[发明专利]量子行为粒子群优化模糊C均值的图像分割方法及系统

权利要求书

1.量子行为粒子群优化模糊C均值的图像分割方法，其特征是，包括：

获取步骤：获取待处理图像，将待处理图像转换为中智学图像；

所述将待处理图像转换为中智学图像；具体步骤包括：

P_NS＝{T,I,F} (1)

F(i,j)＝1-T(i,j) (6)

其中，P_NS是图像在NS域中的像素点；

T(i,j)为中智子集合图像T在点(i,j)的取值；

I(i,j)为中智子集合图像I在点(i,j)的取值；

F(i,j)为中智子集合图像F在点(i,j)的取值；

是g(i,j)在w×w区域内的均值；

表示的最小值，表示的最大值；

g(m,n)为中智子集合图像T在点(m，n)的取值；

δ(i,j)是像素点g(i,j)与g(i,j)在w×w区域内的均值之差的绝对值；

图像预处理步骤：对中智学图像进行去噪处理，然后对去噪后的结果进行图像增强操作；

所述对中智学图像进行去噪处理；具体步骤包括：

其中，图像在NS域中的像素经过点α-均值的集合，为中智子集合图像T的α-均值，为中智子集合图像I的α-均值子集合，为中智子集合图像F的α-均值子集合，T为原图像真实值的集合，为待进行α-均值集合，I为原图像不确定值的集合，α取值0.85，w*w为限制区域大小，(i,j)为原始图像的像素点，(m，n)为w*w区域内领域像素信息点，T(m,n)为中智子集合图像T在点(m，n)的取值，为中智子集合图像T进行α-均值的灰度平均强度值，需要进行α-均值集合，F(m,n)为中智子集合图像F在点(m，n)的取值，为中智子集合图像F进行α-均值的灰度平均强度值；为中智子集合图像I的平均强度值,是像素点(i,j)进行过α均值运算后的T_α(i,j)与之差的绝对值，和是的最小值和最大值；

所述对去噪后的结果进行图像增强操作；具体步骤包括：

其中：为中智集合经过β增强运算的真实性集合，为当中智集合经过β增强运算的真实性子集合，为表示中智集合的不确定性智的子集合,β为取值0.85，为进行β增强运算的真实值，为集合T经过均值运算后的值,为中智集合经过β增强运算的非真实性集合，为当中智集合经过β增强运算的非真实性子集合，为进行β增强运算的非真实值，为经过均值运算后的非真实像素点,是的不确定性的像素点子集合，δ'_min为像素点(i,j)进行过图像增强操作后的值与均值之差的绝对值的最小值，δ'_max为像素点(i,j)进行过图像增强操作后的值与均值之差的绝对值的最大值,为子集合在w*w区域内的平均强度,为子集合在w*w区域内经过β增强运算后的真实性集合；δ'(i,j)是像素点(i,j)进行过图像增强操作后的与之差的绝对值；

信息熵计算步骤：对图像增强后的结果，计算图像集合I的元素信息熵；

对图像增强后的结果，计算图像集合I的元素信息熵；具体步骤包括：

其中，En_I是中智子集合图像I的熵，p_I(i)是元素i在中智子集合图像I中的概率；

图像分割步骤：如果相邻元素信息熵的比值小于设定阈值，则利用量子行为粒子群优化的模糊C均值算法进行中智学图像的分割，得到图像分割结果；否则，返回图像预处理步骤；

目标函数定义为：

所述利用量子行为粒子群优化的模糊C均值算法进行中智学图像的分割，得到图像分割结果；具体步骤包括：

S41：初始聚类类数C、模糊度参数m、粒子群大小N和最大迭代次数MaxIt；聚类中心的数量是每个粒子的维数；

S42：对N个簇中心进行初始化编码，形成N个第一代粒子；聚类中心的个数相当于粒子的维度；每个粒子的pbest是它的当前位置，而gbest是当前总体中所有粒子的最佳位置；

S43：计算每个聚类中心C(k)以及隶属度的中心向量U(k)；

S44：计算各粒子的适应度；如果粒子的适应度优于粒子当前最佳位置的适应度，则更新单个粒子的最佳位置；如果当前全局最佳位置的适应度都优于所有粒子中的最佳位置的适应度，则更新全局最佳位置；

S45：更新每个粒子的位置以生成新的粒子群；

所述步骤S45，用等式(30)-(33)来更新每个粒子的位置以生成新的粒子群：

X_i,j(t+1)＝p_i,j(t)±α·|C_j(t)-X_i,j(t)|·ln[1/u_i,j(t)]；u_i,j(t)～U(0,1) (31)

其中，p_i,j(t)是第t次迭代时，第i个粒子第j维的势阱，它的位置实际是位于有个体最优位置pbest_j(t)和群体最优位置gbest(t)为顶点的超矩形中，而且随着pbest和gbest的变化而变化；φ_j(t)和u_i,j(t)都是第t次迭代，第j维在[0,1]上均匀分布的随机数，X_i,j(t+1)是第t次迭代时，第i个粒子第j维的位置，C_j(t)是C(t)中的一个向量，α为QPSO的收缩扩张系数，α的值由公式(33)决定：

α＝(α₁-α₂)*(MaxIt-t)/MaxIt+α₂ (33)

其中，α₁和α₂分别为参数α的初始值和最终值，t是当前迭代次数，MaxIt是允许迭代的最大次数，通过改变α的值，从搜索开始的1.0到搜索结束的0.5；

每个个体的适应度函数定义如下：

其中，J_m(U,C)是图像的适应度函数；k是灰度，k＝0-C，C是灰度的最大值；

S46：如果当前迭代次数达到先前设置的最大次数，则停止迭代；在最后一代中找到最佳解决方案，否则重复S43。