CN107516318A - 基于模式搜索算法与萤火虫算法的图像多阈值分割方法 - Google Patents

Abstract

本发明公开了一种基于模式搜索算法与萤火虫算法的图像多阈值分割方法，首先获得需要处理的灰度图像，若为彩色图像，可以通过MATLAB 7.12的rgb2gray()转化为灰度图像I(x,y)，然后通过基于萤火虫算法和模式搜索算法的最大类间方差法进行阈值分割；进行阈值分割具体如下：基于萤火虫算法和模式搜索算法的最大类间方差法为：thresholds＝PS‑FA‑OTSU(grayImage，num),其中grayImage为算法输入待分割的灰度图像，num为欲分割的阈值数目，threshlods为算法分割得到的分割阈值，输出的thresholds即为得到的分割阈值，从而完成了灰度图像的阈值分割。本发明可以使得基于最大类间方差法的灰度图像多阈值分割更加快速、稳定、高效。

Description

基于模式搜索算法与萤火虫算法的图像多阈值分割方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于模式搜索算法与萤火虫算法的图像多阈值分割方法。

背景技术

图像分割是图像处理技术领域中一个至关重要的技术，因为它是作为图像处理的前期步骤，分割的好坏快慢直接影响到后期的高级处理，如特征提取、模式识别等。图像分割的范围越来越广，如通信、军事、遥感图像分析、医学诊断、台标识别以及工业自动化等诸多领域都离不开分割的身影。因此无论是在实际应用还是学术领域，图像分割都是一项前沿且意义重大的课题。

最大类间方差法，也称OTSU法，是一种通过使分割后的图像各个区域之间的方差最大来完成图像阈值分割的图像分割方法^[1]。例如专利CN102420985A利用最大类间方差法来提取多视点视频中的彩色视频帧的纹理信息。当单阈值分割扩展到多阈值分割时，传统的穷举或者其他一些快速算法仍不能达到良好的实时性，因此本发明公开了一种基于萤火虫算法和模式搜索算法的快速方法，可以有效提高最大类间方差法实现多阈值分割的实时性。

萤火虫算法^[2](Firefly Algorithm,简称FA)是由X.S Yang于2008年提出的一种新的生物启发算法。FA也是一种基于群体搜索的随机优化算法，在FA中，萤火虫个体之间两两相互作用，亮度大的萤火虫吸引亮度小的萤火虫不断向它移动，从而引导整个群体向更优的区域移动。这种特有的信息共享机制使得FA能够在保证收敛速度的前提下，不容易陷入局部最优。例如专利102768536A便将其引入到路径规划应用领域中，并取得了良好的效果。由于基于最大类间方差的多阈值分割方法，本质上是一个离散组合优化问题，而原始的萤火虫算法是用于解决连续域最优化问题的，在解决离散组合问题时存在局部搜索精度不够等缺点，所以引入模式搜索算法来改善萤火虫算法的局部寻优能力。

模式搜索算法是Hooke和Jeeves于1961年提出的，因此又称为Hooke-Jeeves法。模式搜索算法实际上可以看成最速下降法的一种近似。虽然此方法收敛速度较慢，但程序易于编制，对于维度不高的问题可以使用，而且确是一种可靠的方法。Ignizio应用模式搜索算法求解非线性目标规划问题，并获得了满意的结果^[3]。

传统的基于最大类间方差法的图像阈值分割方法在由单阈值分割扩展到多阈值分割时，随着阈值数目的增大，需要遍历求值的解空间增大，传统穷举法实现的分割速度变慢，不能满足应用的实时性要求。

发明内容

针对现有技术存在的不足之处，本发明的目的在于提供一种基于模式搜索算法与萤火虫算法的图像多阈值分割方法，可以使得基于最大类间方差法的灰度图像多阈值分割更加快速、稳定、高效。

