[发明专利]基于改进布谷鸟优化法的图像多阈值分割方法

说明书

一种基于改进布谷鸟优化法的图像多阈值分割方法，由获得需要处理的灰度图像、设定目标函数、用改进布谷鸟优化法寻找最佳阈值、图像多阈值分割步骤组成。鸟窝的初始位置分布在灰度图的像素大小边界值范围内，以最大类间方差作为本方法的适应度函数，以适应度值的大小来评价每个鸟窝所在位置的优劣，通过不断经历自适应步长迭代和随机偏好游动迭代环节更新鸟窝位置，快速准确地找到全局最优阈值，对图像进行分割。本发明与现有技术相比，具有分割阈值精准度高，较好的实时性等优点，可用于彩色图像和灰度图像分割。

技术领域

本发明属于图像处理技术领域，具体涉及到图像多阈值分割。

背景技术

图像分割是图像分析的基础，其目的是将目标与背景分离，为计算机视觉的后续处理提供依据。其中阈值分割是利用图像中目标区域与背景区域在灰度特性上的差异，选取一个比较合理的阈值，将图像中每个像素点划分到目标区域或背景区域中，生成二值图像，从而对图像进行分割。其具有物理意义明确、易于实现的特点。图像多阈值分割需要在全灰度范围内搜索一个最优阈值组合，使图像分割效果最好，如何找到最优的阈值组合则是一个函数优化问题。

最大类间方差法的原则是用几个阈值将图像的灰度直方图分成独立的类，使得各类间的方差最大，因此可以被视为一个优化问题。目前很多研究者将启发式算法如粒子群算法、遗传算法等应用于图像多阈值求解，搜索最优阈值组合效果较好，但是仍存在搜索速度慢、精度不高等问题。

布谷鸟算法(Cuckoo Search,简称CS)模拟了布谷鸟独特的寻窝产卵行为，并引入自然界鸟类、果蝇运动轨迹的Lévy飞行机制，能够快速有效地寻找到最优解。但同其他群智能算法一样，也存在后期易陷入局部最优、搜索精度低等缺点。因此引入一种改进的布谷鸟(Improved Cuckoo Search，简称ICS)优化法来改善布谷鸟算法的局部寻优能力，并将其应用到以最大类间方差为准则函数的灰度图像多阈值分割中，来提高分割质量和速度。

发明内容

本发明要解决的技术问题是：提供一种基于改进布谷鸟优化法的图像多阈值分割方法，解决传统最大类间方差法耗时长、精度不高的问题。

解决上述问题所采用的技术方案是由下述步骤组成：

(1)图像预处理

读入需要处理的灰度图即待分割图像，确定阈值个数。

(2)设定目标函数

选取最大类间方差法作为目标函数，最大类间方差法如下：

对于灰度范围为{0,1,…,L-1}的图像，设有k个阈值将图像划分为k+1类，有

其中，H_i(t₁,t₂,…,t_k)为第i个个体的适应度函数值，i为有限的正整数，t₁,t₂,…,t_k为分割阈值，p_i为第i个灰度出现的概率，最佳阈值应使得k+1个类间的总方差最大，即

(3)用改进布谷鸟优化法寻找最佳阈值

1)设置参数

随机生成N个鸟窝且N为正整数，最大迭代次数为k_max、发现概率p_a∈[0,1]，将N个鸟窝随机分布在灰度图像最大灰度值L_max和最小灰度值L_min之间。

2)确定适应度函数值

根据公式(1)和鸟窝初始位置X_i，确定适应度函数值H_i。

3)更新鸟窝位置