CN106898009A - 改进反向和声搜索优化的多阈值图像分割方法 - Google Patents
改进反向和声搜索优化的多阈值图像分割方法 Download PDFInfo
- Publication number
- CN106898009A CN106898009A CN201710162426.0A CN201710162426A CN106898009A CN 106898009 A CN106898009 A CN 106898009A CN 201710162426 A CN201710162426 A CN 201710162426A CN 106898009 A CN106898009 A CN 106898009A
- Authority
- CN
- China
- Prior art keywords
- individuality
- individual
- fes
- harmony
- reverse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种改进反向和声搜索优化的多阈值图像分割方法。本发明采用改进反向和声搜索算法来优化图像分割的阈值。在改进反向和声搜索算法中,首先执行和声搜索策略生成一个试验个体,再执行组合反向学习策略产生试验个体的反向个体,然后选择出试验个体与反向个体两者之间的优胜个体,并将选择出来的优胜个体与和声库中的最差个体进行竞争。通过执行组合反向学习策略,本发明能够提高多阈值图像分割的精度。
Description
技术领域
本发明涉及图像分割领域,尤其是涉及一种改进反向和声搜索优化的多阈值图像分割方法。
背景技术
多阈值图像分割是一种常用的图像分割方法,它已经在医学影像,人脸识别,虹膜识别,光学字符识别,指纹识别等方面取得了很成功的应用。多阈值图像分割方法的思想就是根据给定的数字图像寻找到若干个阈值将图像的像素划分成几个类别使得目标函数达到最优值。多阈值图像分割在本质上就是一个优化问题。优化多阈值图像分割的核心就是如何高效地寻找到合适的阈值。然而传统搜索方法都是采用蛮力法搜索最优的分割阈值,这样导致搜索分割阈值的时间花费很长,实时性不高,尤其是当分割阈值比较多时,蛮力法搜索分割阈值的耗时在工程上往往是无法接受的。
针对传统搜索算法的缺点,人们提出了利用智能优化算法来求解图像的分割阈值。由于智能优化算法在求解图像分割阈值时表现出了优越的性能,许多研究人员提出了各种基于智能优化算法的多阈值图像分割方法。例如,刘笃晋等提出了一种利用改进布谷鸟算法来优化彩色图像多阈值分割的方法(刘笃晋,梁弼,袁小艳,朱加强.基于改进布谷鸟算法的彩色图像多阈值分割[J].计算机工程与设计,2016,37(12):3322-3326.);杨震伦等提出了一种应用改进量子粒子群优化来搜索图像分割阈值的方法(杨震伦,闵华清,罗荣华.基于改进量子粒子群优化的多阈值图像分割算法[J].华南理工大学学报(自然科学版),2015,43(05):126-131+138.)。
和声搜索算法是一种新近提出的智能优化算法,它在解决一些实际工程优化问题时取得了比其他许多智能优化算法更优的结果。由于和声搜索算法在许多优化问题上表现出很有潜力的性能,研究人员也尝试将和声搜索算法应用于优化图像的分割阈值。但传统和声搜索算法在优化多阈值图像分割时容易出现陷入局部最优,分割精度不高的缺点。
发明内容
本发明的目的是提出一种改进反向和声搜索优化的多阈值图像分割方法,本发明能够提高多阈值图像分割的精度。
本发明的技术方案:一种改进反向和声搜索优化的多阈值图像分割方法,包括以下步骤:
步骤1,输入需要分割的图像HM;
步骤2,用户初始化参数,所述初始化参数包括分割阈值数量D,和声库大小Popsize,变异率Pmu,最大评价次数MAX_FEs;
步骤3,令当前演化代数t=0,当前评价次数FEs=0;
步骤4,设置D个分割阈值的下界LBj和上界UBj,其中维度下标j=1,2,...,D;
步骤5,随机产生初始和声库其中个体下标i=1,2,...,Popsize,并且为和声库Pt中的第i个个体,存储了D个分割阈值;
步骤6,计算和声库Pt中每个个体的适应值;
步骤7,令当前评价次数FEs=FEs+Popsize;
步骤8,保存和声库Pt中的最优个体Bestt;
步骤9,执行和声搜索策略产生一个试验个体Vt,具体步骤如下:
步骤9.1,令计数器ki=1;
步骤9.2,如果计数器ki小于或等于D,则转到步骤9.3,否则转到步骤10;
步骤9.3,在[0,1]之间产生一个随机实数R1;
步骤9.4,如果R1小于Pmu,则转到步骤9.5,否则转到步骤9.6;
步骤9.5,令其中rand(0,1)表示在[0,1]之间产生随机实数的函数,然后转到步骤9.8;
步骤9.6,按以下公式计算音频因子RX:
其中Worstt为和声库Pt中的最差个体;
步骤9.7,令
步骤9.8,令计数器ki=ki+1,转到步骤9.2;
步骤10,计算试验个体Vt的适应值,并令当前评价次数FEs=FEs+1;
步骤11,执行组合反向学习策略生成试验个体Vt的反向个体Ut,具体步骤如下:
步骤11.1,按以下公式计算和声库Pt的搜索下界和上界
其中i=1,2,...,Popsize,j=1,2,...,D;min为取最小值函数,max为取最大值函数;
