[发明专利]基于改进布谷鸟优化法的图像多阈值分割方法

摘要

一种基于改进布谷鸟优化法的图像多阈值分割方法，由获得需要处理的灰度图像、设定目标函数、用改进布谷鸟优化法寻找最佳阈值、图像多阈值分割步骤组成。鸟窝的初始位置分布在灰度图的像素大小边界值范围内，以最大类间方差作为本方法的适应度函数，以适应度值的大小来评价每个鸟窝所在位置的优劣，通过不断经历自适应步长迭代和随机偏好游动迭代环节更新鸟窝位置，快速准确地找到全局最优阈值，对图像进行分割。本发明与现有技术相比，具有分割阈值精准度高，较好的实时性等优点，可用于彩色图像和灰度图像分割。

主权项

1.一种基于改进布谷鸟优化法的图像多阈值分割方法，其特征在于由下述步骤组成：(1)图像预处理读入需要处理的灰度图即待分割图像，确定阈值个数。(2)设定目标函数选取最大类间方差法作为目标函数，最大类间方差法如下：对于灰度范围为{0,1,…,L‑1}的图像，设有k个阈值将图像划分为k+1类，有其中，H_i(t₁,t₂,…,t_k)为第i个个体的适应度函数值，i为有限的正整数，t₁,t₂,…,t_k为分割阈值，p_i为第i个灰度出现的概率，最佳阈值应使得k+1个类间的总方差最大，即(3)用改进布谷鸟优化法寻找最佳阈值1)设置参数随机生成N个鸟窝且N为正整数，最大迭代次数为k_max、发现概率p_a∈[0,1]，将N个鸟窝随机分布在灰度图像最大灰度值L_max和最小灰度值L_min之间。2)确定适应度函数值根据公式(1)和鸟窝初始位置X_i，确定适应度函数值H_i。3)更新鸟窝位置根据适应度函数值的大小，保留当前迭代次数中全局最优鸟窝，记为X_best，满足：H(X_best)＝max(H_i)   (2)其他鸟窝采用改进式(3)进行更新:其中，和分别表示第(t+1)代和第t代的鸟窝位置，X_gbest代表全局最优解，f_i^t为第i个鸟窝的适应度值，和分别代表在第t次迭代中最优鸟窝和最差鸟窝的适应度值。4)偏好随机游走更新鸟窝位置通过位置更新后，用随机数r∈[0,1]与p_a对比，若r>p_a，则对采用偏好随机游动生成相同数量的新解，偏好随机游动如式(5)所示：其中，r是压缩因子，为(0,1)区间的均匀分布随机数，和表示第t代的两个随解。发现概率p_a设置为其中t为当前迭代次数，p_{a_max}和p_{a_min}是p_a的上下限。5)更新全局最佳阈值重复上述1)～4)步骤，获得全局最优值，比较新一组的全局最优值的适应度函数值与原全局最优值的适应度函数值的大小，若新的适应度函数值大于原适应度函数值，更新全局最优值，直到达到所设置的最大迭代次数k_max，此时的全局最优值即为图像多阈值分割的最佳阈值。(4)图像多阈值分割根据搜索的最佳阈值对待分割的灰度图像进行多阈值分割，得到分割后的图像。