[发明专利]一种改进的PSO优化PCNN模型的图像分割算法

说明书

本发明提出了一种改进的PSO优化PCNN模型的图像分割算法。该方法采用k‑means二值分割结果作为简单PCNN模型的初始脉冲输出序列，在粒子群优化PCNN模型参数框架下，根据粒子位置、脉冲输出序列Y和邻域链接权W计算链接反馈L，自适应迭代搜寻PCNN模型参数。对于每个粒子，执行内循环，即迭代计算模型参数U和Y，根据脉冲输出序列Y和适应度函数计算适应度值，比较适应度值在上下两次迭代中的差值，判决迭代是否终止，实现迭代次数自适应控制，阈值自适应更新。

技术领域

本发明属于机器学习、机器视觉领域，具体涉及一种改进的PSO优化PCNN模型的图像分割算法。

背景技术

图像分割是图像、视频目标识别、理解、语义分析等研究的基础，是计算机视觉中首要的关键步骤。在图像处理、模型识别和人工智能等多个领域中，图像分割已被广泛应用，如织物疵点检测、多源图像融合、图像语义理解等。然而，图像分割存在边缘分割不准确、纹理、细节丢失、缺失语义以及图像对象遮挡等现象，依然是一个十分重要且具有挑战性的研究问题。

在图像分割算法中，最常用的分割算法为阈值法，如经典的Otsu、分水岭等。但是这些算法受到应用背景的限制，缺乏通用性。与经典的图像分割方法如k-means、FCM、GMM、MRF等相比，基于脉冲耦合神经网络(PCNN:Pulse Coupled Neural Network)的图像分割方法成为近些年研究的热点。脉冲耦合神经网络是模拟猫、猴等哺乳动物大脑视觉皮层上同步脉冲发放现象而建立的一种神经网络，作为第三代人工神经网络的新模型，具有优良的生物学背景以及捕获同步脉冲发放等特性，已被广泛地应用到图像处理领域，如在图像分割、图像去噪、图像增强、图像融合以及小目标检测等方面。PCNN在进行图像分割时，通常将每个像素对应一个PCNN神经元，像素灰度值作为外界刺激信号，将神经元按一定方式连接，得到一个单层脉冲耦合神经网络。当向网络输入一幅图像，某一个象素对应的神经元发生脉冲，其邻域内与它相似的神经元也发生脉冲。产生的脉冲序列构成一幅二值图像，包含了图像的区域、边缘等信息，构成了PCNN模型输出分割图像。

PCNN基于以上工作原理，在图象分割时，考虑了图像像素的邻域信息，同时动态调整每个神经元的分割阈值，其优点显著。但是，PCNN模型由于参数众多，除学习动态阈值外，其他参数依据经验设置，同时模型参数制约其应用。

发明内容

现有的PCNN模型存在以下不足：1)在图象分割时，PCNN模型参数众多，不易自动选取，通常采用实验或经验的方法设置，致使其应用在一定范围内受到了限制；2)采用递增、递减方式更新阈值，缺乏灵活性；3)PCNN模型的阈值衰减次数不能很好的确定，通常采用简单的终止条件；本发明为了克服上述不足，而提出一种改进的PSO优化PCNN模型的图像分割算法，获得了较好的分割效果，轮廓清晰、纹理、细节保留较多。

为了实现上述目的，本发明提供如下技术方案：

一种改进的PSO优化PCNN模型的图像分割算法，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PCNN模型参数，具体优化方式如下；

S3.1：在PSO优化简化PCNN模型参数框架下，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；