步骤11.2,按以下公式计算试验个体Vt的反向个体Ut:
其中维度下标j=1,2,...,D;组合因子HK的值为[0,1]之间的一个随机实数,反向因子CW的值为[0,1]之间的一个随机实数,HI1为[1,Popsize]之间的一个随机整数;
步骤12,计算反向个体Ut的适应值,并令当前评价次数FEs=FEs+1;
步骤13,令个体BIt为试验个体Vt和反向个体Ut两者之间的更优个体;
步骤14,在当前和声库中的最差个体Worstt与个体BIt两者之间选择出更优个体进入下一代和声库:
步骤15,令当前演化代数t=t+1,并保存和声库Pt中的最优个体Bestt;
步骤16,重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt作为D个分割阈值,利用得到的D个阈值对图像HM进行分割。
本发明采用改进反向和声搜索算法来优化图像分割的阈值。在改进反向和声搜索算法中,首先执行和声搜索策略生成一个试验个体,再执行组合反向学习策略产生试验个体的反向个体,然后选择出试验个体与反向个体两者之间的优胜个体,并将选择出来的优胜个体与和声库中的最差个体进行竞争。通过执行组合反向学习策略,本发明能够提高多阈值图像分割的精度。
附图说明
图1为实施例中用于分割的图像。
图2为应用本发明分割图像的结果。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
步骤1,输入需要分割的图像HM如图1所示;
步骤2,用户初始化参数,所述初始化参数包括分割阈值数量D=3,和声库大小Popsize=50,变异率Pmu=0.15,最大评价次数MAX_FEs=1000;
步骤3,令当前演化代数t=0,当前评价次数FEs=0;
步骤4,设置D个分割阈值的下界LBj和上界UBj,其中维度下标j=1,2,...,D;
步骤5,随机产生初始和声库其中个体下标i=1,2,...,Popsize,并且为和声库Pt中的第i个个体,存储了D个分割阈值;
步骤6,计算和声库Pt中每个个体的适应值;
步骤7,令当前评价次数FEs=FEs+Popsize;
步骤8,保存和声库Pt中的最优个体Bestt;
步骤9,执行和声搜索策略产生一个试验个体Vt,具体步骤如下:
步骤9.1,令计数器ki=1;
步骤9.2,如果计数器ki小于或等于D,则转到步骤9.3,否则转到步骤10;
步骤9.3,在[0,1]之间产生一个随机实数R1;
步骤9.4,如果R1小于Pmu,则转到步骤9.5,否则转到步骤9.6;
步骤9.5,令其中rand(0,1)表示在[0,1]之间产生随机实数的函数,然后转到步骤9.8;
步骤9.6,按以下公式计算音频因子RX:
其中Worstt为和声库Pt中的最差个体;
步骤9.7,令
步骤9.8,令计数器ki=ki+1,转到步骤9.2;
步骤10,计算试验个体Vt的适应值,并令当前评价次数FEs=FEs+1;
步骤11,执行组合反向学习策略生成试验个体Vt的反向个体Ut,具体步骤如下:
步骤11.1,按以下公式计算和声库Pt的搜索下界和上界
其中i=1,2,...,Popsize,j=1,2,...,D;min为取最小值函数,max为取最大值函数;
步骤11.2,按以下公式计算试验个体Vt的反向个体Ut:
其中维度下标j=1,2,...,D;组合因子HK的值为[0,1]之间的一个随机实数,反向因子CW的值为[0,1]之间的一个随机实数,HI1为[1,Popsize]之间的一个随机整数;
步骤12,计算反向个体Ut的适应值,并令当前评价次数FEs=FEs+1;
步骤13,令个体BIt为试验个体Vt和反向个体Ut两者之间的更优个体;
步骤14,在当前和声库中的最差个体Worstt与个体BIt两者之间选择出更优个体进入下一代和声库:
步骤15,令当前演化代数t=t+1,并保存和声库Pt中的最优个体Bestt;
步骤16,重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt作为D个分割阈值,利用得到的D个阈值对图像HM进行分割,即得到如图2所示的分割结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种改进反向和声搜索优化的多阈值图像分割方法,其特征在于,包括以下步骤:
步骤1,输入需要分割的图像HM;
步骤2,用户初始化参数,所述初始化参数包括分割阈值数量D,和声库大小Popsize,变异率Pmu,最大评价次数MAX_FEs;
步骤3,令当前演化代数t=0,当前评价次数FEs=0;
步骤4,设置D个分割阈值的下界LBj和上界UBj,其中维度下标j=1,2,...,D;
步骤5,随机产生初始和声库其中个体下标i=1,2,...,Popsize,并且为和声库Pt中的第i个个体,存储了D个分割阈值;
步骤6,计算和声库Pt中每个个体的适应值;
步骤7,令当前评价次数FEs=FEs+Popsize;
步骤8,保存和声库Pt中的最优个体Bestt;
步骤9,执行和声搜索策略产生一个试验个体Vt,具体步骤如下:
步骤9.1,令计数器ki=1;
步骤9.2,如果计数器ki小于或等于D,则转到步骤9.3,否则转到步骤10;
步骤9.3,在[0,1]之间产生一个随机实数R1;
