CN107730523A - 一种基于粒子群算法的图像分割方法及系统 - Google Patents
一种基于粒子群算法的图像分割方法及系统 Download PDFInfo
- Publication number
- CN107730523A CN107730523A CN201710827273.7A CN201710827273A CN107730523A CN 107730523 A CN107730523 A CN 107730523A CN 201710827273 A CN201710827273 A CN 201710827273A CN 107730523 A CN107730523 A CN 107730523A
- Authority
- CN
- China
- Prior art keywords
- particle
- population
- mrow
- generation
- optimal solution
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了一种基于粒子群算法的图像分割方法及系统，包括：步骤S100获取待分割图像的灰度值范围；步骤S200根据所述图像的灰度值范围，采用粒子群算法得到图像分割的最佳阈值；步骤S300根据所述图像分割的最佳阈值，对待分割图像进行分割。本发明在解决多阈值图像分割问题时，具有不依赖先验知识，有较强的自适应能力，以及较高的运行效率。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种基于粒子群算法的图像分割方法及系统。
背景技术
在日常生活中，人们往往仅对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有独特性质的区域。而图像分割的目的就是将图像分成各具特性的区域并提取出感兴趣目标的技术过程。近年来，对图像分割的研究一直是图像处理技术研究中的热点，人们对其关注和投入不断提高，它是图像处理过程中的一个重要步骤。
阈值分割法因实现简单、运算效率高而成为一种有效的图像分割方法，其中阈值的确定是阈值法图像分割的关键。
并行区域分割技术是一种阈值分割法，对于一幅灰度图像，该技术会根据预先确定的一个处于图像灰度取值范围中的灰度阈值将所有像素归为两大类，灰度值大于阈值的像素为一类，灰度值小于阈值的像素归为一类，灰度值等于阈值的像素可视情况归为前面两类当中的任意一类。通常情况下，两类像素分属于图像中的两类区域，从而根据阈值分类完成了对图像的分割。但该技术需要基于先验知识来确定图像的灰度阈值，先验知识往往是基于以往的经验总结出来的，并不能很好地适应不同的情况，其处理结果很大程度上依赖预设的灰度阈值，因此并行区域分割技术的自适应性和稳定性往往不尽人意。
传统的OTSU阈值法，因其算法简单、稳定，被广发应用于把图像分成目标和背景区域的图像分割处理中。在实际应用中，由于图像往往包含多类目标，只进行单阈值的图像分割，已不能满足需求，需要进行多阈值分割。传统的OSTU法能够容易地推广到多阈值分割的情况，但是时间复杂度过大，算法执行时间过长，无法满足图像分割对实时性的要求。
因此需要一种不依赖先验知识，具有较强的自适应，又能够高效快捷的求解多阈值图像分割问题的方法。
发明内容
本发明的目的是提供一种基于粒子群算法的图像分割方法及系统，不仅不依赖先验知识，而且具有较强的自适应能力，具有较高的运行效率。
本发明提供的技术方案如下：
一种基于粒子群算法的图像分割方法，包括：步骤S100获取待分割图像的灰度值范围；步骤S200根据所述图像的灰度值范围，采用粒子群算法得到图像分割的最佳阈值；步骤S300根据所述图像分割的最佳阈值，对待分割图像进行分割。
在上述技术方案中，采用了粒子群算法，该算法首先随机初始化一群粒子，通过粒子的自适应学习，逐步找到图像分割的最佳阈值，因此本方案具有不依赖先验知识，有较强的自适应能力的特点；由于粒子群算法具有较强的并发性，所以本方案不仅能够获取较优的分割效果，而且具有较高的运行效率。
进一步，所述步骤S200包括：步骤S210根据所述图像的灰度值范围，初始化第一代粒子群，得到第一代粒子群每个粒子的飞行速度、位置、局部最优解，以及第一代粒子群的全局最优解；步骤S220将第一代粒子群作为当前粒子群，以及，设置当前迭代次数为1；步骤S230选择一个在下一代粒子群中的位置尚未计算出来的粒子；步骤S231根据选择的所述粒子在当前粒子群中的飞行速度、位置、局部最优解和当前粒子群的全局最优解，计算所述粒子在下一代粒子群中的备选飞行速度和备选位置；步骤S240根据所述粒子在下一代粒子群中的备选位置，计算对应的适应度值；步骤S241判断计算的所述适应度值是否大于所述粒子在当前粒子群中的局部最优解所对应的适应度值；步骤S243若否，所述粒子在下一代粒子群中的位置为所述粒子在当前粒子群中的位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在当前粒子群中的飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在当前粒子群中的局部最优解；步骤S250轮循步骤S230-S243，直至所有粒子在下一代粒子群中的位置都已计算出来；步骤S260根据每个粒子在下一代粒子群中的局部最优解，得到下一代粒子群的全局最优解；步骤S270将下一代粒子群作为当前粒子群，以及，更新当前迭代次数；步骤S280判断当前迭代次数是否达到预设的最大迭代次数，若否，则返回步骤S230；步骤S290若是，则当前粒子群的全局最优解为所述图像分割的最佳阈值。
在上述技术方案中，描述了粒子群算法的流程，并对基本粒子群算法做了改进，即当粒子在更新到下一代粒子群中的位置过程中，先尝试更新到备选位置，如果其适应度值未提高，则粒子在下一代粒子群中的位置恢复到更新之前的位置；通过这种方式，阻止了算法搜寻质量的退化，从而降低算法在迭代过程中陷入局部最优解的可能。
进一步，所述步骤S241之后还包括：步骤S242若是，则所述粒子在下一代粒子群中的位置为所述粒子在下一代粒子群中的备选位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在下一代粒子群中的备选飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在下一代粒子群中的位置。
在上述技术方案中，描述了当粒子在更新到下一代粒子群中的位置过程中，先尝试更新到备选位置，如果其适应度值提高了，则粒子在下一代粒子群中的位置更新到备选位置，从而使整个方案更完整。
进一步，所述步骤S210包括：步骤S211选择一个在第一代粒子群中的位置还没有初始化的粒子；步骤S212在所述图像的灰度值范围中，分别随机产生一个整数来初始化所述粒子在第一代粒子群中的位置的每一维；以及，按预设速度值设置所述粒子在第一代粒子群中的飞行速度的每一维；步骤213将所述粒子在第一代粒子群中的位置，作为所述粒子在第一代粒子群中的局部最优解；步骤S214轮循步骤S211-S213，直至所有粒子在第一代粒子群中的位置都得到初始化。
在上述技术方案中，描述了粒子的初始化过程，粒子的初始位置是随机的，进一步说明本方案不依赖先验知识。
进一步，根据公式(1)计算适应度值：
其中，D为预设分割区域数量，pd为第d区域内灰度值出现的概率，ud为第d区域内灰度值的平均值，uavg为整个图像的平均灰度值，为第k代粒子群第i个粒子的位置，为根据第k代粒子群第i个粒子的位置计算的适应度值。
在上述技术方案中，将图像的类间距方差作为适应度函数，使该函数取值最大的解为图像分割的最佳阈值；每个粒子在迭代过程中的位置的好坏是根据适应度值来判断。
进一步，所述步骤S231根据公式(2)，分别计算所述粒子在下一代粒子群中每一维的备选飞行速度：
其中，w为预设的惯性权重，c1、c2为预设的加速系数，r1和r2是[0，1]区间的随机数，为第k代粒子群第i个粒子第d维的飞行速度，为第k代粒子群第i个粒子第d维的局部最优解，为第k代粒子群第d维的全局最优解，为第k代粒子群第i个粒子第d维的位置；
根据公式(3)，分别计算所述粒子在下一代粒子群中每一维的备选位置：
其中，为第k+1代粒子群第i个粒子第d维的备选飞行速度，为第k代粒子群第i个粒子第d维的位置。
在上述技术方案中，描述了粒子在下一代粒子群中的备选位置的计算方法；从上面可以看出，每个粒子在每代粒子群中的备选位置的计算是各自独立的，可以并行进行，从而使本方案具有较高的运行效率。
本发明还提供一种基于粒子群算法的图像分割系统，包括：获取模块，用于获取待分割图像的灰度值范围；算法模块，与所述获取模块电连接，用于根据所述图像的灰度值范围，采用粒子群算法得到图像分割的最佳阈值；分割模块，与所述算法模块电连接，所述分割模块用于根据所述图像分割的最佳阈值，对待分割图像进行分割。
在上述技术方案中，采用了粒子群算法，该算法首先随机初始化一群粒子，通过粒子的自适应学习，逐步找到图像分割的最佳阈值，因此本方案具有不依赖先验知识，有较强的自适应能力的特点；由于粒子群算法具有较强的并发性，所以本方案不仅能够获取较优的分割效果，而且具有较高的运行效率。
进一步，所述算法模块包括：初始化模块，用于根据所述图像的灰度值范围，初始化第一代粒子群，得到第一代粒子群每个粒子的飞行速度、位置、局部最优解，以及第一代粒子群的全局最优解；设置模块，与所述初始化模块电连接，所述设置模块用于将第一代粒子群作为当前粒子群，以及，设置当前迭代次数为1；选择模块，与所述设置模块电连接，所述选择模块用于选择一个在下一代粒子群中的位置尚未计算出来的粒子；计算模块，与所述选择模块电连接，所述计算模块用于根据选择的所述粒子在当前粒子群中的飞行速度、位置、局部最优解和当前粒子群的全局最优解，计算所述粒子在下一代粒子群中的备选飞行速度和备选位置；以及，根据所述粒子在下一代粒子群中的备选位置，计算对应的适应度值；判断模块，与所述计算模块电连接，所述判断模块用于判断计算的所述适应度值是否大于所述粒子在当前粒子群中的局部最优解所对应的适应度值；所述计算模块，进一步用于当计算的所述适应度值不大于所述粒子在当前粒子群中的局部最优解所对应的适应度值时，则所述粒子在下一代粒子群中的位置为所述粒子在当前粒子群中的位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在当前粒子群中的飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在当前粒子群中的局部最优解；所述选择模块，进一步用于轮循，直至所有粒子在下一代粒子群中的位置都已计算出来；所述计算模块，进一步用于根据每个粒子在下一代粒子群中的局部最优解，得到下一代粒子群的全局最优解；所述设置模块，进一步用于将下一代粒子群作为当前粒子群，以及，更新当前迭代次数；所述判断模块，进一步用于判断当前迭代次数是否达到预设的最大迭代次数；所述计算模块，进一步用于当当前迭代次数等于预设的最大迭代次数时，则当前粒子群的全局最优解为所述图像分割的最佳阈值。
在上述技术方案中，描述了粒子群算法的结构，并对基本粒子群算法做了改进，即当粒子在更新到下一代粒子群中的位置过程中，先尝试更新到备选位置，如果其适应度值未提高，则粒子在下一代粒子群中的位置恢复到更新之前的位置；通过这种方式，阻止了算法搜寻质量的退化，从而降低算法在迭代过程中陷入局部最优解的可能。
进一步，所述计算模块，进一步用于当计算的所述适应度值大于所述粒子在当前粒子群中的局部最优解所对应的适应度值时，所述粒子在下一代粒子群中的位置为所述粒子在下一代粒子群中的备选位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在下一代粒子群中的备选飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在下一代粒子群中的位置。
在上述技术方案中，描述了当粒子在更新到下一代粒子群中的位置过程中，先尝试更新到备选位置，如果其适应度值提高了，则粒子在下一代粒子群中的位置更新到备选位置，从而使整个方案更完整。
进一步，所述初始化模块，进一步用于选择一个在第一代粒子群中的位置还没有初始化的粒子；以及，在所述图像的灰度值范围中，分别随机产生一个整数来初始化所述粒子在第一代粒子群中的位置的每一维；以及，按预设速度值设置所述粒子在第一代粒子群中的飞行速度的每一维；以及，将所述粒子在第一代粒子群中的位置，作为所述粒子在第一代粒子群中的局部最优解；以及，轮循，直至所有粒子在第一代粒子群中的位置都得到初始化。
在上述技术方案中，描述了粒子的初始化过程，粒子的初始位置是随机的，进一步说明本方案不依赖先验知识。
与现有技术相比，本发明的一种基于粒子群算法的图像分割方法及系统有益效果在于：
1、本发明通过采用粒子群算法找到图像分割的最佳阈值，可做到不依赖先验知识，有较强的自适应能力，而且有较高的运行效率。
2、本发明通过粒子在位置更新过程中，如果发现其适应度值降低，则回退到原来位置，从而阻止了算法搜寻质量的退化，降低了算法陷入局部最优解的可能。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对一种基于粒子群算法的图像分割方法及系统的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明基于粒子群算法的图像分割方法一个实施例的流程图；
图2是本发明基于粒子群算法的图像分割方法另一个实施例的流程图；
图3是本发明基于粒子群算法的图像分割方法另一个实施例中第一代粒子群初始化的流程图；
图4是本发明基于粒子群算法的图像分割系统一个实施例的结构示意图；
图5是本发明基于粒子群算法的图像分割系统另一个实施例的结构示意图。
附图标号说明：
10.获取模块，20.算法模块，30.分割模块，21.初始化模块，22.设置模块，23.选择模块，24.计算模块，25.判断模块。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
在本发明的一个实施例中，如图1所示，一种基于粒子群算法的图像分割方法，包括：
步骤S100获取待分割图像的灰度值范围；
步骤S200根据所述图像的灰度值范围，采用粒子群算法得到图像分割的最佳阈值；
步骤S300根据所述图像分割的最佳阈值，对待分割图像进行分割。
具体的，所述待分割图像为二维灰度图像，图像的每个像素点都有一个灰度值，收集整幅图像所有像素点的灰度值，对这些灰度值排序，从而得到灰度值范围。
粒子群算法也称粒子群优化算法(Particle Swarm Optimization，PSO)，是一种并行算法；在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。它是从随机解出发，首先随机初始化一群粒子，而每个粒子则代表一个候选解，并通过适应度函数来评价各个候选解的优劣；在每次的搜寻过程中，各个粒子通过跟随两个“榜样”在整个候选解空间中进行搜索：一个是粒子自身到目前为止所搜寻到的最优值，即局部最优解；另一个是整个种群到目前为止所搜寻到的最优值，即全局最优解。由于每次搜寻都是在之前搜寻的最优结果的基础上进行的进一步搜索，所以随着迭代次数的不断增加，整个群体搜寻的结果质量也会不断提升。
图像分割是将图像的灰度分割成若干个不重叠区域，使不同区域间差异最大，同一区域内具有某种共性。比如，把一幅图像的灰度空间分成D块区域，分别记为：区域C1对应阈值区间[0,…,t_1]，区域C2对应阈值区间[t_1+1,…,t_2]，...，区域CD对应阈值区间[t_D-1,…,L]，Lmin≤t_1≤t_2≤…≤t_D-1≤Lmax，Lmin为待分割图像的最小灰度值，Lmax为最大灰度值；图像分割的问题就是，在整个阈值空间内，如何找到最佳的阈值组合[t_1,t_2,...,t_D-1]T，使类间距方差最大。在此问题中，其解是D-1维的，是由D-1个阈值所组成的向量，其评判原则是类间距方差最大；在粒子群算法中，每个候选解都被称为“粒子”，用粒子的位置表示；每个候选解向目标解的逼近过程，类似粒子的初始位置向目标位置的逼近；所有的粒子的位置的好坏都根据适应度函数决定的适应度值来判断，选择类间距方差作为适应度函数。粒子群的群体大小，即粒子数，可根据经验预设，一般设置为10个以上，粒子数太少，容易陷入局部最优解；通过粒子群算法，找到图像分割问题的最优解，根据此最优解对图像进行分割。
本实施例通过采用粒子群算法找到图像分割的最佳阈值，具有不依赖先验知识，有较强的自适应能力，而且具有较高的运行效率等特点。
在本发明的另一个实施例中，如图2所示，一种基于粒子群算法的图像分割方法，包括：
步骤S100获取待分割图像的灰度值范围；
步骤S210根据所述图像的灰度值范围，初始化第一代粒子群，得到第一代粒子群每个粒子的飞行速度、位置、局部最优解，以及第一代粒子群的全局最优解；
步骤S220将第一代粒子群作为当前粒子群，以及，设置当前迭代次数为1；
步骤S230选择一个在下一代粒子群中的位置尚未计算出来的粒子；
步骤S231根据选择的所述粒子在当前粒子群中的飞行速度、位置、局部最优解和当前粒子群的全局最优解，计算所述粒子在下一代粒子群中的备选飞行速度和备选位置；
步骤S240根据所述粒子在下一代粒子群中的备选位置，计算对应的适应度值；
步骤S241判断计算的所述适应度值是否大于所述粒子在当前粒子群中的局部最优解所对应的适应度值；
步骤S242若是，则所述粒子在下一代粒子群中的位置为所述粒子在下一代粒子群中的备选位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在下一代粒子群中的备选飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在下一代粒子群中的位置。
步骤S243若否，所述粒子在下一代粒子群中的位置为所述粒子在当前粒子群中的位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在当前粒子群中的飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在当前粒子群中的局部最优解；
步骤S250轮循步骤S230-S243，直至所有粒子在下一代粒子群中的位置都已计算出来；
步骤S260根据每个粒子在下一代粒子群中的局部最优解，得到下一代粒子群的全局最优解；
步骤S270将下一代粒子群作为当前粒子群，以及，更新当前迭代次数；
步骤S280判断当前迭代次数是否达到预设的最大迭代次数，若否，则返回步骤S230；
步骤S290若是，则当前粒子群的全局最优解为所述图像分割的最佳阈值；
步骤S300根据所述图像分割的最佳阈值，对待分割图像进行分割；
根据公式(1)计算适应度值：
其中，D为预设分割区域数量，pd为第d区域内灰度值出现的概率，ud为第d区域内灰度值的平均值，uavg为整个图像的平均灰度值，为第k代粒子群第i个粒子的位置，为根据第k代粒子群第i个粒子的位置计算的适应度值；
所述步骤S231根据公式(2)，分别计算所述粒子在下一代粒子群中每一维的备选飞行速度：
其中，w为预设的惯性权重，c1、c2为预设的加速系数，r1和r2是[0，1]区间的随机数，为第k代粒子群第i个粒子第d维的飞行速度，为第k代粒子群第i个粒子第d维的局部最优解，为第k代粒子群第d维的全局最优解，为第k代粒子群第i个粒子第d维的位置；
根据公式(3)，分别计算所述粒子在下一代粒子群中每一维的备选位置：
其中，为第k+1代粒子群第i个粒子第d维的备选飞行速度，为第k代粒子群第i个粒子第d维的位置。
具体的，相对前一个实施例，本实施例用步骤S210-S290替代步骤S200，对粒子群算法流程进行了详述。
示例，假定图像分割问题为，设置3个阈值将一幅图像的灰度空间分割为4个区域，如何找到最佳阈值组合[t1,t2,t3]T，使4个区域的类间距方差最大。
预设粒子群算法相关的运行参数，包括：预设粒子群规模为10，即有10个粒子；预设最大迭代次数为50次，即经过50轮迭代，所得到的全局最优解为所找到的最佳阈值组合。
粒子的维数为3维，这个根据待分割图像的预设分割区域数量得到，即4(分割区域数量)-1＝3；粒子在每代粒子群中的飞行速度、位置、局部最优解，以及每代粒子群的全局最优解都是3维的。
首先初始化10个粒子的飞行速度、位置，和局部最优解：比如，初始化第1个粒子的位置为向量[10、80、150]T，第2个粒子的位置为向量[5、20、30]T，第3个粒子的位置为向量[15、40、70]T，。。。，如此完成10个粒子的位置初始化；初始化第1个粒子的飞行速度为[0.5,0.5,0.5]T，第2个粒子的飞行速度为[0.5,0.5,0.5]T，为了简化，10个粒子的飞行速度可以设置成一样；每个粒子的局部最优解即粒子的位置；按此循环，直至完成10个粒子的。如果两个粒子的飞行速度和位置完全一样，则为同一个粒子，相当于减少了粒子群的规模；所以在初始化时需要避免类似情况发生。如果两个粒子的飞行速度设成一样，则两个粒子的初始化位置需要设得不同；如果两个粒子的初始化位置相同，则两个粒子的飞行速度需设成不一样。
针对每个粒子的局部最优解，计算对应的适应度值；从10个粒子的适应度值中找到最大适应度值，选取最大适应度值所对应的某个粒子的局部最优解，作为全局最优解；如果最大适应度值对应多个粒子的局部最优解，则选取搜索过程中最早出现的粒子的，或选取最晚出现的粒子的，或随机选取。此时，所有粒子都处于初始态，记为第一代粒子群。
将第一代粒子群作为当前粒子群，以及，设置当前迭代次数为1；
从10个粒子中，选择1个粒子，根据公式(2)、(3)飞行一次，进入第二代粒子群，得到备选飞行速度和备选位置；
