CN107590815A - 基于萤火虫群优化法的图像多阈值分割方法 - Google Patents
基于萤火虫群优化法的图像多阈值分割方法 Download PDFInfo
- Publication number
- CN107590815A CN107590815A CN201710802061.3A CN201710802061A CN107590815A CN 107590815 A CN107590815 A CN 107590815A CN 201710802061 A CN201710802061 A CN 201710802061A CN 107590815 A CN107590815 A CN 107590815A
- Authority
- CN
- China
- Prior art keywords
- firefly
- msub
- mrow
- image
- value
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种基于萤火虫群优化法的图像多阈值分割方法,由图像预处理及确定图像阈值个数、设定目标函数、用萤火虫群优化法寻找最佳阈值、图像多阈值分割步骤组成。读入彩色图像进行灰度化处理,得到图像的灰度直方图,根据图像直方图的峰值个数自动确定分割阈值个数,萤火虫的初始位置随机分布在图像灰度值范围内,确定每只萤火虫所处位置的适应度函数值和荧光亮度值,在每只萤火虫的决策半径内寻找荧光亮度值最高的萤火虫并进行比较,更新位置和决策半径,经迭代后,找到全局最优的分割阈值,对1级小波变换处理后的灰度图像进行多阈值分割。与现有技术相比,具有分割速度快、分割阈值精准度高等优点,可用于彩色图像和灰度图像分割。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及到图像多阈值分割。
背景技术
随着计算机技术的快速发展,数字图像处理作为其中一项分支在图像压缩处理、生物识别、医疗影像处理等领域的应用越来越广泛。图像分割是图像分析中的关键步骤,是指根据图像的特征,选取相应的分割原则,将人们感兴趣的目标部分与背景分离的过程,分割结果的好坏将直接影响后续图像的处理工作。常见的图像分割方法有区域增长法、边缘检测法、阈值法等,其中,图像阈值分割方法作为一种经典的分割方法,过程简单、容易实现,通过观察图像的灰度直方图,当直方图中各个峰值明显时,可以选取阈值分割的方法对图像进行分割。根据直方图中峰值的个数,确定图像分割的阈值个数。灰度直方图中单峰直方图的个数大于2时,即可对图像进行多阈值分割。
现有的图像阈值分割方法有基于图谱理论的阈值分割方法、最大熵自动阈值法等,存在分割精准度不高、耗时较长等问题。
发明内容
本发明所要解决的技术问题在于克服现有技术的缺点,提出一种基于萤火虫群优化法的图像多阈值分割方法。
解决上述技术问题所采用的技术方案是由下述步骤组成:
(1)图像预处理及确定图像阈值个数
读入图像并将其灰度化,得到灰度图,进行中值滤波处理,去噪处理,得到灰度直方图,依次对直方图的值进行对比,若该值大于其前后相邻的值,且峰值高度高于基准线,该点判断为峰值,依次遍历,确定峰值个数,得到图像阈值的个数D,D为2~4;对灰度图像进行1级小波变换处理,得到的灰度图为待分割图像,采集灰度图的信息得到灰度图像的最大灰度值Lmax和最小灰度值Lmin。
(2)设定目标函数
选取大津法作为目标函数,由下式确定:
其中,Fi(t1,t2,...,tD)为第i个个体的适应度函数值,pc为像素值为c的概率,k∈[1,D+1],D为阈值个数;最佳分割阈值td,d为1,2,…,D,其中Lmin≤t1≤t2...≤tD≤Lmax-1,Lmin为图像最小灰度值,Lmax为图像最大灰度值,应使D+1个类间的总方差最大,即
(3)用萤火虫群优化法寻找最佳阈值
1)设置参数
取萤火虫群优化法的最大迭代次数M为100~300、迭代计数m为1~M、萤火虫的种群规模G为有限正整数、萤火虫计数i为1~G、萤火虫计数j为1~G且j≠i、步长S为15~17、邻域萤火虫数α为42~49、取邻域变化率β为0.5~0.9、荧光素挥发因子h为0.8~0.99、适应度函数提取比例γ为0.8~0.99、最大决策半径rmax为140~150、每只萤火虫的初始荧光亮度L0为30~35、初始感应半径r0为70~75、萤火虫决策半径为ri、萤火虫i的位置为Xi,将G只萤火虫随机分布在灰度图像最大灰度值Lmax和最小灰度值Lmin之间。
2)确定适应度函数值
根据公式(1)和萤火虫初始位置Xi,确定适应度函数值Fi。
3)更新萤火虫荧光亮度
确定每只萤火虫的荧光亮度,根据适应度函数值的大小,更新每只萤火虫的荧光亮度为:
Li(m+1)=(1-h)Li(m)+γ×Fi(m+1) (2)
其中,i是萤火虫计数,m为迭代计数,h为荧光素挥发因子,γ为适应度提取比例,Fi(m+1)为第m+1次迭代时适应度评价函数的值,Li(m+1)为第m+1次迭代时萤火虫的荧光亮度,Li(m)为第m次迭代时萤火虫的荧光亮度。
4)确定萤火虫i的邻居集合
通过比较萤火虫i的荧光亮度值Li与它决策半径内的萤火虫j荧光亮度值Lj的大小、萤火虫i和萤火虫j所处位置的距离与决策半径的大小,确定第m次迭代时萤火虫i可靠近的邻居集合Ni(m),当萤火虫j的荧光亮度大于萤火虫i的荧光亮度,且距离d(i,j)在决策半径ri(m)内时,该萤火虫j可加入萤火虫i的邻居集合,m为迭代计数。
Ni(m)={j\Lj(m)>Li(m)且d(i,j)<ri(m)} (3)
5)萤火虫移动
确定萤火虫i向它的邻居集合Ni(m)中的每一只萤火虫j移动的概率Pij:
其中q为集合Ni(m)中的萤火虫计数且q≠i的有限正整数,比较概率值大小,确定移动的目标萤火虫j,萤火虫i向Pij值最大的萤火虫j移动,对萤火虫i的位置进行更新,萤火虫i位置更新公式如下:
Xi(m+1)=Xi(m)+S×(Xj(m)-Xi(m))/||Xj(m+1)-Xi(m)|| (5)
其中Xi(m+1)是萤火虫i第m+1次迭代的位置、Xj(m+1)是萤火虫j第m+1次迭代的位置、Xi(m)是萤火虫i第m次迭代的位置、Xj(m)是萤火虫j第m次迭代的位置、m为迭代计数、S是步长。
6)更新萤火虫i的决策半径
萤火虫i完成位置更新后,根据邻域萤火虫数目更新第m+1次迭代时的感应半径ri(m+1):
ri(m+1)=min(rmax,max(0,ri(m)+β×(α-|Ni(m)|))) (6)
其中m为迭代计数、β是邻域变化率、α为邻域萤火虫数目、|Ni(m)|为萤火虫i第m次迭代的邻居集合中萤火虫的个数、rmax为最大感应半径。
7)更新全局最佳阈值
重复上述1)、2)、3)、4)、5)、6)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,直到达到最大迭代次数M,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
根据搜寻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。
在本发明的步骤(3)的参数设置步骤1)中,本发明的萤火虫种群数目G至少为50,步长S为16,邻域萤火虫数α为45,邻域变化率β为0.7,荧光素挥发因子h为0.9,适应度函数提取比例γ为0.9,最大决策半径rmax为148,萤火虫的初始荧光亮度L0为32,萤火虫的初始感应半径r0为74。
在本发明的步骤(1)中,本发明的基准线为灰度直方图中灰度值出现次数最大值的1/4。
本发明采用了萤火虫趋光性原理来搜寻图像分割的最佳阈值,读入彩色图像进行灰度化处理,得到图像的灰度直方图,根据图像直方图的峰值个数自动确定分割阈值个数,萤火虫的初始位置随机分布在图像灰度值范围内,确定每只萤火虫所处位置的适应度函数值和荧光亮度值,在每只萤火虫的决策半径内寻找荧光亮度值最高的萤火虫并进行比较,更新位置和决策半径,在经过一定迭代次数后,找到全局最优的分割阈值,并对1级小波变换处理后的灰度图像进行多阈值分割。本发明与现有技术相比,具有分割速度快、分割阈值精准度高等优点,可用于彩色图像和灰度图像分割。
附图说明
图1是实施例1的流程图。
图2是MSRA显著目标数据集中编号为1_56_56055的原图。
图3是图2的灰度直方图。
图4是图2的2阈值分割效果图。
图5是国际模式识别协会TC-12标准数据集中编号为3215的原图。
图6是图5的灰度直方图。
图7是图5的3阈值分割效果图。
图8是仿真彩色图像。
图9是图8的灰度直方图。
图10是图8的4阈值分割效果图。
具体实施方式
下面结合附图和实例对本发明进一步详细说明,但本发明不限于下述实施例。
实施例1
以MSRA显著目标数据集的一张彩色图像为例,编号为1_56_56055,基于萤火虫群优化法的图像多阈值方法步骤如下:
(1)图像预处理及确定图像阈值个数
图1给出了本实施例的流程图。在图1中,读入图像并将其灰度化,得到灰度图,见图2,进行中值滤波处理,去噪处理,得到灰度直方图,见图3,在图3中横坐标为灰度值,纵坐标为像素点个数,其中点(9,741)、点(82,1511)、点(118,2953)为峰值,峰值的高度高于基准线738,确定峰值个数为3,得到图像阈值的个数D为2;对灰度图像进行1级小波变换处理,得到的灰度图为待分割图像,采集灰度图的信息得到灰度图像的最大灰度值Lmax为254和最小灰度值Lmin为1。
(2)设定目标函数
选取大津法作为目标函数,由下式确定:
其中,Fi(t1,t2,...,tD)为第i个个体的适应度函数值,pc为像素值为c的概率,k∈[1,D+1],D为2,最佳分割阈值td,d为1,2,其中1≤t1≤t2≤254,应使3个类间的总方差最大,即
(3)用萤火虫群优化法寻找最佳阈值
1)设置参数
取萤火虫群优化法的最大迭代次数M为200、迭代计数m为1~200、萤火虫的种群规模G为100、萤火虫计数i为1~100、萤火虫计数j为1~100且j≠i、步长S为16、邻域萤火虫数α为45、取邻域变化率β为0.7、荧光素挥发因子h为0.9、适应度函数提取比例γ为0.9、最大决策半径rmax为148、萤火虫的初始荧光亮度L0为32、初始感应半径r0为74、萤火虫决策半径为ri、萤火虫i的位置为Xi,将100只萤火虫随机分布在灰度图像最大灰度值254和最小灰度值1之间;
2)确定适应度函数值
根据公式(1)和萤火虫初始位置Xi,确定适应度函数值Fi;
3)更新萤火虫荧光亮度
确定每只萤火虫的荧光亮度,根据适应度函数值的大小,更新每只萤火虫的荧光亮度为:
Li(m+1)=(1-h)Li(m)+γ×Fi(m+1) (2)
其中,i是萤火虫计数,m为迭代计数,荧光素挥发因子h为0.9,适应度提取比例γ为0.9,Fi(m+1)为第m+1次迭代时适应度评价函数的值,Li(m+1)为第m+1次迭代时萤火虫的荧光亮度,Li(m)为第m次迭代时萤火虫的荧光亮度;
4)确定萤火虫i的邻居集合
通过比较萤火虫i的荧光亮度值Li与它决策半径内的萤火虫j荧光亮度值Lj的大小、萤火虫i和萤火虫j所处位置的距离与决策半径的大小,确定第m次迭代时萤火虫i可靠近的邻居集合Ni(m),当萤火虫j的荧光亮度大于萤火虫i的荧光亮度,且距离d(i,j)在决策半径ri(m)内时,该萤火虫j可加入萤火虫i的邻居集合,m为迭代计数;
Ni(m)={j\Lj(m)>Li(m)且d(i,j)<ri(m)} (3)
5)萤火虫移动
确定萤火虫i向它的邻居集合Ni(m)中的每一只萤火虫j移动的概率Pij:
其中q为集合Ni(m)中的萤火虫计数且q≠i的有限正整数,比较概率值大小,确定移动的目标萤火虫j,萤火虫i向Pij值最大的萤火虫j移动,对萤火虫i的位置进行更新,萤火虫i位置更新公式如下:
Xi(m+1)=Xi(m)+S×(Xj(m)-Xi(m))/||Xj(m+1)-Xi(m)|| (5)
其中Xi(m+1)是萤火虫i第m+1次迭代的位置、Xj(m+1)是萤火虫j第m+1次迭代的位置、Xi(m)是萤火虫i第m次迭代的位置、Xj(m)是萤火虫j第m次迭代的位置、m为迭代计数、步长S为16;
6)更新萤火虫i的决策半径
萤火虫i完成位置更新后,根据邻域萤火虫数目更新第m+1次迭代时的感应半径ri(m+1):
ri(m+1)=min(rmax,max(0,ri(m)+β×(α-|Ni(m)|))) (6)
其中m为迭代计数、邻域变化率β为0.7、邻域萤火虫数目α为45、|Ni(m)|为萤火虫i第m次的邻居集合中萤火虫的个数、最大感应半径rmax为148;
7)更新全局最佳阈值
重复上述1)、2)、3)、4)、5)、6)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,直至达到最大迭代次数M为200,此时的全局最优值(60,134),即为图像多阈值分割的最佳阈值。
(4)图像多阈值分割
根据搜寻的最佳阈值(60,134)对待分割的灰度图像进行多阈值分割,阈值分割方法按照教科书《数字图像处理的MATLAB实现(第2版)》第十章图像分割第10.3节阈值处理,清华大学出版社,得到分割后的图像,见图4,由图4可见,墙、广告牌、字体3个部分界线明显。
实施例2
以MSRA显著目标数据集的一张彩色图像为例,编号为1_56_56055,基于萤火虫群优化法的图像多阈值方法步骤如下:
在本实施例中,步骤(1)、(2)与实施例1相同。
在步骤(3)的设置参数步骤1)中,取萤火虫群优化法的最大迭代次数M为100、迭代计数m为1~100、萤火虫的种群规模G为50、萤火虫计数i为1~50、萤火虫计数j为1~50且j≠i、步长S为15、邻域萤火虫数α为42、取邻域变化率β为0.5、荧光素挥发因子h为0.8、适应度函数提取比例γ为0.8、最大决策半径rmax为140、萤火虫的初始荧光亮度L0为30、初始感应半径r0为70、萤火虫决策半径为ri、萤火虫i的位置为Xi,将50只萤火虫随机分布在灰度图像最大灰度值254和最小灰度值1之间。该步骤的其他步骤与实施例1相同。
其他步骤与实施例1相同。
实施例3
以MSRA显著目标数据集的一张彩色图像为例,编号为1_56_56055,基于萤火虫群优化法的图像多阈值方法步骤如下:
在本实施例中,步骤(1)、(2)与实施例1相同。
在步骤(3)的设置参数步骤1)中,取萤火虫群优化法的最大迭代次数M为300、迭代计数m为1~300、萤火虫的种群规模G为150、萤火虫计数i为1~150、萤火虫计数j为1~150且j≠i、步长S为17、邻域萤火虫数α为49、取邻域变化率β为0.9、荧光素挥发因子h为0.99、适应度函数提取比例γ为0.99、最大决策半径rmax为150、萤火虫的初始荧光亮度L0为35、初始感应半径r0为75、萤火虫决策半径为ri、萤火虫i的位置为Xi,将150只萤火虫随机分布在灰度图像最大灰度值254和最小灰度值1之间。该步骤的其他步骤与实施例1相同。
其他步骤与实施例1相同。
实施例4
以国际模式识别协会TC-12标准数据集的一张彩色图像为例,编号为3215,基于萤火虫群优化法的图像多阈值方法步骤如下:
(1)图像预处理及确定图像阈值个数
图1给出了本实施例的流程图。在图1中,读入图像并将其灰度化,得到灰度图,见图5,进行中值滤波处理,去噪处理,得到灰度直方图,见图6,在图6中横坐标为灰度值,纵坐标为像素点个数,其中点(34,1148)、点(68,1097)、点(124,1746)、点(193,2778)为峰值,峰值的高度高于基准线695,确定峰值个数为4,得到图像阈值的个数D为3;对灰度图像进行1级小波变换处理,得到的灰度图为待分割图像,采集灰度图的信息得到灰度图像的最大灰度值Lmax为229和最小灰度值Lmin为2。
(2)设定目标函数
选取大津法作为目标函数,由下式确定:
其中,Fi(t1,t2,...,tD)为第i个个体的适应度函数值,pc为像素值为c的概率,k∈[1,D+1],D为3,最佳分割阈值td,d为1,2,3,其中2≤t1≤t2≤t3≤229,应使4个类间的总方差最大,即
(3)用萤火虫群优化法寻找最佳阈值
1)设置参数
将100只萤火虫随机分布在灰度图像最大灰度值229和最小灰度值2之间,其他参数与实施例1相同。
步骤2)~6)与实施例1相同。
7)更新全局最佳阈值
重复上述1)、2)、3)、4)、5)、6)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,直至达到最大迭代次数M为200,此时的全局最优值(46,90,151),即为图像多阈值分割的最佳阈值。
(4)图像多阈值分割
根据搜寻的最佳阈值(46,90,151)对待分割的灰度图像进行多阈值分割,得到分割后的图像,见图7,由图7可见,天空、大海、土地、树4个部分界线明显。
实施例5
以仿真的彩色图像为例,基于萤火虫群优化法的图像多阈值方法步骤如下:
(1)图像预处理及确定图像阈值个数
图1给出了本实施例的流程图。在图1中,读入图像并将其灰度化,得到灰度图,见图8,进行中值滤波处理,去噪处理,得到灰度直方图,见图9,在图9中横坐标为灰度值,纵坐标为像素点个数,其中点(41,1712)、点(95,1327)、点(111,900)、点(140,1184)、点(223,1001)为峰值,峰值的高度高于基准线428,确定峰值个数为5,得到图像阈值的个数D为4;对灰度图像进行1级小波变换处理,得到的灰度图为待分割图像,采集灰度图的信息得到灰度图像的最大灰度值Lmax为227和最小灰度值Lmin为26。
(2)设定目标函数
选取大津法作为目标函数,由下式确定:
其中,Fi(t1,t2,...,tD)为第i个个体的适应度函数值,pc为像素值为c的概率,k∈[1,D+1],D为4,最佳分割阈值td,d为1,2,3,4,其中26≤t1≤t2≤t3≤t4≤227,应使5个类间的总方差最大,即
(3)用萤火虫群优化法寻找最佳阈值
1)设置参数
将100只萤火虫随机分布在灰度图像最大灰度值227和最小灰度值26之间,其他参数与实施例1相同。
步骤2)~6)与实施例1相同。
7)更新全局最佳阈值
重复上述1)、2)、3)、4)、5)、6)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,直至达到最大迭代次数M为200,此时的全局最优值(64,99,123,176),即为图像多阈值分割的最佳阈值。
(4)图像多阈值分割
根据搜寻的最佳阈值(64,99,123,176)对待分割的灰度图像进行多阈值分割,得到分割后的图像,见图10,由图10可见,正方形、圆形、五边形、空心五角星、实心五角星5个部分界线明显。
Claims (3)
1.一种基于萤火虫群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)图像预处理及确定图像阈值个数
读入图像并将其灰度化,得到灰度图,进行中值滤波处理,去噪处理,得到灰度直方图,依次对直方图的值进行对比,若该值大于其前后相邻的值,且峰值高度高于基准线,该点判断为峰值,依次遍历,确定峰值个数,得到图像阈值的个数D,D为2~4;对灰度图像进行1级小波变换处理,得到的灰度图为待分割图像,采集灰度图的信息得到灰度图像的最大灰度值Lmax和最小灰度值Lmin;
(2)设定目标函数
选取大津法作为目标函数,由下式确定:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>D</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<msub>
<mi>&omega;</mi>
<mi>D</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>D</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&omega;</mi>
<mn>3</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>D</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>&omega;</mi>
<mi>D</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>D</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>D</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Fi(t1,t2,...,tD)为第i个个体的适应度函数值,pc为像素值为c的概率,k∈[1,D+1],D为阈值个数;最佳分割阈值td,d为1,2,…,D,其中Lmin≤t1≤t2...≤tD≤Lmax-1,Lmin为图像最小灰度值,Lmax为图像最大灰度值,应使D+1个类间的总方差最大,即
(3)用萤火虫群优化法寻找最佳阈值
1)设置参数
取萤火虫群优化法的最大迭代次数M为100~300、迭代计数m为1~M、萤火虫的种群规模G为有限正整数、萤火虫计数i为1~G、萤火虫计数j为1~G且j≠i、步长S为15~17、邻域萤火虫数α为42~49、取邻域变化率β为0.5~0.9、荧光素挥发因子h为0.8~0.99、适应度函数提取比例γ为0.8~0.99、最大决策半径rmax为140~150、每只萤火虫的初始荧光亮度L0为30~35、初始感应半径r0为70~75、萤火虫决策半径为ri、萤火虫i的位置为Xi,将G只萤火虫随机分布在灰度图像最大灰度值Lmax和最小灰度值Lmin之间;
2)确定适应度函数值
根据公式(1)和萤火虫初始位置Xi,确定适应度函数值Fi;
3)更新萤火虫荧光亮度
确定每只萤火虫的荧光亮度,根据适应度函数值的大小,更新每只萤火虫的荧光亮度为:
Li(m+1)=(1-h)Li(m)+γ×Fi(m+1) (2)
其中,i是萤火虫计数,m为迭代计数,h为荧光素挥发因子,γ为适应度提取比例,Fi(m+1)为第m+1次迭代时适应度评价函数的值,Li(m+1)为第m+1次迭代时萤火虫的荧光亮度,Li(m)为第m次迭代时萤火虫的荧光亮度;
4)确定萤火虫i的邻居集合
通过比较萤火虫i的荧光亮度值Li与它决策半径内的萤火虫j荧光亮度值Lj的大小、萤火虫i和萤火虫j所处位置的距离与决策半径的大小,确定第m次迭代时萤火虫i可靠近的邻居集合Ni(m),当萤火虫j的荧光亮度大于萤火虫i的荧光亮度,且距离d(i,j)在决策半径ri(m)内时,该萤火虫j可加入萤火虫i的邻居集合,m为迭代计数;
Ni(m)={j\Lj(m)>Li(m)且d(i,j)<ri(m)} (3)
5)萤火虫移动
确定萤火虫i向它的邻居集合Ni(m)中的每一只萤火虫j移动的概率Pij:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中q为集合Ni(m)中的萤火虫计数且q≠i的有限正整数,比较概率值大小,确定移动的目标萤火虫j,萤火虫i向Pij值最大的萤火虫j移动,对萤火虫i的位置进行更新,萤火虫i位置更新公式如下:
Xi(m+1)=Xi(m)+S×(Xj(m)-Xi(m))/||Xj(m+1)-Xi(m)|| (5)
其中Xi(m+1)是萤火虫i第m+1次迭代的位置、Xj(m+1)是萤火虫j第m+1次迭代的位置、Xi(m)是萤火虫i第m次迭代的位置、Xj(m)是萤火虫j第m次迭代的位置、m为迭代计数、S是步长;
6)更新萤火虫i的决策半径
萤火虫i完成位置更新后,根据邻域萤火虫数目更新第m+1次迭代时的感应半径ri(m+1):
ri(m+1)=min(rmax,max(0,ri(m)+β×(α-|Ni(m)|))) (6)
其中m为迭代计数、β是邻域变化率、α为邻域萤火虫数目、|Ni(m)|为萤火虫i第m次迭代的邻居集合中萤火虫的个数、rmax为最大感应半径;
7)更新全局最佳阈值
重复上述1)、2)、3)、4)、5)、6)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,直到达到最大迭代次数M,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
根据搜寻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。
2.根据权利要求1所述的基于萤火虫群优化法的图像多阈值分割方法,其特征在于:在步骤(3)的参数设置步骤1)中,所述的萤火虫种群数目G至少为50,步长S为16,邻域萤火虫数α为45,邻域变化率β为0.7,荧光素挥发因子h为0.9,适应度函数提取比例γ为0.9,最大决策半径rmax为148,萤火虫的初始荧光亮度L0为32,萤火虫的初始感应半径r0为74。
3.根据权利要求1所述的基于萤火虫群优化法的图像多阈值分割方法,其特征在于:在步骤(1)中,所述的基准线为灰度直方图中灰度值出现次数最大值的1/4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710802061.3A CN107590815A (zh) | 2017-09-07 | 2017-09-07 | 基于萤火虫群优化法的图像多阈值分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710802061.3A CN107590815A (zh) | 2017-09-07 | 2017-09-07 | 基于萤火虫群优化法的图像多阈值分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590815A true CN107590815A (zh) | 2018-01-16 |
Family
ID=61051745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710802061.3A Pending CN107590815A (zh) | 2017-09-07 | 2017-09-07 | 基于萤火虫群优化法的图像多阈值分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590815A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596912A (zh) * | 2018-03-26 | 2018-09-28 | 陕西师范大学 | 基于改进人工雨滴优化法的图像多阈值分割方法 |
CN109544582A (zh) * | 2018-11-19 | 2019-03-29 | 陕西师范大学 | 一种基于萤火虫优化的半监督谱聚类彩色图像分割方法 |
WO2020177215A1 (zh) * | 2019-03-05 | 2020-09-10 | 中国矿业大学 | 一种岩土体材料数字图像的分割阈值确定方法 |
CN111681237A (zh) * | 2020-06-12 | 2020-09-18 | 上海联影医疗科技有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN112889786A (zh) * | 2021-01-15 | 2021-06-04 | 吉林农业大学 | 一种实时追踪田间作物苗区的喷药系统及控制方法 |
CN112991357A (zh) * | 2019-12-18 | 2021-06-18 | 中国船舶重工集团公司第七一一研究所 | 图像分割方法、系统、计算机设备、可读存储介质与船舶 |
CN113177954A (zh) * | 2021-04-28 | 2021-07-27 | 中南大学 | 一种图像处理方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366362A (zh) * | 2013-04-17 | 2013-10-23 | 昆明理工大学 | 一种基于萤火虫优化算法的矿带图像分割法 |
-
2017
- 2017-09-07 CN CN201710802061.3A patent/CN107590815A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366362A (zh) * | 2013-04-17 | 2013-10-23 | 昆明理工大学 | 一种基于萤火虫优化算法的矿带图像分割法 |
Non-Patent Citations (3)
Title |
---|
于超杰: "《萤火虫算法的改进及其在图像阈值分割中的应用》", 《中国优秀硕士学位论文全文数据库》 * |
何毅,葛延治: "《萤火虫群优化算法多阈值的脑CT图像分割》", 《激光杂志》 * |
毛肖,和丽芳,王庆平: "《基于改进萤火虫优化算法的多阈值彩色图像分割》", 《计算机科学》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596912A (zh) * | 2018-03-26 | 2018-09-28 | 陕西师范大学 | 基于改进人工雨滴优化法的图像多阈值分割方法 |
