[发明专利]一种改进的PSO优化PCNN模型的图像分割算法

权利要求书

1.一种改进的PSO优化PCNN模型的图像分割方法，其特征在于，包括以下步骤：

S1：采用k-means二值分割结果作为简化的PCNN模型的初始脉冲输出Y；

S2：初始化粒子群；

S3：粒子群优化简化的PCNN模型参数，具体优化方式如下：

S3.1：将每个粒子作为简化的PCNN模型的参数，引入自适应迭代更新过程，采用最大熵准则评价分割效果，计算该粒子对应的图像分割最佳阈值；

S3.2：所有粒子执行S3.1后，并储存最佳结果，分析脉冲输出，求解个体最佳粒子和全局最佳粒子、阈值、脉冲输出；

S3.3：由相邻迭代的输出结果和设定的迭代次数评价迭代是否终止；若不满足终止条件，结合公式更新粒子群的个体最优和全局最优值，进行粒子位置和速度的更新，并返回下次PSO优化迭代；

S4：输出图像最优分割结果；

其中，所述简化的PCNN模型包括接受域、调制域和脉冲发生器，其离散数学方程描述如下：

F_i,j(n)＝I_i,j (1)

U_i,j(n)＝F_i,j(n)[1+βL_i,j(n)] (3)

θ_i,j(n)＝e^-aθ_i,j(n-1)+V^θY_i,j(n-1) (4)

对于神经元(i,j)，式(1)为反馈通道F的输入F_i,j，反馈通道F接受外部激励输入I_i,j，即图像的像素值；式(2)为链接通道L的输入L_i,j，接受邻域神经元(k,l)的脉冲激励输入，W_k,l为邻域联接权，决定了邻域神经元(k,l)对中心点神经元(i,j)的影响；反馈通道F和链接通道L构成PCNN模型的接受域；

在调制域中，F_i,j和L_i,j经过非线性相乘，调制形成神经元内部状态值U_i,j，如式(3)所示，β为调制域中链接通道L输出的链接强度；

在脉冲发生器中，如式(5)所示，当内部状态值U_i,j大于神经元的阈值θ_i,j时，神经元发出脉冲，并输出为1，否则无脉冲，输出为0，由此形成脉冲输出序列Y_i,j；

其中，在迭代计算过程中，阈值θ_i,j做非线性的指数衰减变化，如式(4)所示，a为衰减指数，Y_i,j为脉冲输出，V^θ为幅值系数；

所述步骤S3的具体过程如下：

1)读取某一粒子，通过简化的PCNN模型由公式(4)计算阈值θ_i,j，式(2)计算链接通道L的输入L_i,j；

2)当循环标记满足时，执行内循环迭代过程；

2.1)由式(3)计算内部状态值U_i,j，然后由式(5)产生脉冲输出序列Y_i,j；

2.2)由Y_i,j计算第n个粒子的适应度，即由最大熵准则计算，通过分割评价标准，将适应度值作为图像分割的目标函数；

2.3)判断相邻迭代目标函数的差异；

2.3.1)若上次迭代的目标函数值大于当前值，将上次迭代对应的脉冲输出、阈值作为内循环的结果，同时循环标记清零；

2.3.2)若上次迭代的目标函数值不大于当前值，由公式(2)计算输入L_i,j，公式(4)计算阈值θ_i,j，当前目标函数值赋于上次迭代目标函数，并返回2.1)；

3)粒子最佳个体Pbest选取：若外循环迭代次数t＝1，则将当前粒子位置赋予个体Pbest；若t大于1，将第t次与第t-1次跌代计算的适应度值作比较，选择适应度值大的粒子并将其粒子位置作为第t次个体Pbest，对应的脉冲输出Y作为第t次输出，并存储适应度值；

4)所有粒子执行完2)操作后，选取全局最优粒子Gbest，所有粒子作为所述简化的PCNN模型参数，经过内循环迭代寻优阈值，根据图像分割最大熵准则计算的适应度函数评价后，将具有最大适应度值的粒子作为全局最优粒子Gbest，全局最优粒子Gbest对应的脉冲输出序列Y_i,j作为外循环迭代的链接通道L的输入L_i,j以及阈值θ_i,j的输入参数；

5)判断PSO迭代优化是否终止；判断脉冲输出序列Y_i,j在第t与t-1次迭代中是否有变化，若无变化或t等于最大迭代次数Iter，则停止迭代；否则，在约束粒子速度和位置的条件下，执行6)；

6)结合公式，进行粒子位置和速度的更新，并返回下次PSO优化迭代；

在上述步骤5)中，更新机制即在每次迭代中，第n个粒子的速度和位置按下式(6)进行更新：

其中，z_n＝(z_n1,z_n2,…,z_nd)，v_n＝(v_n1,v_n2,…,v_nd)分别表示第n个粒子的位置和速度，p_n＝(p_n1,p_n2,…,p_nd)为第n个粒子搜索到的历史最优位置；p_g＝(p_g1,p_g2,…,p_gd)为种群搜索的全局最优位置；t是第t次迭代；w为惯性权重因子；c1和c2为学习因子；r1和r2为[0，1]之间的随机数；和分别是粒子n在第t次迭代的个体认知和社会认知。