[发明专利]多阈值图像的二维分割方法

说明书

一种多阈值图像的二维分割方法包括以下步骤：(1)输入图像并初始化；(2)利用原始图像生成灰度图像；(3)结合非局部均值滤波，生成非局部均值滤波图像；(4)根据灰度图像和非局部均值滤波图像构造对应的二维直方图；(5)基于构造的二维直方图，以Kapur熵作为目标函数，利用改进黏菌算法寻找最优分割阈值；(6)基于获得的最优阈值对图像进行分割，并输出分割结果；本发明操作效率高、分割效果好。

技术领域

本发明涉及图像处理技术领域，具体涉及一种多阈值图像的二维分割方法。

背景技术

图像的识别以及理解是现代各类医学影像设备的核心技术，其中图像的识别以及理解的好坏则绝大部分取决于图像分割质量的优劣。图像分割是计算机视觉研究中的一个经典难题，已经成为图像理解领域关注的一个热点，图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。因此，能够获得高质量分割结果的分割方法显得尤为重要。

近几年来，各种各样的图像分割技术已经被提出来了，其中多阈值图像分割技术是一种十分简单并且高效的方法，该方法的核心在于阈值的选择，高质量的阈值能够获得更加杰出的分割效果。众所周知传统的梯度法虽然能得到分割的阈值，但是该方法具有较大的计算复杂度，并且得到的分割阈值的质量较差。群智能优化算法应用于多阈值图像分割是一种高效、且具有较好分割效果的方法。但是，由于群智能优化方法自身的不足，容易使得分割过程陷入局部最优，以至于分割质量较差。

因此，急需研究一种多阈值图像的二维分割方法，以获得更好的图像分割质量。

发明内容

为了解决现有技术中存在的一个或多个问题，尽可能的获得更好的图像分割质量，申请人经过研究发现，人工蜂群的觅食行为引入到黏菌算法中，结合非局部均值的二维直方图和Kapur熵，能够获得图像分割的最优阈值，实现更好的图像分割质量。

具体地，根据本发明一方面，提供了一种多阈值图像的二维分割方法，包括以下步骤：

步骤1：输入需要分割的图像，初始化阈值分割水平Level；

步骤2：将输入图像灰度化，获得对应的灰度图像，并利用非局部均值滤波的方式获得非局部均值图像；

步骤3：初始化参数即黏菌算法的种群大小Popsize以及最大迭代次数max_t；

步骤4：初始化黏菌种群X_i(i＝1，2，...，n)

步骤5：计算所有黏菌的适应度值，即Kapur熵；

步骤6：确定最优黏菌位置和适应度值；

步骤7：通过公式1，计算黏菌的权重

其中，S(i)表示黏菌的适应度值，condition表示S(i)中位于总体前半部分的黏菌个体，others表示S(i)中位于总体前半部分之外的黏菌个体，r表示(0，1)之间的一个随机数，bF和wF分别表示当前迭代中获得的最优适应值和最差适应值；

步骤8：根据黏菌的位置更新方式的数学模型，如公式2所示，完成每一个黏菌的第一次位置更新；

其中，表示更新后的黏菌位置，rand表示(0，1)之间的一个随机数，UB表示搜索空间的上界，LB表示搜索空间的下界；z表示(0，1)之间的一个数，用于决定黏菌的位置更新方式；表示当前最优黏菌个体，的范围是[-a，a]，a由计算得到，表示该黏菌的权重，和分别表示两个随机选择的黏菌个体，r表示(0，1)之间的一个随机数，p由tanh|S(i)-DF|计算得到，DF表示最优适应度值，从1线性减小到0，t表示当前迭代次数，表示当前黏菌个体；