本发明的目的通过下述技术方案实现：

一种基于模式搜索算法与萤火虫算法的图像多阈值分割方法，其方法步骤如下：

A、获取需要进行多阈值分割的灰度图像I，确定阈值个数d；

B、设定萤火虫算法和模式搜索算法的算法参数，即N＝20，MaxT＝200，γ＝1、β₀＝0.8、算法参数parameters＝[ρ,α,τ,ρ_min]＝[1,1,0.5,1]，初始步长ρ＝1，加速因子α＝1，缩减率τ＝0.5，最小步长ρ_min＝1；

C、根据萤火虫算法参数初始化种群X_i；

D、根据计算种群对应适应度值；

E、选出最优分割阈值X_g；

F、判断算法迭代是否达到最大迭代次数MaxT，如果达到，则跳转步骤K，否则，跳转步骤G；

G、以X_g为基点，以parameters＝[ρ,α,τ,ρ_min]＝[1,1,0.5,1]为算法参数执行模式搜索算法，即Xg:＝PatternSearch(Xg,Parameters)；

H、用获得新的解

I、计算新解的适应度值

J、更新种群：若则更新种群个体：)；

K、跳转步骤D，输出最优个体的最优分割阈值X_g；

L、结束。

2.按照权利要求1所述的基于模式搜索算法与萤火虫算法的图像多阈值分割方法，其特征在于：所述步骤G的具体方法如下：

G1、指定x¹＝X_g，

G2、给定初始基点x¹∈R^Dim，Dim个坐标方向e₁,e₂,…,e_Dim，初始步长ρ＝1，加速因子α＝1，缩减率τ＝0.5，最小步长ρ_min＝1，令y¹＝x¹，k＝1，i＝1；

G3、若f(yⁱ+ρ*e_i)＜f(yⁱ)，则令yⁱ⁺¹＝yⁱ+ρ*e_i，并执行步骤G5；否则，执行步骤G4；

G4、若f(yⁱ-ρ*e_i)＜f(yⁱ)，则令yⁱ⁺¹＝yⁱ-ρ*e_i；否则，指定yⁱ⁺¹＝yⁱ；

G5、若i＜Dim，则令i:＝i+1，跳转执行步骤G3；否则，执行步骤G6；

G6、若f(y^Dim+1)＜f(x^k)，则执行步骤G7；否则，执行步骤G8；

G7、指定x^k+1＝y^Dim+1，y¹＝x^k+1+α*(x^k+1-x^k)，且置k:＝k+1，i＝1，跳转执行步骤G3；

G8、若ρ≤ρ_min，则停止迭代，得到点x^k；否则，令ρ:＝τ*ρ，y¹＝x^k，x^k+1＝x^k，置k:＝k+1，i＝1，跳转执行步骤G3。

基于基于模式搜索算法与萤火虫算法的图像多阈值分割方法，本质上是一个带约束的整数优化问题，因此可以考虑采用被证明具有高寻优效率的群体智能算法来解决。萤火虫算法作为一种新型的群体智能算法，不但具有寻优效率高，物理意义明确的特点，更重要的是算法参数简单、模型简单，针对不同的具体优化问题可以很容易的适应。因此本发明采用萤火虫算法来解决基于最大类间方差法的阈值分割问题，并且针对算法局部搜索精度不足的缺点，结合模式搜索算法进行改进。

本发明的处理流程为：首先获得需要处理的灰度图像(若为彩色图像，可以通过MATLAB 7.12的rgb2gray()转化为灰度图像)I(x,y)，然后通过基于萤火虫算法和模式搜索算法的最大类间方差法(即基于萤火虫算法和模式搜索算法的最大类间方差法为：thresholds＝PS-FA-OTSU(grayImage，num),其中grayImage为算法输入待分割的灰度图像，num为欲分割的阈值数目，threshlods为算法分割得到的分割阈值)进行阈值分割，输出的thresholds即为得到的分割阈值，从而完成了灰度图像的阈值分割。

本发明较现有技术相比，具有以下优点及有益效果：

本发明可以使得基于最大类间方差法的灰度图像多阈值分割更加快速、稳定、高效。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明：

