CN104915960A - 一种基于细菌觅食优化算法的pcnn文本图像分割方法 - Google Patents

Abstract

本发明属于图像处理领域，具体涉及一种基于细菌觅食优化算法的PCNN文本图像分割方法。本发明包括：读入图像，参数初始化；利用PCNN模型对输入图像进行处理；将细菌个体带入到基于PCNN的三值化分割方法，确定输出图像计算对应的适应度函数值；进入改进的细菌觅食算法，执行趋向、复制和驱散三种行为，记录适应度函数最大值以及对应的最优细菌个体；采用细菌觅食优化算法搜索最优参数；将最优细菌个体解析后再次带入PCNN三值化分割算法，输出分割图像。本发明利用细菌觅食优化算法在解空间中搜索PCNN迭代过程中参数的最优值，实现PCNN迭代参数自动确定，避免人工确定参数的盲目性，且能够获得优于对比方法的分割效果。

Description

一种基于细菌觅食优化算法的PCNN文本图像分割方法

技术领域

本发明属于图像处理领域，具体涉及一种基于细菌觅食优化算法的PCNN文本图像分割方法。

背景技术

文本图像的分析是模式识别与图像处理中一个重要领域，文本图像分割可以使得文本图像中的文本信息更加清晰、优质的显示，既便于后续文本资料图像分析工作的进行，也便于文本使用。因此，文本图像分割对文本图像的应用有着重要的意义。但是文本通常嵌在复杂的背景当中，文本的语言、字体、颜色也表现多样化，给文本图像的分割提取带来较大困难。虽然，学者们相继提出了阈值方法、基于边缘的方法、基于区域的方法和混合的边缘/区域方法等图像分割方法。这些方法的智能化程度较低、计算量大、耗时长。近年来，PCNN(脉冲耦合神经网络)以其更接近生物视觉机制的优越性被广泛应用于图像处理等方面。但PCNN对不同的图像进行分割时需要多次试验人工调整网络参数以得到令人满意的结果，这大大限制了PCNN的应用。

发明内容

本发明的目的在于提出一种结合细菌觅食优化算法的全局搜索能力的基于细菌觅食优化算法的PCNN文本图像分割方法。

本发明的目的是这样实现的：

(1)读入图像，参数初始化；

(2)利用PCNN模型对输入图像进行处理；将细菌个体带入到基于PCNN的三值化分割方法，确定输出图像计算对应的适应度函数值；进入改进的细菌觅食算法，执行趋向、复制和驱散三种行为，记录适应度函数最大值以及对应的最优细菌个体；

(3)采用细菌觅食优化算法搜索最优参数；

(4)将最优细菌个体解析后再次带入PCNN三值化分割算法，输出分割图像。

本发明的有益效果在于：

本发明所提方法利用细菌觅食优化算法在解空间中搜索PCNN迭代过程中参数的最优值，实现PCNN迭代参数自动确定，避免人工确定参数的盲目性，且能够获得优于对比方法的分割效果。

附图说明

图1是一种基于细菌觅食优化算法的PCNN文本图像分割方法流程图；

图2a字符尺寸差距较大的原始图片；

图2b图形背景对文本有干扰的原始图片；

图2c是图形背景与文本有粘连的原始图片；

图3是PCNN神经元结构示意图；

图4是改进的细菌觅食算法整体流程图；

图5a字符尺寸差距较大图片的本发明方法的分割效果；

图5b图形背景对文本有干扰图片的本发明方法的分割效果；

图5c是图形背景与文本有粘连图片的本发明方法的分割效果；

图6a字符尺寸差距较大图片的改进的Niblack方法分割效果；

图6b图形背景对文本有干扰图片的改进的Niblack方法分割效果；

图6c是图形背景与文本有粘连图片的改进的Niblack方法分割效果。

具体实施方式

下面结合附图和实施例对本发明所提方法进行进一步详细说明。以下实施例用于说明本申请，但不用来限制本申请的范围。

本申请发明方法利用细菌觅食优化算法在解空间中搜索PCNN迭代过程中参数的最优值，避免人工确定参数的盲目性，实现PCNN迭代参数自动确定，最终将最优细菌个体解析后带入PCNN三值化分割算法，输出分割文本图像，较好的解决了目前PCNN应用于文本图像分割时模型参数难以合理确定的问题。所述方法包括：

