(xiàng)小于動態(tài)閾值，則神經(jīng)元沒有被激活，Y_ij＝0，在n＝1時(shí)不對O進(jìn)行標(biāo)記，因?yàn)榈谝淮鷷r(shí)Y_ij全為0，神經(jīng)網(wǎng)絡(luò)還未開始正常工作，從第二代開始若Y_ij＝1，則將O中的(i,j)像素標(biāo)為1；

（6）更新動態(tài)閾值，動態(tài)閾值以指數(shù)形式下降θ_ij[n]＝exp(-α_θ)θ_ij[n-1]，其中θ_ij是第(i,j)個(gè)像素第n次迭代的閾值，α_θ是衰減系數(shù)；

（7）將迭代代數(shù)n加1，判斷是否所有神經(jīng)元都已經(jīng)激活，即矩陣O是否是全1矩陣，若所有神經(jīng)元都已經(jīng)激活，則結(jié)束迭代，進(jìn)行第8步，否則返回步驟（2）；

（8）將輸出PCNN圖像所有像素值進(jìn)行0-1取反即得到分割后的圖像‘

（9）求交叉熵函數(shù)H₁，：

H1=Σz=0th[z×g(z)×lnzμ1+μ1×g(z)×lnμ1z]+Σz=th+1zm[z×g(z)×lnzμ2+μ2×g(z)×lnμ2z],]]>

μ1(th)=Σz=0thz·g(z)Σz=0thg(z),μ2(th)=Σz=th+1zmf·g(z)Σz=th+1zmg(z),]]>

其中z是圖像像素的灰度值，g(z)是圖像中灰度值為z的像素個(gè)數(shù)占總像素個(gè)數(shù)的比例，z_m是圖像最大灰度值，μ₁(t_h)是原始圖像中灰度值小于t_h的背景區(qū)域的平均灰度，μ₂(t_h)是原始圖像中灰度值大于t_h的目標(biāo)區(qū)域的平均灰度，t_h是分割后圖像對應(yīng)于閾值分割方法所分割圖像的等效分割閾值，t_h是使取得最小值的灰度值，其中C是PCNN模型分割后圖像，G(z)表示原圖像中灰度值為z的像素個(gè)數(shù)；

（10）求香農(nóng)熵H₄，香農(nóng)熵是分割后圖像信息量的度量，取值范圍為[0,1]，H₄＝-p₁·log(p₁)-p₂·log(p₂)，H₂＝1/H₄，其中p₁是分割后圖像中像素值為1的像素個(gè)數(shù)占總像素個(gè)數(shù)的比例，p₂是分割后圖像中像素值為0的像素個(gè)數(shù)占總像素個(gè)數(shù)的比例，H₂是香農(nóng)熵的倒數(shù)；

（11）求比熵H₃，比熵為交叉熵與香農(nóng)熵的比，H₃＝H₁/H₄；

（12）設(shè)定權(quán)值d₁、d₂、d₃，得到組合加權(quán)熵H＝d₁·H₁+d₂·H₂+d₃·H₃。