[发明专利]一种基于生物启发运算的图像编辑优化方法

说明书

技术领域

本发明涉及图像处理领域，更具体地，涉及一种基于生物启发运算的图像编辑优化方法。

背景技术

随着图像处理技术的日益成熟，图像的优化编辑方式越来越多。通过对图像进行优化编辑，不仅可以提高原有图像的显示质量，还能够提高图像的整体视觉效果。

如何提取图像的层次关系目前仍然是一个很具有挑战性的问题，主流的Photoshop等图像编辑软件都不支持层次关系的自动提取，图像中的图层信息需要人们自己手工选定，非常不方便。现有的提取图像层次关系的方法都不能作为通用的技术投入使用，有的方法复杂度较高，只适合处理简单的人工图像而不利于处理复杂的自然图像；有的方法只用到了局部特征信息，可以局部判断相邻区域的遮挡关系但缺少全局偏序关系的约束；有的方法在得到正确分割区域的基础上展开研究，这对初始图像分割结果提出了很高的要求。

发明内容

本发明的目的是提供一种基于生物启发运算的图像编辑优化方法，解决上述现有技术中的一个或者是多个。

本发明提供的一种基于生物启发运算的图像编辑优化方法，包括以下步骤：

步骤1：输入原始图像，将RGB图像转换到HSV空间上，读入HSV三个分量，分别采用基于生物启发运算的PS2O优化算法得到相应的分割图，将HSV三个分量的分割结果合并得到最后的分割图；

步骤2：得到若干超分割区域，提取各区域中有关层次关系的局部特征，并用局部特征进行前景-背景关系和同层合并关系的判断；

步骤3：在判断结果的基础上建立一个全局能量函数，并用改进的差分进化算法求解该函数从而得到最终的层次关系；

步骤4：根据图像的层次关系，编辑所有层次间的偏序关系，当原有的偏序关系发生改变时，对原图像中被遮挡的层次进行轮廓填充和颜色填充。

在一些实施方式中，步骤1中所述基于生物启发运算的PS2O优化算法包括如下步骤：

步骤11：初始化脉冲耦合神经网络参数；

设置的基本参数；

设置最大迭代次数；

步骤12：对粒子个体进行解码，代入脉冲耦合神经网络标准模型，并将计算得到的图像熵值作为粒子个体的适应度函数；

步骤13：启动循环操作；

步骤14：更新粒子个体的位置和速度；

步骤15：重复计算，直到最大迭代次数达到或满足所需的系统要求；输出相应的分割结果。

本发明的有益效果为：采用的计算方法复杂度较低，可以准确地计算图像的层次关系，并在得到层次关系的基础上进行图像编辑。

具体实施方式

本发明提供一种基于生物启发运算的图像编辑优化方法，下面对本发明作详细介绍：

本发明提供的一种基于生物启发运算的图像编辑优化方法，包括以下步骤：

步骤1：输入原始图像，将RGB图像转换到HSV空间上，读入HSV三个分量，分别采用基于生物启发运算的PS2O优化算法得到相应的分割图，将HSV三个分量的分割结果合并得到最后的分割图；

步骤2：得到若干超分割区域，提取各区域中有关层次关系的局部特征，并用局部特征进行前景-背景关系和同层合并关系的判断；

步骤3：在判断结果的基础上建立一个全局能量函数，并用改进的差分进化算法求解该函数从而得到最终的层次关系；

步骤4：根据图像的层次关系，编辑所有层次间的偏序关系，当原有的偏序关系发生改变时，对原图像中被遮挡的层次进行轮廓填充和颜色填充。

在步骤1中所述基于生物启发运算的PS2O优化算法包括如下步骤：

步骤11：初始化脉冲耦合神经网络参数；

设置的基本参数；

设置最大迭代次数；

步骤12：对粒子个体进行解码，代入脉冲耦合神经网络标准模型，并将计算得到的图像熵值作为粒子个体的适应度函数；

步骤13：启动循环操作；

步骤14：更新粒子个体的位置和速度；

步骤15：重复计算，直到最大迭代次数达到或满足所需的系统要求；输出相应的分割结果。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。