[发明专利]一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法

权利要求书

1.一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法，其特征在于：包括以下步骤：

S1：将待分割的图像进行预处理，得到预处理后的分割图像；

S2：基于灰狼与粒子群协同优化算法，将预处理后的分割图像的随机初始化的阈值数组，根据类间离散矩阵的迹作为背景和目标区域的类间离散度测度，将此离散矩阵的迹结合灰狼与粒子群协同优化得到最优的分割阈值数组(s₀,t₀)；

S3：根据阈值分割数组通过二维Otsu方法对预处理的图像进行阈值分割，最终获取到图像分割最优的结果。

2.根据权利要求1所述的一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法，其特征在于：还包括对表征图像特征，取P_ij,f(i，j)，g(i，j)构成后面离散矩阵的基本要素的过程如下：

设图像I(x,y)的灰度级和它的领域平均灰度级均为L级，设f(x,y)为像素点(x,y)的灰度值，g(x,y)为像素点(x,y)为中心的3*3的像素点集合的灰度平均值，令f(x,y)＝i,g(x,y)＝j，然后就形成了一个二元组(i,j)，设二元组(i,j)出现的次数为f_ij，然后求出二元组对应的概率密度P_ij：

P_ij＝fij/N, i,j＝1,2，…，L (1)

其中：N为图像像素点总数，任意选取一个阈值向量(s,t)选取的阈值向量将图像的二维直方图划分成4个区域，B、C区域代表图像的前景和背景，A、D区域代表噪声点，设B、C两个区域对应的概率分别为w₁，w₂，对应的均值矢量为u₁，u₂，整个图片所对应的均值矢量为u_T，类间离散矩阵为B、C两个区域对应的概率乘以u₁与u_T的方差，u₂与u_T的方差之和。

3.根据权利要求1所述的一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法，其特征还在于：所述的图像分割预处理步骤如下：

将原图像I经过均值滤波后得到G图像，统计所有灰度级总数L和所有像素点和N，统计原图像I经过均值滤波后图像的灰度总数L与所有像素和N，统计像素点出现概率，用二元数组(i,j)描述图像任一点，任一点出现概率为：

初始时用一个随机分割阈值数组(s,t)，通过分割阈值将图像划分出背景类C₀和目标类C₁，概率分别为W₀和W₁；

则背景C₀和目标C₁区域对应的均值矢量为：

则总的均值矢量为：

其类间离散矩阵定义如下：

Q(s，t)＝w₀(u₀-u)²+w₁(u₁-u)²    (8)

将离散矩阵的迹作为C₀区域和C₁区域的类间离散度测度，即：

R_trace(Q(s，t))＝(w₀+w₁)*[(u_0i-u_i)²+(u_0j-u_i)²]    (9)

R_trace(Q(s₀，t₀))＝max(R_trace(Q(s，t)))，0≤s≤L-1，0≤t≤L-1     (10)

通过离散矩阵的迹作为背景区域和目标区域的类间散度测度，离散矩阵取最大值时，确定分割阈值数组是最优，背景和目标也能分割得更好；当R_trace(Q(s,t))取最大值时，此时确定的分割阈值(s₀,t₀)是最优的，则目标可以较好地被分割出来。