[发明专利]基于交叉变异人工鱼群算法的多阈值图像分割方法

摘要

本发明公开了一种基于交叉变异人工鱼群算法的多阈值图像分割方法，主要解决现有技术分割后的图像信息丢失严重的问题。其实现步骤为：1.输入图像并获取所有图像像素点处像素灰度值；2.选取c个阈值将图像分割成c+1类；3.生成n个人工鱼，每个人工鱼为1×c维向量，代表一组阈值可能解；4.以kapur最大熵准则制定的适应度函数为目标，并搜索适应度函数的最大值；5.利用搜索到的适应度最大值对应的一组阈值可能解进行图像分割，将灰度值为同一区间的像素点归为一类，输出分割后的图像。本发明有效的提高了人工鱼群算法在优化过程中的寻优精度，进一步与多阈值图像分割结合，提高了图像分割的效果，可用于计算机视觉分析中。

主权项

一种基于交叉变异人工鱼群算法的多阈值图像分割方法，包括：(1)输入灰度图像，并提取灰度图像中像素点的个数M×N，任意像素点的灰度值为dk,k∈[1,M×N]，每个像素点的灰度值取值范围为[0,L‑1]，其中M和N分别代表图像中像素点的行和列，L表示为灰度值的级数；(2)设定分割图像的阈值个数c，从所有灰度值中随机选择c个不同灰度作为一组阈值的可能解，共挑选n组阈值可能解，其中每组阈值的可能解表示为a,b,...p∈k且a≠b≠...≠p,i∈[1,n]；(3)取(2)中选择的n组阈值可能解，将每组阈值可能解中的灰度值按照从小到大的顺序重新排列，得到排序后的阈值可能解：i∈[1,n]，并将作为人工鱼群体中第i个人工鱼的初始解，其中表示对应的该组阈值可能解中第m个阈值，m∈[1,c]；(4)获取图像的灰度直方图h，其中所有像素点中灰度值为j的像素点个数hj,j∈[0,L‑1]；(5)计算(4)中所有hj占(1)中像素点总数M×N的比例：Pj＝hj/(M×N)，j∈[0,L‑1]；(6)根据初始解中的c个阈值与(5)中的Pj，计算初始解中c+1个灰度值区间的灰度值概率和ω0；(7)根据(5)中的Pj与(6)中ω0计算初始解中c+1个灰度值区间的熵H0；(8)根据(7)中的初始解的熵H0，计算每个人工鱼初始解的适应度保存n个人工鱼初始解中具有最大适应度的一组阈值可能解Xb，得到适应度最大值f(Xb)；(9)迭代计算n个人工鱼解：取t表示当前迭代次数，t∈[0,MaxT]，其中t＝0代表开始迭代前的初始状态，设第i个人工鱼第t次迭代的适应度为i∈[1,n]，MaxT表示迭代总次数，V表示所有人工鱼的视野范围，其迭代步骤如下：(9a)令t＝1；(9b)选出第t‑1次迭代适应度最高的n1个和适应度最低的n2个人工鱼解并将其余人工鱼解更新为i∈[1,n]；(9c)将(9b)中的n1个人工鱼解用交叉行为更新为(9d)计算(9b)中的n2个人工鱼解到(7)中Xb的欧氏距离如果则使用局部变异行为将更新为否则使用全局变异行为将更新为(9e)根据所有更新后的中的c个阈值，计算第t次迭代c+1个灰度值区间的灰度值概率和ωt；(9f)根据(5)中的Pj与(9e)中ωt，计算第t次迭代c+1个灰度值区间的熵Ht；(9g)根据(9f)中得到的熵Ht，计算第t次迭代的每个人工鱼解的适应度i∈[1,n]；(9h)将(9g)中的所有适应度与(7)中的适应度最大值f(Xb)进行比较：如果则将适应度最大值更新为将最优的阈值可能解更新为否则，不更新；(9i)比较t与MaxT的大小，如果t＜MaxT，则令t＝t+1,返回(9b)，否则输出f(Xb)与Xb，执行步骤(10)；(10)用(9i)中输出的具有最大适应度的一组阈值可能解Xb计算所有像素点的灰度值d'k，将(1)中的dk更新为d'k，输出图像，k∈[1,M×N]。