[發(fā)明專利]多閾值圖像的二維分割方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011048219.0
• 申請(qǐng)日: 2020-09-29
• 公開（公告）號(hào): CN112200812B
• 公開（公告）日: 2023-07-07
• 發(fā)明（設(shè)計(jì)）人: 劉佳聰;周漢峰;涂嘉澤;葉卓濱;計(jì)燁濤;陳慧靈
• 申請(qǐng)（專利權(quán)）人: 溫州大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/136;G06T5/40;G06T5/20;G06T5/00;G06N3/006
• 代理公司: 北京云嘉湃富知識(shí)產(chǎn)權(quán)代理有限公司 11678
• 代理人: 李思霖

1.一種多閾值圖像的二維分割方法，其特征在于，包括以下步驟：

步驟1：輸入需要分割的圖像，初始化閾值分割水平Level；

步驟2：將輸入圖像灰度化，獲得對(duì)應(yīng)的灰度圖像，并利用非局部均值濾波的方式獲得非局部均值圖像；

步驟3：初始化參數(shù)即黏菌算法的種群大小Popsize以及最大迭代次數(shù)max_t；

步驟4：初始化黏菌種群X_i(i＝1，2，...，n)

步驟5：計(jì)算所有黏菌的適應(yīng)度值，即Kapur熵；

步驟6：確定最優(yōu)黏菌位置和適應(yīng)度值；

步驟7：通過(guò)公式1，計(jì)算黏菌的權(quán)重

其中，S(i)表示黏菌的適應(yīng)度值，condition表示S(i)中位于總體前半部分的黏菌個(gè)體，others表示S(i)中位于總體前半部分之外的黏菌個(gè)體，r表示(0，1)之間的一個(gè)隨機(jī)數(shù)，bF和wF分別表示當(dāng)前迭代中獲得的最優(yōu)適應(yīng)值和最差適應(yīng)值；

步驟8：根據(jù)黏菌的位置更新方式的數(shù)學(xué)模型，如公式2所示，完成每一個(gè)黏菌的第一次位置更新；

其中，表示更新后的黏菌位置，rand表示(0，1)之間的一個(gè)隨機(jī)數(shù)，UB表示搜索空間的上界，LB表示搜索空間的下界；z表示(0，1)之間的一個(gè)數(shù)，用于決定黏菌的位置更新方式；表示當(dāng)前最優(yōu)黏菌個(gè)體，的范圍是[-a，a]，a由計(jì)算得到，表示該黏菌的權(quán)重，和分別表示兩個(gè)隨機(jī)選擇的黏菌個(gè)體，r表示(0，1)之間的一個(gè)隨機(jī)數(shù)，p由tanh|S(i)-DF|計(jì)算得到，DF表示最優(yōu)適應(yīng)度值，從1線性減小到0，t表示當(dāng)前迭代次數(shù)，表示當(dāng)前黏菌個(gè)體；

步驟9：在黏菌第一次位置更新的基礎(chǔ)上，根據(jù)人工蜂群的位置更新方法，如公式3所示，再一次進(jìn)行每一個(gè)黏菌的位置更新；

其中，表示新的食物源i的第j個(gè)位置向量，表示最差食物源的第j個(gè)位置向量，表示最佳食物源的第j個(gè)位置向量，rand表示(0，1)之間的一個(gè)隨機(jī)數(shù)；

步驟10：檢查是否滿足條件t＜max_t，若滿足t＜max_t則返回步驟3繼續(xù)迭代，否則結(jié)束迭代；

步驟11：將最優(yōu)黏菌位置和適應(yīng)度值作為最優(yōu)閾值和最大Kapur熵返回；

步驟12：利用得到的最優(yōu)閾值對(duì)圖像進(jìn)行分割。

2.根據(jù)權(quán)利要求1所述的多閾值圖像的二維分割方法，其特征在于，通過(guò)非局部均值圖像和灰度圖像，生成相應(yīng)的非局部均值二維直方圖。

3.根據(jù)權(quán)利要求2所述的多閾值圖像的二維分割方法，其特征在于，在所述二維直方圖中，其主對(duì)角線包含的圖像信息量最大，計(jì)算主對(duì)角線上n個(gè)子區(qū)域的Kapur熵

其中，s，t分別表示非局部均值圖像和灰度圖像中的不同的灰度值水平。

4.根據(jù)權(quán)利要求3所述的多閾值圖像的二維分割方法，其特征在于，將Kapur熵作為目標(biāo)函數(shù)，使最大化的閾值集合{t₁，t₂，...，t_n-1}為最優(yōu)閾值。