步骤9.4,如果R1小于Pmu,则转到步骤9.5,否则转到步骤9.6;
步骤9.5,令其中rand(0,1)表示在[0,1]之间产生随机实数的函数,然后转到步骤9.8;
步骤9.6,按以下公式计算音频因子RX:
其中Worstt为和声库Pt中的最差个体;
步骤9.7,令
步骤9.8,令计数器ki=ki+1,转到步骤9.2;
步骤10,计算试验个体Vt的适应值,并令当前评价次数FEs=FEs+1;
步骤11,执行组合反向学习策略生成试验个体Vt的反向个体Ut,具体步骤如下:
步骤11.1,按以下公式计算和声库Pt的搜索下界和上界
其中i=1,2,...,Popsize,j=1,2,...,D;min为取最小值函数,max为取最大值函数;
步骤11.2,按以下公式计算试验个体Vt的反向个体Ut:
其中维度下标j=1,2,...,D;组合因子HK的值为[0,1]之间的一个随机实数,反向因子CW的值为[0,1]之间的一个随机实数,HI1为[1,Popsize]之间的一个随机整数;
步骤12,计算反向个体Ut的适应值,并令当前评价次数FEs=FEs+1;
步骤13,令个体BIt为试验个体Vt和反向个体Ut两者之间的更优个体;
步骤14,在当前和声库中的最差个体Worstt与个体BIt两者之间选择出更优个体进入下一代和声库:
步骤15,令当前演化代数t=t+1,并保存和声库Pt中的最优个体Bestt;
步骤16,重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt作为D个分割阈值,利用得到的D个阈值对图像HM进行分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710162426.0A CN106898009B (zh) | 2017-03-18 | 2017-03-18 | 改进反向和声搜索优化的多阈值图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710162426.0A CN106898009B (zh) | 2017-03-18 | 2017-03-18 | 改进反向和声搜索优化的多阈值图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106898009A true CN106898009A (zh) | 2017-06-27 |
CN106898009B CN106898009B (zh) | 2019-05-14 |
Family
ID=59193685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710162426.0A Active CN106898009B (zh) | 2017-03-18 | 2017-03-18 | 改进反向和声搜索优化的多阈值图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106898009B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274375A (zh) * | 2017-07-09 | 2017-10-20 | 江西理工大学 | 应用高斯反向和声搜索的图像增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715490A (zh) * | 2015-04-09 | 2015-06-17 | 江西理工大学 | 一种基于自适应步长和声搜索算法的脐橙图像分割方法 |
CN105550493A (zh) * | 2015-12-02 | 2016-05-04 | 江西理工大学 | 基于云模型和声搜索的水体叶绿素a浓度预测方法 |
CN106023162A (zh) * | 2016-05-12 | 2016-10-12 | 江西理工大学 | 基于集成策略和声搜索算法的草莓图像分割方法 |
-
2017
- 2017-03-18 CN CN201710162426.0A patent/CN106898009B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715490A (zh) * | 2015-04-09 | 2015-06-17 | 江西理工大学 | 一种基于自适应步长和声搜索算法的脐橙图像分割方法 |
CN105550493A (zh) * | 2015-12-02 | 2016-05-04 | 江西理工大学 | 基于云模型和声搜索的水体叶绿素a浓度预测方法 |
CN106023162A (zh) * | 2016-05-12 | 2016-10-12 | 江西理工大学 | 基于集成策略和声搜索算法的草莓图像分割方法 |
Non-Patent Citations (2)
Title |
---|
刘立群: "基于改进和声搜索算法的玉米叶片病害图像分割算法", 《计算机应用与软件》 * |
欧阳海滨: "反向学习和声搜索算法优化高维函数问题", 《小型微型计算机系统》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274375A (zh) * | 2017-07-09 | 2017-10-20 | 江西理工大学 | 应用高斯反向和声搜索的图像增强方法 |
CN107274375B (zh) * | 2017-07-09 | 2020-04-14 | 江西理工大学 | 应用高斯反向和声搜索的图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106898009B (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104715490B (zh) | 一种基于自适应步长和声搜索算法的脐橙图像分割方法 | |
CN116910572B (zh) | 基于预训练语言模型的三维内容生成模型训练方法及装置 | |
CN109272061B (zh) | 一种包含两个cnn的深度学习模型的构建方法 | |
CN109993173A (zh) | 一种基于种子生长及边界约束的弱监督图像语义分割方法 | |
CN106898009A (zh) | 改进反向和声搜索优化的多阈值图像分割方法 | |
Wang et al. | Domain adaptive sampling for cross-domain point cloud recognition | |
Zhao et al. | Single-branch self-supervised learning with hybrid tasks | |
CN107507199A (zh) | 一种图像分割方法及系统 | |
Yang et al. | Exploring sparse visual prompt for domain adaptive dense prediction | |
Wang et al. | Adversarial dense contrastive learning for semi-supervised semantic segmentation | |
Liu et al. | Domain-Adaptive generative adversarial networks for sketch-to-photo inversion | |
Lu et al. | Semi-supervised text categorization with only a few positive and unlabeled documents | |
Overland | Uncertain past, uncertain future: how assumptions about the past shape energy transition expectations | |
Li | Deep reinforcement learning on wind power optimization | |
Li et al. | Comparison of image generation methods based on diffusion models | |
Pei et al. | Image segmentation based on differential evolution algorithm | |
Wang et al. | Modern architecture style transfer for ruin buildings | |
NIE | Game Playing Agent for 2048 using Deep Reinforcement Learning | |
Raginsky et al. | Sequential probability assignment via online convex programming using exponential families | |
Liu et al. | Intelligent Algorithm for ceramic decorative pattern style transfer based on CycleGAN | |
Xu et al. | Imperceptible UAPs for Automatic Modulation Classification Based on Deep Learning | |
CN107194935A (zh) | 基于反向和声搜索的脐橙图像分割方法 | |
Dewantoro et al. | Enhancement of Angry Birds Level Generation from Sketches Using Cycle-Consistent Adversarial Networks | |
Poikolainen et al. | Shrinking three stage optimal memetic exploration | |
Yang et al. | Progressive Image Synthesis from Semantics to Details with Denoising Diffusion GAN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |