[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

说明书

本发明一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法，包括以下步骤：将待分割的图像进行预处理，得到预处理后的分割图像；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(ssubgt;0/subgt;,tsubgt;0/subgt;)；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，基于灰狼与粒子群协同优化算法的Otsu阈值分割方法比灰狼优化算法结合Otsu阈值分割的结果大为提升，且经过实验验证，PSO‑GWO协同优化算法比GWO的算法收敛速度更快，能更快地寻找目标适应度函数的最优解。

技术领域

本发明属于全自动化产品领域，涉及一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法。

背景技术

图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提.阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术.已被应用于很多的领域。

图像阈值化分割是一种最常用的图像分割方法，它适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大地压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。

阈值分割法的基本原理是：通过设定不同的特征阈值，把图像像素点分为若干类。常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。由原始灰度或彩色值变换得到的特征。设原始图像为I(x，y)，按照一定的准则在I(x，y)中找到特征值T，将图像分割为两个部分，若取t0＝0(黑)，t1＝1(白)，即为我们通常所说的图像二值化。图像阈值化这个看似简单的问题，在过去的四十年里受到国内外学者的广泛关注，产生了数以百计的阈值选取方法，但是遗憾的是，如同其他图像分割算法一样，没有一个现有方法对每一幅的图像都能得到令人满意的结果。

这些阈值化方法，根据使用的是图像的局部信息或整体信息，可以分为基于点的方法和基于区域的方法；根据对全图使用统一阈值还是对不同区域使用不同阈值，可以分为全局阈值方法和局部阈值方法。基本的阈值图像分割方法有：

p-分位数法，1962年Doyle^[1]提出的p-分位数法可以说是比较旧的一种阈值选取方法。该方法使目标或背景的像素比例等于其先验概率来设定阈值，简单高效，但是对于先验概率难于估计的图像却无能为力。

迭代方法选取阈值^[2]，初始阈值选取为图像的平均灰度T0，然后用T0将图像的像素点分作两部分，计算两部分各自的平均灰度，小于T0的部分为TA，大于T0的部分为TB，将T1作为新的全局阈值代替T0，重复以上过程，如此迭代，直至TK收敛，即TK+1＝TK，在直方图波峰和波谷较明显的图像，迭代方法可以获得较好的结果。但是对于直方图波峰不明显，或图像目标和背景比例差异悬殊，迭代法所选取的阈值不如最大类间方差法。

最大类间方差法，Otsu^[3]方法是应用最广泛的图像分割法之一，由Otsu于1978年提出的最大类间方差法以其计算简单、稳定有效，一直广泛使用。最大类间方法阈值分割法选择分割阈值的标准是图像的类间方差达到最大或者类内方差最小。Otsu阈值分割法可以从单阈值扩展到多级阈值分割，多阈值分割图像时是采用多个不同的阈值将图像分割为多个不同的区域或目标。