[发明专利]基于广义熵结合改进的狮群算法实现图像阈值分割方法

说明书

本发明公开了一种基于广义熵结合改进的狮群算法实现图像阈值分割方法，包括如下步骤：（一）初始化数据，计算狮群中各个群体的数量，历史最优为个体位置，群体最优为狮王位置；（二）更新狮王、母狮的位置；（三）对迭代次数进行判断，进一步确定对幼狮群体执行的操作，对狮群内部不同群体的步长采用更新策略；（四）计算个体的广义熵数值，进一步判断是否达到数值精度要求或是达到迭代次数，若满足则退出程序完成图像分割，反之则返回步骤（二）更新狮王位置继续执行。本发明适应多目标多角度，复杂环境背景下的图像分割，减少预处理步骤，提高效率并且相较于现有技术，对于高维、非线性和多峰值的复杂函数最优值求解容易陷入早熟的问题具有更好的优化效果。

技术领域

本发明涉及图像阈值分割领域，尤其涉及一种基于广义熵结合改进的狮群算法实现图像阈值分割方法。

背景技术

随着近年来人工智能的兴起，计算机视觉领域技术中的一些基础关键技术也取得了长足发展，其中具有代表性的图像分割技术在包括医学影像分析、目标提取、工业检测、地质考察和资源勘查等方面得到了广泛应用。为实现图像快速分割并适应精度和缩短分割时间的要求，现有技术主要采用自适应阈值分割方法，该方法具有很好的鲁棒性、低时间复杂度和边缘特征保存较好的优点，但在处理模糊和形变等质量较差的图像时，需要对图像进行一系列的预处理，以一种动态阈值分割算法为例，其需要进行背景模板去噪，绿光通道，灰度化处理，图像微分等众多预处理步骤，运算时间过长、效率较低。现有技术上，还有一些分割方法需要多角度采集目标图像后才能利用量子粒子群聚类方法进行分割处理，但实际应用中，该方法大多数情况下都不能满足多角度采集的要求。

群体智能算法之一的狮群算法是模仿自然界中具有社会行为的动物群体，基于优胜劣汰的思想实现最优解。狮群算法主要思想是指：从某一指定的待寻优位置开始，最佳优化值所处位置置为狮王，按比例选取母狮和幼狮两个群体的数量。在进行迭代后，狮群中的个体重新计算自身优化值并根据算法调整自身位置，同时进行排序，最佳优化值位置为狮王所有。幼狮作为全局探优的关键，在迭代的后期选择较为远离狮群的位置探查，避免算法陷入局部最优解和早熟。狮群算法经过验证，能够较好的解决高维、非线性和多峰值的复杂函数最优值求解的问题

基于群体智能的狮群算法一般都具有更好的鲁棒性和优秀的泛化能力以及快速收敛的特性，但现有技术中的一些结合新型熵与群体智能算法的分割方法也存在很多不足，以一种改进蜂群算法的Tsallis熵阈值图像分割方法为例，虽然通过引进Tsallis熵作为阈值分割指标，但在群体智能算法的选择上由于沿用传统的解决思路，仍存在对于高维、多峰值和非线性情况下的最优解求解容易陷入早熟的困境。

发明内容

针对现有技术的不足，本发明所解决的技术问题是在图像阈值分割领域中，如何解决适应多目标多角度，复杂环境背景下的图像分割，减少前期的预处理步骤，提高效率及应用群体智能算法时高维、非线性和多峰值的复杂函数最优值求解容易陷入早熟的问题。

为解决上述技术问题，本发明采用的技术方案是一种基于广义熵结合改进的狮群算法实现图像阈值分割方法，包括如下步骤：

(一)初始化数据，计算狮群中各个群体的数量，历史最优为个体位置，群体最优为狮王位置，具体分步骤如下：

(1)狮群个体总数为L，狮群中狮王唯一，母狮群体数量为a为(0.2,0.5)之间的随机数；

(2)幼狮群体数量则为n＝L-1-n^*。

(二)更新狮王、母狮的位置，具体分步骤如下：

(1)母狮位置则为Lioness(x_i1,x_i2)，狮王的位置是Lion(x₁,x₂)，初始时随机确定图像某一范围作为初始寻优对象并将个体首次所处位置作为最优，排序后最优位置被置为狮王，狮王位置的更新按下式进行：