[发明专利]基于自适应粒子群算法的灰度阈值获取方法、图像分割方法

说明书

技术领域

本发明图像处理技术领域，尤其涉及一种基于自适应粒子群算法的灰度阈值获取方法、图像分割方法。

背景技术

图像处理从本质上讲是对图像信息进行加工以满足人们的视觉心理或应用需求的行为。而图像分割是图像处理技术中的一种，其目的是将图像分成各具特性的区域并提取出感兴趣的部分以满足人们的某种需要。近年来，对图像分割的研究一直是图像处理技术研究中心的热点，人们对其关注和投入不断提高，它是一种重要的图像分析技术，是从图像处理得到图像分析的关键步骤。

图像分割方法主要有边缘检测分割法、区域分割法、阈值分割法等。其中，阈值分割法因实现简单、运算效率高而成为一种有效的图像分割方法，而阈值的确定是阈值法图像分割的关键。然而要在一副多峰直方图的全灰度范围内搜索一个最佳的多阈值组合使得分割结果更为精准，求解的过程将变得异常耗时，运行速度慢，无法满足图像分割对实时性的要求，严重地阻碍了图像分割进程。

现有并行区域分割技术是对感兴趣区域进行并行方式检测来对图像进行分割。该分割基于的图像灰度阈值是靠先验知识来确定的，但对于不同图像具有不同特点，依赖先验知识确定的图像灰度阈值自适应性、稳定性差，进而使得依赖于图像灰度阈值进行图像分割的结果不准确。

现有的基于最大类间方差的阈值分割方法，包括遗传算法、蚁群算法、微粒群算法和最大类间方差阈值分割法，将上述算法相组合，提出了基于群体智能算法的最大类间方差阈值分割法，以加快最大类间方差方法求最优解的速度。上述算法各有优点，但也存在不足之处。如遗传算法收敛速度低，为此发明专利申请CN106023195A、发明专利申请CN105488528A采用BP神经网络结合遗传算法的方式改进标准遗传算法存在的问题。如粒子群算法虽然收敛速度快，但有着限于局部最小的缺点，为此发明专利申请CN104156945A利用聚类方法结合粒子群算法来改进标准粒子群算法存在的问题。如基于量子粒子群算法虽然全局搜索能力强，但仍然有着维数束缚的问题。

虽然，上述提及的现有申请虽然在一定程度上优化了收敛速度，但相对复杂。

发明内容

本发明针对现有技术存在的问题，提出了一种简单的，能全局并发求解灰度阈值，较好规避局部最优值的基于自适应粒子群算法的灰度阈值获取方法、及根据上述方法获取的灰度阈值进行的图像分割方法。

本发明引入惯性权重到粒子群算法中，且权重随迭代次数增加而线性减小。在应用上述算法求解图像分割的灰度阈值时，算法将利用迭代过程中得到的反馈信息自行调节并发搜索过程。当权重较大时，具有较强全局搜索能力，而当权重较小时，具有局部搜索能力，进而能快速收敛于某一全局最优区域，在最优区域中获得精度较高的解。这在很大程度上降低了算法陷入局部最优解的可能性。

本发明是通过以下技术方案得以实现的：

基于自适应粒子群算法的灰度阈值获取方法,包括以下步骤：

步骤S01，对图像灰度值进行种群初始化；

步骤SO2，计算种群内个体的适应度值；

步骤S03，计算种群内个体最优位置和全局最优位置；

步骤S04，更新种群内个体最优位置和全局最优位置；

步骤S05，判断是否满足终止条件，若满足则获取最优解并得到最优灰度阈值；否则执行步骤S02进入下一代种群；

其中，所述步骤S04采用惯性权重动态调节个体最优位置和全局最优位置。

作为优选，步骤S01的种群初始化包括初始化个体速度、个体位置矢量、初始代种群个体最优位置和全局最优位置。

作为优选，步骤S02的适应度值按如下公式(1)计算：

其中，为第k代的第i个粒子个体的适应度值，t＝{t₁，t₂，…t_m}为种群初始化后的图像灰度值并作为用于将图像分割为m类区域的图像灰度阈值，p_m为第m类区域内灰度值出现的概率，μ_m为第m类区域内灰度值的平均值，μ_av为整个图像的平均灰度值。

作为优选，步骤S03计算种群个体最优位置具体为：

其中，为第k代的第i个粒子个体的适应度值；为个体最优位置。

作为优选，步骤S03计算种群全局最优位置具体为

其中，为第k代整个粒子群的全局最优位置。

作为优选，步骤S04更新种群内个体最优位置和全局最优位置依据下述公式完成：