[發(fā)明專利]基于自適應(yīng)粒子群算法的灰度閾值獲取方法、圖像分割方法

在審

• 申請?zhí)枺?/td>: 201710541525.X
• 申請日: 2017-07-05
• 公開（公告）號: CN107492103A
• 公開（公告）日: 2017-12-19
• 發(fā)明（設(shè)計(jì)）人: 李鵬
• 申請（專利權(quán)）人: 上海斐訊數(shù)據(jù)通信技術(shù)有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06N3/00
• 代理公司: 杭州千克知識(shí)產(chǎn)權(quán)代理有限公司33246
• 代理人: 周希良,吳輝輝

技術(shù)領(lǐng)域

本發(fā)明圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于自適應(yīng)粒子群算法的灰度閾值獲取方法、圖像分割方法。

背景技術(shù)

圖像處理從本質(zhì)上講是對圖像信息進(jìn)行加工以滿足人們的視覺心理或應(yīng)用需求的行為。而圖像分割是圖像處理技術(shù)中的一種，其目的是將圖像分成各具特性的區(qū)域并提取出感興趣的部分以滿足人們的某種需要。近年來，對圖像分割的研究一直是圖像處理技術(shù)研究中心的熱點(diǎn)，人們對其關(guān)注和投入不斷提高，它是一種重要的圖像分析技術(shù)，是從圖像處理得到圖像分析的關(guān)鍵步驟。

圖像分割方法主要有邊緣檢測分割法、區(qū)域分割法、閾值分割法等。其中，閾值分割法因?qū)崿F(xiàn)簡單、運(yùn)算效率高而成為一種有效的圖像分割方法，而閾值的確定是閾值法圖像分割的關(guān)鍵。然而要在一副多峰直方圖的全灰度范圍內(nèi)搜索一個(gè)最佳的多閾值組合使得分割結(jié)果更為精準(zhǔn)，求解的過程將變得異常耗時(shí)，運(yùn)行速度慢，無法滿足圖像分割對實(shí)時(shí)性的要求，嚴(yán)重地阻礙了圖像分割進(jìn)程。

現(xiàn)有并行區(qū)域分割技術(shù)是對感興趣區(qū)域進(jìn)行并行方式檢測來對圖像進(jìn)行分割。該分割基于的圖像灰度閾值是靠先驗(yàn)知識(shí)來確定的，但對于不同圖像具有不同特點(diǎn)，依賴先驗(yàn)知識(shí)確定的圖像灰度閾值自適應(yīng)性、穩(wěn)定性差，進(jìn)而使得依賴于圖像灰度閾值進(jìn)行圖像分割的結(jié)果不準(zhǔn)確。

現(xiàn)有的基于最大類間方差的閾值分割方法，包括遺傳算法、蟻群算法、微粒群算法和最大類間方差閾值分割法，將上述算法相組合，提出了基于群體智能算法的最大類間方差閾值分割法，以加快最大類間方差方法求最優(yōu)解的速度。上述算法各有優(yōu)點(diǎn)，但也存在不足之處。如遺傳算法收斂速度低，為此發(fā)明專利申請CN106023195A、發(fā)明專利申請CN105488528A采用BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的方式改進(jìn)標(biāo)準(zhǔn)遺傳算法存在的問題。如粒子群算法雖然收斂速度快，但有著限于局部最小的缺點(diǎn)，為此發(fā)明專利申請CN104156945A利用聚類方法結(jié)合粒子群算法來改進(jìn)標(biāo)準(zhǔn)粒子群算法存在的問題。如基于量子粒子群算法雖然全局搜索能力強(qiáng)，但仍然有著維數(shù)束縛的問題。

雖然，上述提及的現(xiàn)有申請雖然在一定程度上優(yōu)化了收斂速度，但相對復(fù)雜。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術(shù)存在的問題，提出了一種簡單的，能全局并發(fā)求解灰度閾值，較好規(guī)避局部最優(yōu)值的基于自適應(yīng)粒子群算法的灰度閾值獲取方法、及根據(jù)上述方法獲取的灰度閾值進(jìn)行的圖像分割方法。

本發(fā)明引入慣性權(quán)重到粒子群算法中，且權(quán)重隨迭代次數(shù)增加而線性減小。在應(yīng)用上述算法求解圖像分割的灰度閾值時(shí)，算法將利用迭代過程中得到的反饋信息自行調(diào)節(jié)并發(fā)搜索過程。當(dāng)權(quán)重較大時(shí)，具有較強(qiáng)全局搜索能力，而當(dāng)權(quán)重較小時(shí)，具有局部搜索能力，進(jìn)而能快速收斂于某一全局最優(yōu)區(qū)域，在最優(yōu)區(qū)域中獲得精度較高的解。這在很大程度上降低了算法陷入局部最優(yōu)解的可能性。

本發(fā)明是通過以下技術(shù)方案得以實(shí)現(xiàn)的：

基于自適應(yīng)粒子群算法的灰度閾值獲取方法,包括以下步驟：

步驟S01，對圖像灰度值進(jìn)行種群初始化；

步驟SO2，計(jì)算種群內(nèi)個(gè)體的適應(yīng)度值；

步驟S03，計(jì)算種群內(nèi)個(gè)體最優(yōu)位置和全局最優(yōu)位置；

步驟S04，更新種群內(nèi)個(gè)體最優(yōu)位置和全局最優(yōu)位置；

步驟S05，判斷是否滿足終止條件，若滿足則獲取最優(yōu)解并得到最優(yōu)灰度閾值；否則執(zhí)行步驟S02進(jìn)入下一代種群；

其中，所述步驟S04采用慣性權(quán)重動(dòng)態(tài)調(diào)節(jié)個(gè)體最優(yōu)位置和全局最優(yōu)位置。

作為優(yōu)選，步驟S01的種群初始化包括初始化個(gè)體速度、個(gè)體位置矢量、初始代種群個(gè)體最優(yōu)位置和全局最優(yōu)位置。

作為優(yōu)選，步驟S02的適應(yīng)度值按如下公式(1)計(jì)算：

其中，為第k代的第i個(gè)粒子個(gè)體的適應(yīng)度值，t＝{t₁，t₂，…t_m}為種群初始化后的圖像灰度值并作為用于將圖像分割為m類區(qū)域的圖像灰度閾值，p_m為第m類區(qū)域內(nèi)灰度值出現(xiàn)的概率，μ_m為第m類區(qū)域內(nèi)灰度值的平均值，μ_av為整個(gè)圖像的平均灰度值。

作為優(yōu)選，步驟S03計(jì)算種群個(gè)體最優(yōu)位置具體為：

其中，為第k代的第i個(gè)粒子個(gè)體的適應(yīng)度值；為個(gè)體最優(yōu)位置。

作為優(yōu)選，步驟S03計(jì)算種群全局最優(yōu)位置具體為

其中，為第k代整個(gè)粒子群的全局最優(yōu)位置。

作為優(yōu)選，步驟S04更新種群內(nèi)個(gè)體最優(yōu)位置和全局最優(yōu)位置依據(jù)下述公式完成：