根据备选位置计算对应的适应度值，判断计算的所述适应度值是否大于该粒子的当前粒子群中的局部最优解所对应的适应度值，若否，即粒子的备选位置发生了退化现象，则所述粒子在第二代粒子群中的位置回退到当前粒子群中的位置，以及，该粒子在第二代粒子群中的飞行速度回退到当前粒子群中的飞行速度，以及，该粒子在第二代粒子群中的局部最优解回退到当前粒子群中的局部最优解；若是，即粒子的备选位置未发生退化现象，则所述粒子在第二代粒子群中的位置采用备选位置，以及，该粒子在第二代粒子群中的飞行速度采用备选飞行速度，以及，该粒子在第二代粒子群中的局部最优解采用备选位置；
如此循环，直至10个粒子都飞行一次，进入第二代粒子群。
计算第二代粒子群的全局最优解：针对每个粒子在第二代粒子群中的局部最优解，计算对应的适应度值；从计算的适应度值中找到最大适应度值，选取最大适应度值所对应的某个粒子在第二代粒子群中的局部最优解，作为第二代粒子群的全局最优解；如果最大适应度值对应多个粒子在第二代粒子群中的局部最优解，则选取搜索过程中最早出现的粒子的，或选取最晚出现的粒子的，或随机选取。
将第二代粒子群作为当前粒子群，以及，当前迭代次数加1；
10个粒子，再飞行一次，进入第三代粒子群，。。。如此循环，直至当前迭代次数达到预设的最大迭代次数。
达到预设的最大迭代次数之后，退出循环，此时所获得的当前粒子群的全局最优解即为所述图像分割的最佳阈值。
所述适应度函数采用类间距方差，
其中，Cd为待分割图像的第d区域，d＝1,2,...,D；
PRi为灰度值i的出现概率，PRi＝h(i)/N；
h(i)为灰度值为i的像素数，
所述公式(2)，w为预设的惯性权重，根据经验设定，可以设为1；c1、c2为预设的加速系数，一般取为2。
在本发明的另一个实施例中，基本流程图如图2所示，粒子群的初始化流程如图3所示，一种基于粒子群算法的图像分割方法，包括：
步骤S100获取待分割图像的灰度值范围；
步骤S210根据所述图像的灰度值范围，初始化第一代粒子群，得到第一代粒子群每个粒子的飞行速度、位置、局部最优解，以及第一代粒子群的全局最优解；
步骤S220将第一代粒子群作为当前粒子群，以及，设置当前迭代次数为1；
步骤S230选择一个在下一代粒子群中的位置尚未计算出来的粒子；
步骤S231根据选择的所述粒子在当前粒子群中的飞行速度、位置、局部最优解和当前粒子群的全局最优解，计算所述粒子在下一代粒子群中的备选飞行速度和备选位置；
步骤S240根据所述粒子在下一代粒子群中的备选位置，计算对应的适应度值；
步骤S241判断计算的所述适应度值是否大于所述粒子在当前粒子群中的局部最优解所对应的适应度值；
步骤S242若是，则所述粒子在下一代粒子群中的位置为所述粒子在下一代粒子群中的备选位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在下一代粒子群中的备选飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在下一代粒子群中的位置。
步骤S243若否，所述粒子在下一代粒子群中的位置为所述粒子在当前粒子群中的位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在当前粒子群中的飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在当前粒子群中的局部最优解；
步骤S250轮循步骤S230-S243，直至所有粒子在下一代粒子群中的位置都已计算出来；
步骤S260根据每个粒子在下一代粒子群中的局部最优解，得到下一代粒子群的全局最优解；
步骤S270将下一代粒子群作为当前粒子群，以及，更新当前迭代次数；
步骤S280判断当前迭代次数是否达到预设的最大迭代次数，若否，则返回步骤S230；
步骤S290若是，则当前粒子群的全局最优解为所述图像分割的最佳阈值；
步骤S300根据所述图像分割的最佳阈值，对待分割图像进行分割；
根据公式(1)计算适应度值；
所述步骤S231根据公式(2)，分别计算所述粒子在下一代粒子群中每一维的备选飞行速度；根据公式(3)，分别计算所述粒子在下一代粒子群中每一维的备选位置；
所述步骤S210，包括：步骤S211选择一个在第一代粒子群中的位置还没有初始化的粒子；步骤S212在所述图像的灰度值范围中，分别随机产生一个整数来初始化所述粒子在第一代粒子群中的位置的每一维；以及，按预设速度值设置所述粒子在第一代粒子群中的飞行速度的每一维；步骤213将所述粒子在第一代粒子群中的位置，作为所述粒子在第一代粒子群中的局部最优解；步骤S214轮循步骤S211-S213，直至所有粒子在第一代粒子群中的位置都得到初始化。
具体的，相对前一个实施例，本实施例增加了步骤S211-S214，对步骤S210第一代粒子群每个粒子的飞行速度、位置、局部最优解的初始化进行了详述，其他步骤与前一个实施例相同，此处就不再累述。
示例，按预设粒子群规模为10为例，初始化10个粒子的飞行速度、位置，和局部最优解：从第1个粒子开始，在图像的灰度值范围中，比如5～200，随机产生一个整数来初始化该粒子位置的每一维；由于粒子位置有3维，所以需要获取3个随机数，比如依次获得10、150、80等3个随机数，将这3个数按序排列，得到向量[10、80、150]T，或[150、80、10]T，作为粒子的位置；升序或降序都可以，需要所有粒子都采用相同的方式排序；按预设速度值设置粒子的飞行速度的每一维，由于粒子的飞行速度有3维，所以也需要3个值，为了简化，可以将每个粒子的每一维的飞行速度都设成一样，比如0.5，得到粒子的飞行速度向量[0.5,0.5,0.5]T；粒子的局部最优解即粒子的位置；
初始化第2个粒子，在图像的灰度值范围中，比如5～200，随机产生一个整数来初始化该粒子位置的每一维；由于粒子位置有3维，所以需要获取3个随机数，比如依次获得5、10、20等3个随机数，将这3个数按序排列，得到向量[5、10、20]T作为粒子的位置；为了简化，粒子的飞行速度向量也设为[0.5,0.5,0.5]T；粒子的局部最优解即粒子的位置；
初始化第3个粒子，。。。，按此循环，直至完成10个粒子的。
在本发明的另一个实施例中，如图4所示，一种基于粒子群算法的图像分割系统，包括：
获取模块10，用于获取待分割图像的灰度值范围；
算法模块20，与所述获取模块10电连接，用于根据所述图像的灰度值范围，采用粒子群算法得到图像分割的最佳阈值；
分割模块30，与所述算法模块20电连接，所述分割模块用于根据所述图像分割的最佳阈值，对待分割图像进行分割。
具体的，所述待分割图像为二维灰度图像，图像的每个像素点都有一个灰度值，收集整幅图像所有像素点的灰度值，对这些灰度值排序，从而得到灰度值范围。
粒子群算法也称粒子群优化算法(Particle Swarm Optimization，PSO)，是一种并行算法；在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。它是从随机解出发，首先随机初始化一群粒子，而每个粒子则代表一个候选解，并通过适应度函数来评价各个候选解的优劣；在每次的搜寻过程中，各个粒子通过跟随两个“榜样”在整个候选解空间中进行搜索：一个是粒子自身到目前为止所搜寻到的最优值，即局部最优解；另一个是整个种群到目前为止所搜寻到的最优值，即全局最优解。由于每次搜寻都是在之前搜寻的最优结果的基础上进行的进一步搜索，所以随着迭代次数的不断增加，整个群体搜寻的结果质量也会不断提升。
图像分割是将图像的灰度分割成若干个不重叠区域，使不同区域间差异最大，同一区域内具有某种共性。比如，把一幅图像的灰度空间分成D块区域，分别记为：区域C1对应阈值区间[0,…,t_1]，区域C2对应阈值区间[t_1+1,…,t_2]，...，区域CD对应阈值区间[t_D-1,…,L]，Lmin≤t_1≤t_2≤…≤t_D-1≤Lmax，Lmin为待分割图像的最小灰度值，Lmax为最大灰度值；图像分割的问题就是，在整个阈值空间内，如何找到最佳的阈值组合[t_1,t_2,...,t_D-1]T，使类间距方差最大。在此问题中，其解是D-1维的，是由D-1个阈值所组成的向量，其评判原则是类间距方差最大；在粒子群算法中，每个候选解都被称为“粒子”，用粒子的位置表示；每个候选解向目标解的逼近过程，类似粒子的初始位置向目标位置的逼近；所有的粒子的位置的好坏都根据适应度函数决定的适应度值来判断，选择类间距方差作为适应度函数。粒子群的群体大小，即粒子数，可根据经验预设，一般设置为10个以上，粒子数太少，容易陷入局部最优解；通过粒子群算法，找到图像分割问题的最优解，根据此最优解对图像进行分割。
本实施例通过采用粒子群算法找到图像分割的最佳阈值，具有不依赖先验知识，有较强的自适应能力，而且具有较高的运行效率等特点。
在本发明的另一个实施例中，如图5所示，一种基于粒子群算法的图像分割系统，包括：
获取模块10，用于获取待分割图像的灰度值范围；
初始化模块21，与所述获取模块10电连接，所述初始化模块21用于根据所述图像的灰度值范围，初始化第一代粒子群，得到第一代粒子群每个粒子的飞行速度、位置、局部最优解，以及第一代粒子群的全局最优解；
设置模块22，与所述初始化模块21电连接，所述设置模块22用于将第一代粒子群作为当前粒子群，以及，设置当前迭代次数为1；
选择模块23，与所述设置模块22电连接，所述选择模块23用于选择一个在下一代粒子群中的位置尚未计算出来的粒子；
计算模块24，与所述选择模块23电连接，所述计算模块24用于根据选择的所述粒子在当前粒子群中的飞行速度、位置、局部最优解和当前粒子群的全局最优解，计算所述粒子在下一代粒子群中的备选飞行速度和备选位置；以及，根据所述粒子在下一代粒子群中的备选位置，计算对应的适应度值；
判断模块25，与所述计算模块24电连接，所述判断模块25用于判断计算的所述适应度值是否大于所述粒子在当前粒子群中的局部最优解所对应的适应度值；
所述计算模块24，进一步用于当计算的所述适应度值不大于所述粒子在当前粒子群中的局部最优解所对应的适应度值时，则所述粒子在下一代粒子群中的位置为所述粒子在当前粒子群中的位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在当前粒子群中的飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在当前粒子群中的局部最优解；
所述选择模块23，进一步用于轮循，直至所有粒子在下一代粒子群中的位置都已计算出来；
所述计算模块24，进一步用于根据每个粒子在下一代粒子群中的局部最优解，得到下一代粒子群的全局最优解；
所述设置模块22，进一步用于将下一代粒子群作为当前粒子群，以及，更新当前迭代次数；
所述判断模块25，进一步用于判断当前迭代次数是否达到预设的最大迭代次数；所述计算模块，进一步用于当当前迭代次数等于预设的最大迭代次数时，则当前粒子群的全局最优解为所述图像分割的最佳阈值。
所述计算模块24，进一步用于当计算的所述适应度值大于所述粒子在当前粒子群中的局部最优解所对应的适应度值时，所述粒子在下一代粒子群中的位置为所述粒子在下一代粒子群中的备选位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在下一代粒子群中的备选飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在下一代粒子群中的位置；
所述初始化模块21，进一步用于选择一个在第一代粒子群中的位置还没有初始化的粒子；以及，在所述图像的灰度值范围中，分别随机产生一个整数来初始化所述粒子在第一代粒子群中的位置的每一维；以及，按预设速度值设置所述粒子在第一代粒子群中的飞行速度的每一维；以及，将所述粒子在第一代粒子群中的位置，作为所述粒子在第一代粒子群中的局部最优解；以及，轮循，直至所有粒子在第一代粒子群中的位置都得到初始化；
分割模块30，与所述判断模块25电连接，所述分割模块用于根据所述图像分割的最佳阈值，对待分割图像进行分割。
具体的，相对前一个实施例，本实施例用步骤S210-S290替代步骤S200，对粒子群算法流程进行了详述。
示例，假定图像分割问题为，设置3个阈值将一幅图像的灰度空间分割为4个区域，如何找到最佳阈值组合[t1,t2,t3]T，使4个区域的类间距方差最大。
预设粒子群算法相关的运行参数，包括：预设粒子群规模为10，即有10个粒子；预设最大迭代次数为50次。
粒子的维数为3维，这个根据待分割图像的预设分割区域数量得到，即4(分割区域数量)-1＝3；粒子在每代粒子群中的飞行速度、位置、局部最优解，以及每代粒子群的全局最优解都是3维的。
首先初始化10个粒子的飞行速度、位置，和局部最优解：从第1个粒子开始，在图像的灰度值范围中，比如5～200，随机产生一个整数来初始化该粒子位置的每一维；由于粒子位置有3维，所以需要获取3个随机数，比如依次获得10、150、80等3个随机数，将这3个数按序排列，得到向量[10、80、150]T，或[150、80、10]T，作为粒子的位置；升序或降序都可以，建议所有粒子都采用相同的方式排序；按预设速度值设置粒子的飞行速度的每一维，由于粒子的飞行速度有3维，所以也需要3个值，为了简化，可以将每个粒子的每一维的飞行速度都设成一样，比如0.5，得到粒子的飞行速度向量[0.5,0.5,0.5]T；粒子的局部最优解即粒子的位置；
初始化第2个粒子，在图像的灰度值范围中，比如5～200，随机产生一个整数来初始化该粒子位置的每一维；由于粒子位置有3维，所以需要获取3个随机数，比如依次获得5、10、20等3个随机数，将这3个数按序排列，得到向量[5、10、20]T作为粒子的位置；为了简化，粒子的飞行速度向量也设为[0.5,0.5,0.5]T；粒子的局部最优解即粒子的位置；
初始化第3个粒子，。。。，按此循环，直至完成10个粒子的。。
针对每个粒子的局部最优解，计算对应的适应度值；从10个粒子的适应度值中找到最大适应度值，选取最大适应度值所对应的某个粒子的局部最优解，作为全局最优解；如果最大适应度值对应多个粒子的局部最优解，则选取搜索过程中最早出现的粒子的，或选取最晚出现的粒子的，或随机选取。此时，所有粒子都处于初始态，记为第一代粒子群。
将第一代粒子群作为当前粒子群，以及，设置当前迭代次数为1；
从10个粒子中，选择1个粒子，根据公式(2)、(3)飞行一次，进入第二代粒子群，得到备选飞行速度和备选位置；
