CN106898009A - 改进反向和声搜索优化的多阈值图像分割方法 - Google Patents

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

改进反向和声搜索优化的多阈值图像分割方法

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LB_j和上界UB_j，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P_t中的第i个个体，存储了D个分割阈值；

步骤6，计算和声库P_t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P_t中的最优个体Best^t；

步骤9，执行和声搜索策略产生一个试验个体V^t，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Worst^t为和声库P_t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V^t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V^t的反向个体U^t，具体步骤如下：

步骤11.1，按以下公式计算和声库P_t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V^t的反向个体U^t：

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U^t的适应值，并令当前评价次数FEs＝FEs+1；

步骤13，令个体BI^t为试验个体V^t和反向个体U^t两者之间的更优个体；

步骤14，在当前和声库中的最差个体Worst^t与个体BI^t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P_t中的最优个体Best^t；

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Best^t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LB_j和上界UB_j，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P_t中的第i个个体，存储了D个分割阈值；

步骤6，计算和声库P_t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P_t中的最优个体Best^t；

步骤9，执行和声搜索策略产生一个试验个体V^t，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Worst^t为和声库P_t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V^t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V^t的反向个体U^t，具体步骤如下：

步骤11.1，按以下公式计算和声库P_t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V^t的反向个体U^t：

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U^t的适应值，并令当前评价次数FEs＝FEs+1；

步骤13，令个体BI^t为试验个体V^t和反向个体U^t两者之间的更优个体；

步骤14，在当前和声库中的最差个体Worst^t与个体BI^t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P_t中的最优个体Best^t；

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Best^t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LB_j和上界UB_j，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P_t中的第i个个体，存储了D个分割阈值；

步骤6，计算和声库P_t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P_t中的最优个体Best^t；

步骤9，执行和声搜索策略产生一个试验个体V^t，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：

$RX=2\×{\mathrm{Best}}_{ki}^t-{\mathrm{Worst}}_{ki}^t$

其中Worst^t为和声库P_t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V^t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V^t的反向个体U^t，具体步骤如下：

步骤11.1，按以下公式计算和声库P_t的搜索下界和上界

${\mathrm{Low}}_j^t=min\left(A_{i,j}^t\right)$

${\mathrm{Up}}_j^t=max\left(A_{i,j}^t\right)$

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V^t的反向个体U^t：

$U_j^t=HK\×\[({\mathrm{Low}}_j^t+{\mathrm{Up}}_j^t)\×CW-V_j^t\]+(1-HK)\×\[(A_{HI1,j}^t+{\mathrm{Best}}_j^t)\×CW-V_j^t\],$

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U^t的适应值，并令当前评价次数FEs＝FEs+1；

步骤13，令个体BI^t为试验个体V^t和反向个体U^t两者之间的更优个体；

步骤14，在当前和声库中的最差个体Worst^t与个体BI^t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P_t中的最优个体Best^t；

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Best^t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。