(1.1)读入图像，参数初始化；

(1.2)利用PCNN模型对输入图像进行处理；将细菌个体带入到基于PCNN的三值化分割方法，确定输出图像计算对应的适应度函数值；

(1.3)采用细菌觅食优化算法搜索最优参数；

(1.4)将最优细菌个体解析后再次带入PCNN三值化分割算法，输出分割图像。

本发明的核心技术内容在于将细菌觅食优化算法引入到PCNN分割文本图像工作中，提出一种基于细菌觅食优化算法的PCNN文本图像分割方法。

本发明包括的将细菌个体带入到基于PCNN的三值化分割方法，确定输出图像计算对应的适应度函数值，其主要内容为：最大类间方差函数作为细菌觅食算法的适应度函数。

本发明包括的采用细菌觅食优化算法搜索最优参数，其主要内容为：进入改进的细菌觅食算法，执行趋向、复制和驱散三种行为，记录适应度函数最大值以及对应的最优细菌个体。

本发明包括的采用将最优细菌个体解析后再次带入PCNN三值化分割算法，输出分割图像，其主要内容为：最终将最优细菌个体带入PCNN三值化分割算法对图像进行处理，从而完成文本图像的分割。

本申请实施例将细菌觅食优化算法引入PCNN文本图像分割中，既将改进细菌觅食优化算法应用于PCNN模型，该模型省去人工实验设定参数过程，以最大类间方差函数作为细菌觅食算法的适应度函数，采用细菌觅食优化算法搜索最优参数用于PCNN文本图像分割。

图1是依照本申请实施例的基于细菌觅食优化算法的PCNN文本图像分割方法的流程图。为更加清晰的说明所申请方法，本申请实施例选取图2(a)、图2(b)、图2(c)三张图片进行流程说明，但不限制本申请实施例的范围。本申请实施例方法包括：

S110首先读入图像，初始化设置改进PCNN模型的相关参数：设置细菌觅食优化算法搜索维度p为4维，菌群规模S＝26，趋化行为循环次数Nc＝30，复制行为循环次数Nre＝2，驱散行为循环次数Ned＝2，驱散概率Ped＝0.2，趋化行为中单向运动的最大步数Ns＝4；初始化设置改进细菌觅食优化算法的相关参数，设置连接系数β的适应系数范围为x∈[0.2，0.8]，衰减系数的适应系数范围为y∈[0.4，1]，第一次迭代和第二次迭代V_θ中的修正系数k₁和k₂的搜索范围为k₁，k₂∈[0，1]。

S120利用PCNN模型对输入图像进行处理。简化的PCNN神经元结构由接收域、调制部分和脉冲发生器三部分组成，图3是一个PCNN神经元的结构示意图。

式(1)～式(5)是由经典PCNN神经元模型改进得到的数学方程描述：

F_ij[n]＝I_ij    (1)

$L_{\mathrm{ij}}\left(n\right)=V_L\underset{\mathrm{kl}}{\mathrm{\Σ}}{W}_{\mathrm{ijkl}}{Y}_{\mathrm{kl}}(n-1)I_{\mathrm{kl}}$     (2)

U_ij(n)＝F_ij(n)[1+β_ijL_ij(n)]    (3)

${\mathrm{\θ}}_{\mathrm{ij}}\left(n\right)=\exp \left({\mathrm{\α}}_{{\mathrm{\θ}}_{\mathrm{ij}}}\right){\mathrm{\θ}}_{\mathrm{ij}}(n-1)+V_{\mathrm{\θ}}{Y}_{\mathrm{ij}}(n-1)$     (4)

$Y_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{cc}1& (U_{\mathrm{ij}}\left(n\right)\≥{\mathrm{\θ}}_{\mathrm{ij}}\left(n\right))\\ 0& (U_{\mathrm{ij}}\left(n\right)\≤{\mathrm{\θ}}_{\mathrm{ij}}\left(n\right))\end{array}\right.$     (5)

其中F_ij[n]是第(i,j)神经元的n次反馈输入，I_ij为图像在坐标(i,j)处的灰度值，L_ij(n)是连接项，W是连接权矩阵，U_ij(n)是内部活动项，θ_ij(n)为动态阈值，V_θ是幅度常数，Y_ij(n)是PCNN脉冲输出值，此外βij为连接系数

β_ij＝1-xI_ij    (6)

式中x为适应系数，该式表明对外部激励较高的神经元给予较低的邻域连接强度，而对于对外部激励较低的神经元给予较高的邻域连接强度；为衰减系数：

${\mathrm{\α}}_{{\mathrm{\θ}}_{\mathrm{ij}}}=I_{\mathrm{ij}}---\left(7\right)$

PCNN模型用于图像分割时,二维图像的每一个像素的灰度值对应为每个神经元的输入。其中某一个像素激发产生的脉冲输出,会引起附近其他类似灰度像素对应神经元的激发,产生脉动输出序列Y[n]。显然序列Y[n]包含有图像区域、边缘、纹理特征等信息。

利用上述PCNN模型进行两次迭代实现二值分割。初始化参数令L[0]＝U[0]＝E[0]＝0， $W=\left[\begin{array}{ccc}0.707& 1& 0.707\\ 1& 0& 1\\ 0.707& 1& 0.707\end{array}\right],$ Y[0]＝1，V_θ在第一次迭代中取

V_θ＝2μ₁+k₁    (8)

其中μ₁为图像I的灰度均值，k₁为修正系数。计算可得首次迭代结果为：Y[1]＝step(U[1]-E[1])。第二次迭代中根据第一次点火的结果设置

V_θ＝[0.5×μ₂+0.5×(s₂/μ₂)+k₂]×L    (9)

其中，s₂和μ₂分别为B的标准差和均值，其比值为点集B的对比度。k₂为一分段函数，用于在适当情况下作为补偿值。当点集B的均值μ₂较高，且对比度s₂相对过高时，会使V_θ值过高，此时使k₂取负值，令V_θ减小；当μ₂过低时，V_θ值过低，此时使k₂取正值，令V_θ升高，维持动态门限在合理水平。计算可得二次点火输出结果Y＝step(U[2]-E[2])。两次点火结果的叠加即为算法设计所需实现的三值化分割。

S130针对第一次PCNN三值化分割的输出图像，改进的细菌觅食算法搜索适应度函数最大值及其对应的最优细菌个体。

步骤130可进一步分为如下执行步骤：

S131初始化参数Nc(趋化行为循环次数)，Ns(最大步数)，Nre(复制行为循环次数)，Ned(驱散行为循环次数)，p(搜索维度)，S(菌群规模)，Ped(驱散概率)，C(i)(更新步长)，θⁱ(动态阈值)，J_best＝J(i，j，k，l)(最佳的适应度函数值)；

S132驱散行为循环：l＝l+1；

S133复制行为循环：k＝k+1；

S134趋向行为循环：j＝j+1；

①计算细菌i的适应度值J(i，j，k，l)，

②令J_bast＝J(i，j，k，l)，存储为细菌i目前最好的适应值。

③生成一个随机向量Δ(i)，取值在[-1,1]之间。翻转运动公式为：

P(i，j+1，k，l)＝P(i，j，k，l)+C(i)Δ(i)    (10)

④计算J(i，j+1，k，l)，更新步长C(i)，如果J(i，j+1，k，l)大于J(i，j，k，l)，且没有达到预设最大前进步数Ns，则细菌按(11)式前进；否则转入步骤①

P(i，j+1，k，l)＝P(i，j+1，k，l)+C(i)Δ(i)    (11)

在步骤S134更新步长时，为避免因步长设置过小造成算法收敛速度慢且容易陷入局部极值点的问题；以及因步长设置过大造成算法收敛速度过快且容易跳过最优解的问题，可设置一种随着细菌适应度值而改变的运动步长，即当适应度值小时步长变大，适应度值大时步长变小。同时记录每一轮趋化行为中最佳的适应度函数值Jbest及其对应的细菌，对该轮中正在执行趋化行为的细菌，用Jlast记录其当时的适应度函数值，其步长C(i)的更新根据Jlast和Jbest的比值a(即修正系数)分三段式进行调整，公式如下：

$\left\{\begin{array}{c}C\left(i\right)=2*C\left(i\right)\\ C\left(i\right)=a*C\left(i\right)\\ C\left(i\right)=0.5*C\left(i\right)\end{array}\right.$     (12)

其中修正系数a定义为：

a＝J_last/J_best    (13)

这里根据系数a的大小来设置游动步长。当某个细菌所处位置不佳，适应度函数值较高，则a取值会非常大，那么不可能使该细菌的游动步长增加到很大，这里限制了最大游动步长为基准步长的2倍，即当a大于2时，令其游动步长为基准步长的2倍；同理，当某个细菌处于全局极值点附近时，可能游动一步之后适应度函数值会突降，那么a取值较小，该细菌步长相应就会减小，但是如果太小则不利于该细菌搜索全局极值点，所以这里设置了一个游动步长下限，即当a小于0.5时，取其步长为基准步长的二分之一。这样，实现了细菌步长的自适应调整，加快了算法的收敛速度。

S135若j<Nc，返回S134进行趋向行为。

S136对给定的k，l以及每个i＝1,2，…，S，将菌群各个细菌适应度值按从大到小顺序排列，保留前S/2个细菌进行复制。

S137若k<Nre，返回S133。

S138将每个细菌按概率Ped重新分配到整个寻优空间。若l<Ned，则返回S132，否则算法结束。

改进后的细菌觅食算法的整体流程图如图4所示。

S140将最优细菌个体解析后再次带入步骤2中的PCNN三值化分割算法，输出分割图像如图5(a)、图5(b)、图5(c)所示。

将本申请实施例文本图像分割结果与改进的Niblack方法的分割结果图6(a)、图6(b)、图6(c)进行对比。图6(a)中改进的Niblack方法对字符大小敏感，对尺寸较大的字符会出现过分割，且容易引入大量噪声；图5(a)中本发明方法对大小文本均能够很好的分割。图6(b)中的文本在图像分割处理后文本附近背景存在大量干扰；图5(b)中的文本从背景中较好的分割出来，均处于白色层中。图6(c)中文字与部分背景均处于白色层，文字与背景严重粘连；图5(c)图中文字处于白色层，背景处于黑色和灰色层，分割效果理想。本发明方法较好地处理了低对比度情况，对大小不同的字符均有效分割。

综上，本实施例的方法分割性能优于传统算法，能够满足当前的应用需求。

本领域技术人员可以理解，在本申请具体实施方式的上述方法中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请具体实施方式的实施过程构成任何限定。

本领域技术人员可以理解，在本申请具体实施方式的上述方法中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请具体实施方式的实施过程构成任何限定。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (1)

1.一种基于细菌觅食优化算法的PCNN文本图像分割方法，其特征在于：

(1)读入图像，参数初始化；

(2)利用PCNN模型对输入图像进行处理；将细菌个体带入到基于PCNN的三值化分割方法，确定输出图像计算对应的适应度函数值；进入改进的细菌觅食算法，执行趋向、复制和驱散三种行为，记录适应度函数最大值以及对应的最优细菌个体；

(3)采用细菌觅食优化算法搜索最优参数；

(4)将最优细菌个体解析后再次带入PCNN三值化分割算法，输出分割图像。