[发明专利]基于动态多种群集成差分进化算法的图像分割方法

权利要求书

1.基于动态多种群集成差分进化算法的图像分割方法，其特征在于包括如下步骤：

步骤1、设定图像分割阈值范围和评估分割效果的适应度函数：

待分割图像为灰度图像，设置分割阈值范围介于0-255之间；

采用最大类间方差作为评估分割效果的适应度函数，计算公式如下所示：

f＝w₀·w₁·(u₀-u₁)² (1)

其中，w₀是图像背景的灰度概率，w₁是图像目标的灰度概率，u₀是图像背景的灰度均值，u₁是图像目标的灰度均值；

步骤2、设置动态多种群集成差分进化算法的参数，参数包括种群规模NP、个体维数D、进化最大迭代次数MaxF、当前迭代次数iter、进化代数G，最大进化代数MaxG；

步骤3、初始化图像阈值种群x^G：

其中，i＝1,2,…,NP，j＝1,2,…,D，种群规模NP表示种群个体的数量，个体维数D表示解得维数，为随机数介于0到1之间，为种群中第i个个体第j维属性，和分别为的下界和上界；

步骤4、通过步骤1的适应度函数来计算种群各个体阈值的评估分割效果的适应度值；

步骤5、划分和分配子种群

若为第一代，只需划分子种群；从第二代开始将根据父代保留下优良个体比率，重新分配子种群；

在种群进化第一代时，将种群Pop按照公式(3)划分为三个子种群Pop₁、Pop₂、Pop₃，其中Pop₁子种群规模要比Pop₂、Pop₃大；

其中，NP_k表示第k个子种群的种群规模，λ_k表示第k个子种群的规模比例，三个子种群的规模比例关系为：λ₁＞λ₂＝λ₃且λ_k∈[0,1]；

从第二代开始，统计各个子种群从父代继承个体比率，并通过继承的个体比率进行升序排序，给继承个体多的变异策略分配个体数少的子种群Pop₂、Pop₃，给继承个体少的变异策略分配个体数多的子种群；

步骤6、对种群进行变异操作：

三个子种群分别对应三种变异策略，通过三种随机选取的变异策略分别对三个子种群个体进行变异操作得到变异个体所述变异策略包括全局搜索变异策略、局部搜索变异策略和加权变异策略；

步骤7、对种群进行交叉操作：

交叉操作是变异个体与父代个体进行交叉的过程，从而生成新的试验个体即子代个体；采用二项式随机交叉方案，交叉操作如下所示：

其中，randb是[0,1]间的随机数，CR是交叉概率因子且范围为[0,1]，该交叉概率因子CR采用抛物线式的动态递增方式，如下所示：

其中，CR_max、CR_min为交叉概率因子CR的上下界，G为进化代数，MaxG为最大进化代数；

步骤8、对子代与父代进行选择操作，选取适应度值较好的个体作为新一代种群个体

选择操作采用优胜劣汰的贪婪选择模式，使得子代较优个体替代父代个体从而种群始终朝着最优分割阈值靠近，选择操作如下所示：

其中，f(x)为适应度评估函数；

步骤9、判断是否满足迭代条件iter≤MaxF，满足则转到步骤5进行下一代进化，不满足则退出进化转到步骤10；

步骤10、输出并显示最优分割阈值

步骤11、将所得到的最优分割阈值应用到图像阈值分割中，得到分割后的图像。

2.根据权利要求1所述的基于动态多种群集成差分进化算法的图像分割方法，其特征在于：

所述全局搜索变异策略采用DE/current-to-rand/1算法，变异策略公式如下所示：

所述局部搜索变异策略采用DE/current-to-best/1算法，变异策略公式如下所示：

所述加权变异策略采用DE/current-to-pbest/2或DE/current-to-rbest/2算法，通过引入加权策略，将全局搜索因子和局部搜索因子结合对某一子种群进行变异操作，变异策略公式如下所示：

其中，w为加权因子，w_max和w_min是w的上下界，w的值随着迭代次数的增加而逐渐变大，iter为当前迭代次数，MaxF为进化最大迭代次数，全局搜索因子和局部搜索因如公式(7)所示：

其中，K为介于[0,1]的随机数，F为缩放因子属于[0,1]，为局部最优个体，为全局最优个体，r₁、r₂、r₃属于1到NP_i的整数。