根据备选位置计算对应的适应度值，判断计算的所述适应度值是否大于该粒子的当前粒子群中的局部最优解所对应的适应度值，若否，即粒子的备选位置发生了退化现象，则所述粒子在第二代粒子群中的位置回退到当前粒子群中的位置，以及，该粒子在第二代粒子群中的飞行速度回退到当前粒子群中的飞行速度，以及，该粒子在第二代粒子群中的局部最优解回退到当前粒子群中的局部最优解；若是，即粒子的备选位置未发生退化现象，则所述粒子在第二代粒子群中的位置采用备选位置，以及，该粒子在第二代粒子群中的飞行速度采用备选飞行速度，以及，该粒子在第二代粒子群中的局部最优解采用备选位置；
如此循环，直至10个粒子都飞行一次，进入第二代粒子群。
计算第二代粒子群的全局最优解：针对每个粒子在第二代粒子群中的局部最优解，计算对应的适应度值；从计算的适应度值中找到最大适应度值，选取最大适应度值所对应的某个粒子在第二代粒子群中的局部最优解，作为第二代粒子群的全局最优解；如果最大适应度值对应多个粒子在第二代粒子群中的局部最优解，则选取搜索过程中最早出现的粒子的，或选取最晚出现的粒子的，或随机选取。
将第二代粒子群作为当前粒子群，以及，当前迭代次数加1；
10个粒子，再飞行一次，进入第三代粒子群，。。。如此循环，直至当前迭代次数达到预设的最大迭代次数。
达到预设的最大迭代次数之后，退出循环，此时所获得的当前粒子群的全局最优解即为所述图像分割的最佳阈值。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于粒子群算法的图像分割方法，其特征在于，包括：
步骤S100获取待分割图像的灰度值范围；
步骤S200根据所述图像的灰度值范围，采用粒子群算法得到图像分割的最佳阈值；
步骤S300根据所述图像分割的最佳阈值，对待分割图像进行分割。
2.根据权利要求1所述的基于粒子群算法的图像分割方法，其特征在于，所述步骤S200包括：
步骤S210根据所述图像的灰度值范围，初始化第一代粒子群，得到第一代粒子群每个粒子的飞行速度、位置、局部最优解，以及第一代粒子群的全局最优解；
步骤S220将第一代粒子群作为当前粒子群，以及，设置当前迭代次数为1；
步骤S230选择一个在下一代粒子群中的位置尚未计算出来的粒子；
步骤S231根据选择的所述粒子在当前粒子群中的飞行速度、位置、局部最优解和当前粒子群的全局最优解，计算所述粒子在下一代粒子群中的备选飞行速度和备选位置；
步骤S240根据所述粒子在下一代粒子群中的备选位置，计算对应的适应度值；
步骤S241判断计算的所述适应度值是否大于所述粒子在当前粒子群中的局部最优解所对应的适应度值；
步骤S243若否，所述粒子在下一代粒子群中的位置为所述粒子在当前粒子群中的位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在当前粒子群中的飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在当前粒子群中的局部最优解；
步骤S250轮循步骤S230-S243，直至所有粒子在下一代粒子群中的位置都已计算出来；
步骤S260根据每个粒子在下一代粒子群中的局部最优解，得到下一代粒子群的全局最优解；
步骤S270将下一代粒子群作为当前粒子群，以及，更新当前迭代次数；
步骤S280判断当前迭代次数是否达到预设的最大迭代次数，若否，则返回步骤S230；
步骤S290若是，则当前粒子群的全局最优解为所述图像分割的最佳阈值。
3.根据权利要求2所述的基于粒子群算法的图像分割方法，其特征在于，所述步骤S241之后还包括：
步骤S242若是，则所述粒子在下一代粒子群中的位置为所述粒子在下一代粒子群中的备选位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在下一代粒子群中的备选飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在下一代粒子群中的位置。
4.根据权利要求2所述的基于粒子群算法的图像分割方法，其特征在于，所述步骤S210包括：
步骤S211选择一个在第一代粒子群中的位置还没有初始化的粒子；
步骤S212在所述图像的灰度值范围中，分别随机产生一个整数来初始化所述粒子在第一代粒子群中的位置的每一维；以及，按预设速度值设置所述粒子在第一代粒子群中的飞行速度的每一维；
步骤213将所述粒子在第一代粒子群中的位置，作为所述粒子在第一代粒子群中的局部最优解；
步骤S214轮循步骤S211-S213，直至所有粒子在第一代粒子群中的位置都得到初始化。
5.根据权利要求2所述的基于粒子群算法的图像分割方法，其特征在于：
根据公式(1)计算适应度值：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>d</mi>
</msub>
<mo>&times;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>d</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mn>...</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，D为预设分割区域数量，pd为第d区域内灰度值出现的概率，ud为第d区域内灰度值的平均值，uavg为整个图像的平均灰度值，为第k代粒子群第i个粒子的位置，为根据第k代粒子群第i个粒子的位置计算的适应度值。
6.根据权利要求2所述的基于粒子群算法的图像分割方法，其特征在于：
所述步骤S231根据公式(2)，分别计算所述粒子在下一代粒子群中每一维的备选飞行速度：
<mrow>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>w</mi>
<mo>&times;</mo>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>c</mi>
<mn>1</mn>
<mo>&times;</mo>
<mi>r</mi>
<mn>1</mn>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>c</mi>
<mn>2</mn>
<mo>&times;</mo>
<mi>r</mi>
<mn>2</mn>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>...</mn>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，w为预设的惯性权重，c1、c2为预设的加速系数，r1和r2是[0，1]区间的随机数，为第k代粒子群第i个粒子第d维的飞行速度，为第k代粒子群第i个粒子第d维的局部最优解，为第k代粒子群第d维的全局最优解，为第k代粒子群第i个粒子第d维的位置；
根据公式(3)，分别计算所述粒子在下一代粒子群中每一维的备选位置：
<mrow>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mn>...</mn>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，为第k+1代粒子群第i个粒子第d维的备选飞行速度，为第k代粒子群第i个粒子第d维的位置。
7.一种采用权利要求1-6任一项所述的基于粒子群算法的图像分割方法的系统，其特征在于，包括：
获取模块，用于获取待分割图像的灰度值范围；
算法模块，与所述获取模块电连接，用于根据所述图像的灰度值范围，采用粒子群算法得到图像分割的最佳阈值；
分割模块，与所述算法模块电连接，所述分割模块用于根据所述图像分割的最佳阈值，对待分割图像进行分割。
8.根据权利要求7所述的基于粒子群算法的图像分割系统，其特征在于，所述算法模块包括：
初始化模块，用于根据所述图像的灰度值范围，初始化第一代粒子群，得到第一代粒子群每个粒子的飞行速度、位置、局部最优解，以及第一代粒子群的全局最优解；
设置模块，与所述初始化模块电连接，所述设置模块用于将第一代粒子群作为当前粒子群，以及，设置当前迭代次数为1；
选择模块，与所述设置模块电连接，所述选择模块用于选择一个在下一代粒子群中的位置尚未计算出来的粒子；
计算模块，与所述选择模块电连接，所述计算模块用于根据选择的所述粒子在当前粒子群中的飞行速度、位置、局部最优解和当前粒子群的全局最优解，计算所述粒子在下一代粒子群中的备选飞行速度和备选位置；以及，根据所述粒子在下一代粒子群中的备选位置，计算对应的适应度值；
判断模块，与所述计算模块电连接，所述判断模块用于判断计算的所述适应度值是否大于所述粒子在当前粒子群中的局部最优解所对应的适应度值；
所述计算模块，进一步用于当计算的所述适应度值不大于所述粒子在当前粒子群中的局部最优解所对应的适应度值时，则所述粒子在下一代粒子群中的位置为所述粒子在当前粒子群中的位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在当前粒子群中的飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在当前粒子群中的局部最优解；
所述选择模块，进一步用于轮循，直至所有粒子在下一代粒子群中的位置都已计算出来；
所述计算模块，进一步用于根据每个粒子在下一代粒子群中的局部最优解，得到下一代粒子群的全局最优解；
所述设置模块，进一步用于将下一代粒子群作为当前粒子群，以及，更新当前迭代次数；
所述判断模块，进一步用于判断当前迭代次数是否达到预设的最大迭代次数；
所述计算模块，进一步用于当当前迭代次数等于预设的最大迭代次数时，则当前粒子群的全局最优解为所述图像分割的最佳阈值。
9.根据权利要求8所述的基于粒子群算法的图像分割系统，其特征在于：
所述计算模块，进一步用于当计算的所述适应度值大于所述粒子在当前粒子群中的局部最优解所对应的适应度值时，所述粒子在下一代粒子群中的位置为所述粒子在下一代粒子群中的备选位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在下一代粒子群中的备选飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在下一代粒子群中的位置。
10.根据权利要求8所述的基于粒子群算法的图像分割系统，其特征在于：
所述初始化模块，进一步用于选择一个在第一代粒子群中的位置还没有初始化的粒子；以及，在所述图像的灰度值范围中，分别随机产生一个整数来初始化所述粒子在第一代粒子群中的位置的每一维；以及，按预设速度值设置所述粒子在第一代粒子群中的飞行速度的每一维；以及，将所述粒子在第一代粒子群中的位置，作为所述粒子在第一代粒子群中的局部最优解；以及，轮循，直至所有粒子在第一代粒子群中的位置都得到初始化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710827273.7A CN107730523A (zh) | 2017-09-14 | 2017-09-14 | 一种基于粒子群算法的图像分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710827273.7A CN107730523A (zh) | 2017-09-14 | 2017-09-14 | 一种基于粒子群算法的图像分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107730523A true CN107730523A (zh) | 2018-02-23 |
Family
ID=61204650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710827273.7A Pending CN107730523A (zh) | 2017-09-14 | 2017-09-14 | 一种基于粒子群算法的图像分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107730523A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564593A (zh) * | 2018-03-30 | 2018-09-21 | 四川斐讯信息技术有限公司 | 一种基于变异型粒子群算法的图像分割方法及系统 |
| CN108810415A (zh) * | 2018-06-27 | 2018-11-13 | 上海理工大学 | 一种基于量子粒子群优化算法的对焦方法 |
| CN108830863A (zh) * | 2018-06-22 | 2018-11-16 | 深圳大学 | 医学成像的左心室分割方法、系统和计算机可读存储介质 |
| CN109581987A (zh) * | 2018-12-29 | 2019-04-05 | 广东飞库科技有限公司 | 一种基于粒子群算法的agv调度路径规划方法及系统 |
| CN109949312A (zh) * | 2019-02-01 | 2019-06-28 | 广州番禺职业技术学院 | 一种基于搜索边界自适应调整算法的图像分割方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887584A (zh) * | 2010-07-07 | 2010-11-17 | 清华大学 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
| US20150244946A1 (en) * | 2013-11-04 | 2015-08-27 | Sos Agaian | Method and systems for thermal image / video measurements and processing |
| CN105405136A (zh) * | 2015-11-04 | 2016-03-16 | 南方医科大学 | 一种基于粒子群算法的自适应脊柱ct图像分割方法 |
-
2017
- 2017-09-14 CN CN201710827273.7A patent/CN107730523A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887584A (zh) * | 2010-07-07 | 2010-11-17 | 清华大学 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