CN109544582A (zh) * | 2018-11-19 | 2019-03-29 | 陕西师范大学 | 一种基于萤火虫优化的半监督谱聚类彩色图像分割方法 |
WO2020177215A1 (zh) * | 2019-03-05 | 2020-09-10 | 中国矿业大学 | 一种岩土体材料数字图像的分割阈值确定方法 |
CN112991357A (zh) * | 2019-12-18 | 2021-06-18 | 中国船舶重工集团公司第七一一研究所 | 图像分割方法、系统、计算机设备、可读存储介质与船舶 |
CN112991357B (zh) * | 2019-12-18 | 2023-04-18 | 中国船舶集团有限公司第七一一研究所 | 图像分割方法、系统、计算机设备、可读存储介质与船舶 |
CN111681237A (zh) * | 2020-06-12 | 2020-09-18 | 上海联影医疗科技有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN111681237B (zh) * | 2020-06-12 | 2023-11-21 | 上海联影医疗科技股份有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN112889786A (zh) * | 2021-01-15 | 2021-06-04 | 吉林农业大学 | 一种实时追踪田间作物苗区的喷药系统及控制方法 |
CN113177954A (zh) * | 2021-04-28 | 2021-07-27 | 中南大学 | 一种图像处理方法和装置 |
CN113177954B (zh) * | 2021-04-28 | 2022-07-26 | 中南大学 | 一种图像处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590815A (zh) | 基于萤火虫群优化法的图像多阈值分割方法 | |
CN109800754B (zh) | 一种基于卷积神经网络的古字体分类方法 | |
CN105389550B (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN109583425A (zh) | 一种基于深度学习的遥感图像船只集成识别方法 | |
CN103400147B (zh) | 基于图像处理的目标鱼识别方法及系统 | |
CN108304873A (zh) | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 | |
CN110321844B (zh) | 一种基于卷积神经网络的快速虹膜检测方法 | |
CN107016409A (zh) | 一种基于图像显著区域的图像分类方法和系统 | |
CN110414509B (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
CN109409240A (zh) | 一种结合随机游走的SegNet遥感图像语义分割方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN107563370B (zh) | 一种基于视觉注意机制的海上红外目标检测方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN106611420A (zh) | 基于反卷积网络和素描图方向约束的sar图像分割方法 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
CN107220655A (zh) | 一种基于深度学习的手写、印刷文本的分类方法 | |
CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
CN105718912A (zh) | 一种基于深度学习的车辆特征物检测方法 | |
CN112163530B (zh) | 基于特征增强和样本选择的ssd小目标检测方法 | |
CN113505670A (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 | |
Yao et al. | Automatic extraction of road markings from mobile laser-point cloud using intensity data | |
CN116071389A (zh) | 一种基于前背景匹配的边界框弱监督图像分割方法 | |
CN114821051A (zh) | 一种遥感图像的农用地语义分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180116 |