[发明专利]基于动态多种群集成差分进化算法的图像分割方法

摘要

本发明公开了一种基于动态多种群集成差分进化算法的图像分割方法，在种群结构规划方面采用原始种群进行划分和重新分配子种群机制，保证种群进化过程的多样性和避免出现局部最优现象；在变异策略上采用局部搜索变异和全局搜索变异相结合，以此来达到种群勘测最优阈值和加快收敛的平衡；还通过交叉概率因子的抛物线式的动态递增变化，有效地针对了标准差分进化算法固定参数带来的不足。通过与其他进化算法在基准测试集上的比较结果可以明显看出改进后算法寻优和收敛速度的显著性，并将改进后的差分进化算法应用于图像的分割，无论在准确度还是速度都有效果显著。

主权项

1.基于动态多种群集成差分进化算法的图像分割方法，其特征在于包括如下步骤：步骤1、设定图像分割阈值范围和评估分割效果的适应度函数：待分割图像为灰度图像，设置分割阈值范围介于0‑255之间；采用最大类间方差作为评估分割效果的适应度函数，计算公式如下所示：f＝w0·w1·(u0‑u1)2   (1)其中，w0是图像背景的灰度概率，w1是图像目标的灰度概率，u0是图像背景的灰度均值，u1是图像目标的灰度均值；步骤2、设置动态多种群集成差分进化算法的参数，参数包括种群规模NP、个体维数D、进化最大迭代次数MaxF、当前迭代次数iter、进化代数G，最大进化代数MaxG；步骤3、初始化图像阈值种群xG：其中，i＝1,2,…,NP，j＝1,2,…,D，种群规模NP表示种群个体的数量，个体维数D表示解得维数，为随机数介于0到1之间，为种群中第i个个体第j维属性，和分别为的下界和上界；步骤4、通过步骤1的适应度函数来计算种群各个体阈值的评估分割效果的适应度值；步骤5、划分和分配子种群若为第一代，只需划分子种群；从第二代开始将根据父代保留下优良个体比率，重新分配子种群；在种群进化第一代时，将种群Pop按照公式(3)划分为三个子种群Pop1、Pop2、Pop3，其中Pop1子种群规模要比Pop2、Pop3大；其中，NPk表示第k个子种群的种群规模，λk表示第k个子种群的规模比例，三个子种群的规模比例关系为：λ1＞λ2＝λ3且λk∈[0,1]；从第二代开始，统计各个子种群从父代继承个体比率，并通过继承的个体比率进行升序排序，给继承个体多的变异策略分配个体数少的子种群Pop2、Pop3，给继承个体少的变异策略分配个体数多的子种群；步骤6、对种群进行变异操作：三个子种群分别对应三种变异策略，通过三种随机选取的变异策略分别对三个子种群个体进行变异操作得到变异个体所述变异策略包括全局搜索变异策略、局部搜索变异策略和加权变异策略；步骤7、对种群进行交叉操作：交叉操作是变异个体与父代个体进行交叉的过程，从而生成新的试验个体即子代个体；采用二项式随机交叉方案，交叉操作如下所示：其中，randb是[0,1]间的随机数，CR是交叉概率因子且范围为[0,1]，该交叉概率因子CR采用抛物线式的动态递增方式，如下所示：其中，CRmax、CRmin为交叉概率因子CR的上下界，G为进化代数，MaxG为最大进化代数；步骤8、对子代与父代进行选择操作，选取适应度值较好的个体作为新一代种群个体选择操作采用优胜劣汰的贪婪选择模式，使得子代较优个体替代父代个体从而种群始终朝着最优分割阈值靠近，选择操作如下所示：其中，f(x)为适应度评估函数；步骤9、判断是否满足迭代条件iter≤MaxF，满足则转到步骤5进行下一代进化，不满足则退出进化转到步骤10；步骤10、输出并显示最优分割阈值步骤11、将所得到的最优分割阈值应用到图像阈值分割中，得到分割后的图像。