实施例一

如图1所示，一种基于模式搜索算法与萤火虫算法的图像多阈值分割方法，其方法步骤如下：

A、获取需要进行多阈值分割的灰度图像I，确定阈值个数d；

B、设定萤火虫算法和模式搜索算法的算法参数，即N＝20，MaxT＝200，γ＝1、β₀＝0.8、算法参数parameters＝[ρ,α,τ,ρ_min]＝[1,1,0.5,1]，初始步长ρ＝1，加速因子α＝1，缩减率τ＝0.5，最小步长ρ_min＝1；

C、根据萤火虫算法参数初始化种群X_i；

D、根据计算种群对应适应度值；

E、选出最优分割阈值X_g；

F、判断算法迭代是否达到最大迭代次数MaxT，如果达到，则跳转步骤K，否则，跳转步骤G；

G、以X_g为基点，以parameters＝[ρ,α,τ,ρ_min]＝[1,1,0.5,1]为算法参数执行模式搜索算法，即Xg:＝PatternSearch(Xg,Parameters)；

H、用获得新的解

I、计算新解的适应度值

J、更新种群：若则更新种群个体：)；

K、跳转步骤D，输出最优个体的最优分割阈值X_g；

L、结束。

2.按照权利要求1所述的基于模式搜索算法与萤火虫算法的图像多阈值分割方法，其特征在于：所述步骤G的具体方法如下：

G1、指定x¹＝X_g，

G2、给定初始基点x¹∈R^Dim，Dim个坐标方向e₁,e₂,…,e_Dim，初始步长ρ＝1，加速因子α＝1，缩减率τ＝0.5，最小步长ρ_min＝1，令y¹＝x¹，k＝1，i＝1；

G3、若f(yⁱ+ρ*e_i)＜f(yⁱ)，则令yⁱ⁺¹＝yⁱ+ρ*e_i，并执行步骤G5；否则，执行步骤G4；

G4、若f(yⁱ-ρ*e_i)＜f(yⁱ)，则令yⁱ⁺¹＝yⁱ-ρ*e_i；否则，指定yⁱ⁺¹＝yⁱ；

G5、若i＜Dim，则令i:＝i+1，跳转执行步骤G3；否则，执行步骤G6；

G6、若f(y^Dim+1)＜f(x^k)，则执行步骤G7；否则，执行步骤G8；

G7、指定x^k+1＝y^Dim+1，y¹＝x^k+1+α*(x^k+1-x^k)，且置k:＝k+1，i＝1，跳转执行步骤G3；

G8、若ρ≤ρmin，则停止迭代，得到点x^k；否则，令ρ:＝τ*ρ，y¹＝x^k，x^k+1＝x^k，置k:＝k+1，i＝1，跳转执行步骤G3。

实施例二

如图1所示，一种基于模式搜索算法与萤火虫算法的图像多阈值分割方法，其方法步骤如下：

step1：获取需要进行多阈值分割的灰度图像I，确定阈值个数d；

step2：设定萤火虫算法和模式搜索算法的算法参数，即N＝20，MaxT＝200，γ＝1、β₀＝0.8、parameters＝[ρ,α,τ,ρ_min]＝[1,1,0.5,1]；

step3：根据萤火虫算法参数初始化种群X_i

step4:根据计算种群对应适应度值；

step5：选出最优解(即，最优分割阈值)X_g；

step6：判断算法迭代是否达到最大迭代次数MaxT，如果达到，则跳转step12，否则，跳转step7；

step7：以X_g为基点，以parameters＝[ρ,α,τ,ρ_min]＝[1,1,0.5,1]为算法参数执行模式搜索算法，即Xg:＝PatternSearch(Xg,Parameters)；

step8：用获得新的解

step9：计算新解的适应度值

step10：更新种群(即，若则更新种群个体：)；

step11：跳转step4；

step12：输出最优个体(即，最优分割阈值)X_g；

step13：算法结束，实施过程结束。

其中，实施过程中step7的具体实施过程为：

step7-1：令x¹＝X_g，

step7-2：给定初始基点x¹∈R^Dim，Dim个坐标方向e₁,e₂,…,e_Dim，初始步长ρ＝1，加速因子α＝1，缩减率τ＝0.5，最小步长ρ_min＝1，令y¹＝x¹，k＝1，i＝1；

step7-3：若f(yⁱ+ρ*e_i)＜f(yⁱ)，则令yⁱ⁺¹＝yⁱ+ρ*e_i，并执行步骤step7-5；否则，执行步骤step7-4；

step7-4：若f(yⁱ-ρ*e_i)＜f(yⁱ)，则令yⁱ⁺¹＝yⁱ-ρ*e_i；否则，令yⁱ⁺¹＝yⁱ；

step7-5：若i＜Dim，则令i:＝i+1，跳转执行步骤step7-3；否则，执行步骤step7-6；

step7-6：若f(y^Dim+1)＜f(x^k)，则执行步骤step7-7；否则，执行步骤step7-8；

step7-7：令x^k+1＝y^Dim+1，y¹＝x^k+1+α*(x^k+1-x^k)，且置k:＝k+1，i＝1，跳转执行步骤step7-3；

step7-8：若ρ≤ρ_min，则停止迭代，得到点x^k；否则，令ρ:＝τ*ρ，y¹＝x^k，x^k+1＝x^k，置k:＝k+1，i＝1，跳转执行步骤step7-3。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于模式搜索算法与萤火虫算法的图像多阈值分割方法，其特征在于：其方法步骤如下：

A、获取需要进行多阈值分割的灰度图像I，确定阈值个数d；

B、设定萤火虫算法和模式搜索算法的算法参数，即N＝20，MaxT＝200，γ＝1、β₀＝0.8、算法参数parameters＝[ρ,α,τ,ρ_min]＝[1,1,0.5,1]，初始步长ρ＝1，加速因子α＝1，缩减率τ＝0.5，最小步长ρ_min＝1；

C、根据萤火虫算法参数初始化种群X_i；

D、根据计算种群对应适应度值；

E、选出最优分割阈值X_g；

F、判断算法迭代是否达到最大迭代次数MaxT，如果达到，则跳转步骤K，否则，跳转步骤G；

G、以X_g为基点，以parameters＝[ρ,α,τ,ρ_min]＝[1,1,0.5,1]为算法参数执行模式搜索算法，即Xg:＝PatternSearch(Xg,Parameters)；

H、用获得新的解

I、计算新解的适应度值

J、更新种群：若则更新种群个体：)；

K、跳转步骤D，输出最优个体的最优分割阈值X_g；

L、结束。

2.按照权利要求1所述的基于模式搜索算法与萤火虫算法的图像多阈值分割方法，其特征在于：所述步骤G的具体方法如下：

G1、指定x¹＝X_g，

G2、给定初始基点x¹∈R^Dim，Dim个坐标方向e₁,e₂,…,e_Dim，初始步长ρ＝1，加速因子α＝1，缩减率τ＝0.5，最小步长ρ_min＝1，令y¹＝x¹，k＝1，i＝1；

G3、若f(yⁱ+ρ*e_i)＜f(yⁱ)，则令yⁱ⁺¹＝yⁱ+ρ*e_i，并执行步骤G5；否则，执行步骤G4；

G4、若f(yⁱ-ρ*e_i)＜f(yⁱ)，则令yⁱ⁺¹＝yⁱ-ρ*e_i；否则，指定yⁱ⁺¹＝yⁱ；

G5、若i＜Dim，则令i:＝i+1，跳转执行步骤G3；否则，执行步骤G6；

G6、若f(y^Dim+1)＜f(x^k)，则执行步骤G7；否则，执行步骤G8；

G7、指定x^k+1＝y^Dim+1，y¹＝x^k+1+α*(x^k+1-x^k)，且置k:＝k+1，i＝1，跳转执行步骤G3；

G8、若ρ≤ρ_min，则停止迭代，得到点x^k；否则，令ρ:＝τ*ρ，y¹＝x^k，x^k+1＝x^k，置k:＝k+1，i＝1，跳转执行步骤G3。