[发明专利]基于交叉变异人工鱼群算法的多阈值图像分割方法

说明书

本发明公开了一种基于交叉变异人工鱼群算法的多阈值图像分割方法，主要解决现有技术分割后的图像信息丢失严重的问题。其实现步骤为：1.输入图像并获取所有图像像素点处像素灰度值；2.选取c个阈值将图像分割成c+1类；3.生成n个人工鱼，每个人工鱼为1×c维向量，代表一组阈值可能解；4.以kapur最大熵准则制定的适应度函数为目标，并搜索适应度函数的最大值；5.利用搜索到的适应度最大值对应的一组阈值可能解进行图像分割，将灰度值为同一区间的像素点归为一类，输出分割后的图像。本发明有效的提高了人工鱼群算法在优化过程中的寻优精度，进一步与多阈值图像分割结合，提高了图像分割的效果，可用于计算机视觉分析中。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种对多阈值图像的分割方法，可用于计算机视觉分析中。

背景技术

多阈值图像分割技术是把图像划分成若干个有意义的区域，保证后续工作的有效进行，是图像处理到图像分析的重要步骤。其中多阈值图像分割方法的主要思想就是将选取多个合适的阈值，将灰度值位于两个阈值之间的像素点归属为同一类，使得分割后的选取的阈值能够满足kapur最大熵或者满足Otsu准则的公式，然后将分类后的结果映射回原来图像的空间上，由此得到最后的图像分割结果。

传统的基于kapur最大熵准则的二维阈值图像分割法需要通过穷举法才能得出相应阈值，对于只需要将图像分割为两类的二维阈值分割法，穷举法只需要遍历所有的灰度值，选择合适的单个阈值即可，但是随着问题复杂度的增加，对于要将图像分割为多个类别的多阈值图像分割而言，需要求出对应的多个阈值，但是穷举法的计算时间过长，同时也增加了模型的复杂度，因此采用传统的穷举法已经无法满足复杂问题的需求。

人工鱼群算法是群智能算法中的一种，群智能算法主要是基于对自然界生物生活行为的模仿优化算法，群体是由众多个体组成的，其中群体中每个个体均作为优化问题的一种潜在解，首先通过对所有个体选取初始解，然后对当前的解进行不断的更新，当搜索到最优解或者达到最大搜索次数时结束。Blum在文章Swarm intelligence inoptimization.Swarm Intelligence.Springer Berlin Heidelberg,2008.43-85.中提到群智能算法中群体中的每个个体功能简单，但是通过个体之间的交互，整个群体能够解决复杂的问题，同时与传统的算法相比具有更强的鲁棒性与高效性。Yang在文章Swarmintelligence based algorithms:a critical analysis.Evolutionary Intelligence7.1(2014):17-28. 中提到由于群智能算法中群体规模较大，因此初始值选择的可能性更多，自由度更大。

群智能算法的优点在于，群体中每个个体均可看作一组不同的可能解，整个群体具有很强的解的多样性，然后通过群体的某种行为模式，对不同个体的解进行更新，在满足目标函数的准则上，找出最优的解。群智能算法不需要过多的先验知识即可优化复杂的问题。