| US20150244946A1 (en) * | 2013-11-04 | 2015-08-27 | Sos Agaian | Method and systems for thermal image / video measurements and processing |
| CN105405136A (zh) * | 2015-11-04 | 2016-03-16 | 南方医科大学 | 一种基于粒子群算法的自适应脊柱ct图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨英杰: "《粒子群算法及其应用研究》", 31 March 2017, 北京理工大学出版社 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564593A (zh) * | 2018-03-30 | 2018-09-21 | 四川斐讯信息技术有限公司 | 一种基于变异型粒子群算法的图像分割方法及系统 |
| CN108830863A (zh) * | 2018-06-22 | 2018-11-16 | 深圳大学 | 医学成像的左心室分割方法、系统和计算机可读存储介质 |
| CN108810415A (zh) * | 2018-06-27 | 2018-11-13 | 上海理工大学 | 一种基于量子粒子群优化算法的对焦方法 |
| CN108810415B (zh) * | 2018-06-27 | 2020-07-14 | 上海理工大学 | 一种基于量子粒子群优化算法的对焦方法 |
| CN109581987A (zh) * | 2018-12-29 | 2019-04-05 | 广东飞库科技有限公司 | 一种基于粒子群算法的agv调度路径规划方法及系统 |
| CN109949312A (zh) * | 2019-02-01 | 2019-06-28 | 广州番禺职业技术学院 | 一种基于搜索边界自适应调整算法的图像分割方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107730523A (zh) | 一种基于粒子群算法的图像分割方法及系统 | |
| Horng et al. | Multilevel image thresholding selection based on the firefly algorithm | |
| Liu et al. | A Survey on Particle Swarm Optimization Algorithms for Multimodal Function Optimization. | |
| JP2021502650A5 (zh) | ||
| CN107492103A (zh) | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 | |
| CN104156945B (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
| CN107945199A (zh) | 基于蝙蝠算法和大津算法的红外图像分割方法及系统 | |
| CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
| CN108566253A (zh) | 一种基于对信号功率谱拟合特征提取的信号识别方法 | |
| CN109886976A (zh) | 一种基于灰狼优化算法的图像分割方法及系统 | |
| CN107766792A (zh) | 一种遥感图像舰船目标识别方法 | |
| Nabizadeh et al. | A novel method for multi-level image thresholding using particle swarm Optimization algorithms | |
| Cai et al. | Cloud classification of satellite image based on convolutional neural networks | |
| CN112101428B (zh) | 一种基于卷积神经网络的图像分类方法及系统 | |
| CN116011558B (zh) | 一种高迁移性的对抗样本生成方法和系统 | |
| Ye et al. | Automatic threshold selection based on particle swarm optimization algorithm | |
| Qi et al. | An improved image segmentation algorithm based on the maximum class variance method | |
| CN109949312A (zh) | 一种基于搜索边界自适应调整算法的图像分割方法及系统 | |
| Li et al. | RETRACTED ARTICLE: Enhanced artificial bee Colony algorithm and its application in multi-threshold image feature retrieval | |
| Zhang et al. | An adaptive particle swarm optimization algorithm based on aggregation degree | |
| Behjat et al. | A PSO-Based Feature Subset Selection for Application of Spam/Non-spam Detection | |
| Mo et al. | Particle swarm optimization based on self-organizing topology driven by fitness | |
| CN111429419B (zh) | 一种基于混合蚁群算法的绝缘子轮廓检测方法 | |
| CN110310297B (zh) | 一种基于多分辨率搜索粒子群算法的图像分割方法及系统 | |
| Toghraee | Calculation of mean data on gini relationship by data mining method |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201113 Address after: Room 10242, No. 260, Jiangshu Road, Xixing street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Jiji Intellectual Property Operation Co., Ltd Address before: 201616 Shanghai city Songjiang District Sixian Road No. 3666 Applicant before: Phicomm (Shanghai) Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |