CN107862700A - 基于蝙蝠算法和二维信息熵的红外图像分割方法及系统 - Google Patents
基于蝙蝠算法和二维信息熵的红外图像分割方法及系统 Download PDFInfo
- Publication number
- CN107862700A CN107862700A CN201711017468.1A CN201711017468A CN107862700A CN 107862700 A CN107862700 A CN 107862700A CN 201711017468 A CN201711017468 A CN 201711017468A CN 107862700 A CN107862700 A CN 107862700A
- Authority
- CN
- China
- Prior art keywords
- bat
- msub
- mrow
- infrared image
- dimensional signal
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于蝙蝠算法和二维信息熵的红外图像分割方法，其包括步骤：S10：获取待分割的红外图像；S20：将二维信息熵函数作为蝙蝠算法的目标函数，将所述二维信息熵函数中的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量；S30：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域。此外，本发明还公开了相应的系统。本发明能实现快速精确地对待分割的红外图像进行分割。相对于现有的红外图像阈值分割方法，有效提高了阈值选取速度和图像分割精度，解决了分割难点，为后续设备温度场特征的实时提取与分析奠定基础。
Description
技术领域
本发明涉及红外图像分割技术，尤其涉及一种基于二维信息熵的红外图像分割方法及系统。
背景技术
传统的分割算法往往因阈值选取的误差使得背景与目标的分割界限不精确，存在较大的过分割和欠分割效果。然而若采用手动选取感兴趣区域的方法，则会使分割时间相对过久，不能满足故障设备实时诊断的需求。针对电力设备红外图像感兴趣区域提取难题，现有技术中有学者提出了一种基于FAsT-Match算法的电力设备红外图像分割方法，通过目标在可见光中的近似位置，利用可见光和红外图像之间的近似仿射变换求出目标在红外图像中的近似区域，再用分割算法求得近似区域分割结果。此外还有学者提出采用加权切比雪夫距离的K-means算法和形态学分割方法，提出一种自适应的变电站电气设备红外图像分割方法。
上述方法有效解决了红外图像二值化分割过程中阈值选取困难的问题，但存在仅将目标设备与背景区分开来，而阈值分割精度及分割速度通常难以满足后续设备红外温度场实时特征提取与分析的需求的问题。
发明内容
本发明的目的之一是提供一种基于蝙蝠算法和二维信息熵的红外图像分割方法，其能快速精确地对待分割的红外图像进行分割，从而满足后续设备红外温度场实时特征提取与分析的需求。
基于上述目的，本发明提供了一种基于蝙蝠算法和二维信息熵的红外图像分割方法，其包括步骤：
S10：获取待分割的红外图像；
S20：将二维信息熵函数作为蝙蝠算法的目标函数，将所述二维信息熵函数中的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量；
S30：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域。
本发明所述的基于蝙蝠算法和二维信息熵的红外图像分割方法中，蝙蝠算法是Yang教授基于群体智能提出的启发式搜索算法，是一种搜索全局最优解的有效方法。该算法是一种基于迭代的优化技术，与其他算法相比在准确性和有效性方面远优于其他算法，且没有许多参数要进行调整，大大降低了计算量，因此其通过所述步骤S20和S30用于二维信息熵函数的寻优计算能提高分割阈值的选取速度，加上二维信息熵函数采用二维分割阈值，其分割精度更高，从而能快速精确地对待分割的红外图像进行分割，进而满足后续设备红外温度场实时特征提取与分析的需求。
进一步地，本发明所述的基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述步骤S20中还对所述蝙蝠算法的参数进行初始化，所述蝙蝠算法的参数包括蝙蝠参数和迭代参数。
更进一步地，上述基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述蝙蝠参数包括蝙蝠的初始位置和初始速度。
更进一步地，上述基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述蝙蝠的初始位置和初始速度均为随机生成。
更进一步地，上述基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述蝙蝠参数还包括蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0、响度递减系数ξ、最小声波频率fmin以及最大声波频率fmax中的至少其中之一。
进一步地，本发明所述的基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述步骤S20中的二维信息熵函数为：
其中PA1、PA2分别为背景区域和目标区域在图像中所占比例，HA1、HA2分别为背景区域和目标区域所对应的信息熵，Ps,t为(s,t)像素点在图像中所占比例，L为图像灰度级，(s,t)为像素点灰度值—平均灰度，(S,T)为二维分割阈值，S为像素点灰度值，T为像素点8邻域内的平均灰度。
更进一步地，上述基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述蝙蝠为蝙蝠种群，所述蝙蝠参数包括蝙蝠数量和蝙蝠编号。
更进一步地，上述基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述步骤S30中基于目标函数的值判断各蝙蝠优劣，找出全局最优蝙蝠。
更进一步地，上述基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述步骤S30中还更新迭代各蝙蝠参数，并基于目标函数的值判断各蝙蝠优劣，更新全局最优蝙蝠。
更进一步地，上述基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述迭代参数包括最大迭代次数N，若达到最大迭代次数N，则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
更进一步地，上述基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述迭代参数包括连续迭代不变次数M，若在连续迭代不变次数M内所述全局最优蝙蝠保持不变，则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
本发明的另一目的是提供一种基于蝙蝠算法和二维信息熵的红外图像分割系统，其能快速精确地对待分割的红外图像进行分割，从而满足后续设备红外温度场实时特征提取与分析的需求。
基于上述目的，本发明提供了一种基于蝙蝠算法和二维信息熵的红外图像分割系统，其采用上述任一方法对待分割的红外图像进行分割。
本发明所述的基于蝙蝠算法和二维信息熵的红外图像分割系统，由于其采用了本发明所述的方法，同样能实现快速精确地对待分割的红外图像进行分割。具体原理前已描述，在此不再赘述。
所述系统可以是具有对应本发明方法的软件的计算机。
本发明所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其具有以下优点和有益效果：
1)采用二维信息熵作为蝙蝠算法的寻优评估函数，快速寻找图像中最优分割阈值，并将其用于当前图像的二值化分割，提高了图像的分割速度。
2)以像素点灰度值及邻域平均灰度为基础进行二维阈值分割寻优，大大降低了不规则边缘和噪声对电力设备红外热像图分割效果的影响，提高了目标区域的完整性。
3)提高了阈值选取速度与图像分割精度，有效地解决了红外图像阈值分割的难点，为后续设备温度场特征提取与分析奠定基础。
本发明所述的基于蝙蝠算法和二维信息熵的红外图像分割系统，其同样具有上述优点和有益效果。
附图说明
图1为本发明所述的基于蝙蝠算法和二维信息熵的红外图像分割方法的基本流程示意图。
图2为本发明实施例的基于蝙蝠算法和二维信息熵的红外图像分割方法的流程示意图。
图3为本发明实例中的经灰度化处理的待分割的电流互感器的红外图像。
图4为本发明实例中的经灰度化处理的待分割的阻波器的红外图像。
图5为本发明实例中的经灰度化处理的待分割的刀闸间引上线接头的红外图像。
图6为本发明实例中的经灰度化处理的待分割的刀闸的红外图像。
图7为本发明实例中的经灰度化处理的待分割的电流互感器的红外图像的分割结果。
图8为本发明实例中的经灰度化处理的待分割的阻波器的红外图像的分割结果。
图9为本发明实例中的经灰度化处理的待分割的刀闸间引上线接头的红外图像的分割结果。
图10为本发明实例中的经灰度化处理的待分割的刀闸的红外图像的分割结果。
具体实施方式
下面结合说明书附图及实施例进一步说明本发明所述的技术方案。
图1示意了本发明所述的基于蝙蝠算法和二维信息熵的红外图像分割方法的基本流程。
如图1所示，本发明的基于蝙蝠算法和二维信息熵的红外图像分割方法包括步骤：
S10：获取待分割的红外图像。
在某些实施方式下，该步骤中的红外图像经灰度化处理。
S20：将二维信息熵函数作为蝙蝠算法的目标函数，将所述二维信息熵函数中的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量。
在某些实施方式下，该步骤中还对蝙蝠算法的参数进行初始化，蝙蝠算法的参数包括蝙蝠参数和迭代参数。
在某些实施方式下，该步骤中蝙蝠参数包括蝙蝠的初始位置和初始速度，其中，蝙蝠的初始位置和初始速度均为随机生成。
在某些实施方式下，该步骤中蝙蝠参数还包括蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0、响度递减系数ξ、最小声波频率fmin以及最大声波频率fmax中的至少其中之一。
在某些实施方式下，该步骤中的二维信息熵函数为：
其中PA1、PA2分别为背景区域和目标区域在图像中所占比例，HA1、HA2分别为背景区域和目标区域所对应的信息熵，Ps,t为(s,t)像素点在图像中所占比例，L为图像灰度级，(s,t)为像素点灰度值—平均灰度，(S,T)为二维分割阈值，S为像素点灰度值，T为像素点8邻域内的平均灰度。
在某些实施方式下，该步骤中蝙蝠为蝙蝠种群，蝙蝠参数包括蝙蝠数量和蝙蝠编号。
S30：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域。
在某些实施方式下，该步骤中基于目标函数的值判断各蝙蝠优劣，找出全局最优蝙蝠。
在某些实施方式下，该步骤中还更新迭代各蝙蝠参数，并基于目标函数的值判断各蝙蝠优劣，更新全局最优蝙蝠。
在某些实施方式下，该步骤中迭代参数包括最大迭代次数N，若达到最大迭代次数N，则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
在某些实施方式下，该步骤中迭代参数包括连续迭代不变次数M，若在连续迭代不变次数M内全局最优蝙蝠保持不变，则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
下面通过一个具体实施例进一步说明本发明，该实施例采用上述方法和系统对待分割的红外图像进行分割。
本实施例中所述系统是具有对应上述方法的软件的计算机。
图2示意了本发明实施例的基于蝙蝠算法和二维信息熵的红外图像分割方法的流程。
如图2所示，本实施例通过上述计算机运行软件实现以下步骤：
步骤10：获取待分割的红外图像。
该步骤中，导入分辨率为240×320的电力设备原图，将其作为待分割的红外图像并灰度化处理。
步骤20：将二维信息熵函数作为蝙蝠算法的目标函数，将所述二维信息熵函数中的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量。
该步骤中，对蝙蝠算法的参数进行初始化，蝙蝠算法的参数包括蝙蝠参数和迭代参数，其中：
蝙蝠参数初始化包括设定投放的蝙蝠种群中的蝙蝠数量n＝20和蝙蝠编号i＝1，2…20；蝙蝠的初始位置pi 0∈[0,L-1]随机生成，初始速度vi 0∈[-v,v]随机生成，其中图像灰度级L＝256，v＝2；蝙蝠的初始脉冲频度r0＝0.75，脉冲频度增加系数θ＝0.05，初始响度A0＝0.5，响度递减系数ξ＝0.9，最小声波频率fmin＝0.5，最大声波频率fmax＝2。
迭代参数初始化包括设定最大迭代次数N＝50和连续迭代不变次数M＝3。
该步骤中定义红外图像分割阈值(S,T)对应的二维信息熵函数为：
其中PA1、PA2分别为背景区域和目标区域在图像中所占比例，HA1、HA2分别为背景区域和目标区域所对应的信息熵，Ps,t为(s,t)像素点在图像中所占比例，L为图像灰度级，(s,t)为像素点灰度值—平均灰度，(S,T)为二维分割阈值，S为像素点灰度值，T为像素点8邻域内的平均灰度。
选取二维信息熵H(S,T)最大时的分割阈值(S*,T*)为最优分割阈值：
将上述二维信息熵函数作为蝙蝠算法的目标函数，将二维信息熵函数中的分割阈值变量(s,t)作为蝙蝠算法中的蝙蝠位置变量，其中：
蝙蝠在t时刻的蝙蝠声波频率fi、蝙蝠速度vi t和蝙蝠位置pi t表示为fi＝fmin+(fmax-fmin)β，其中fmin和fmax分别表示最小声波频率和最大声波频率，β为[0,1]范围内随机变量，p*为当前全局最优蝙蝠的蝙蝠位置。
步骤30：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域，包括步骤：
步骤301：基于目标函数的值判断各蝙蝠优劣，找出全局最优蝙蝠。
步骤302：更新迭代各蝙蝠参数，并基于目标函数的值判断各蝙蝠优劣，更新全局最优蝙蝠。
本实施例中，在局部搜索过程中，选取当前蝙蝠群中的最优蝙蝠(此最优蝙蝠是当次迭代中20个蝙蝠的最优蝙蝠)，将该蝙蝠的位置更新为pnew＝pold+εAt，响度Ai t和脉冲频度ri t分别通过公式和进行更新，其中pnew表示新的蝙蝠位置，pold表示旧的蝙蝠位置，ε为[-1,1]范围内随机数，At为所有蝙蝠t时刻的平均响度，ξ为取值为[0,1]的响度递减系数，Ai t+1和Ai t分别为t+1时刻和t时刻蝙蝠i的响度，ri t+1为t+1时刻蝙蝠i的脉冲频度,ri 0为蝙蝠i的初始脉冲频度。
步骤303：若达到最大迭代次数N，或者在连续迭代不变次数M内全局最优蝙蝠保持不变，则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
该步骤中，若达到最大迭代次数50或连续三次迭代过程中最优蝙蝠位置保持不变则输出最优解，即将当前全局最优蝙蝠的蝙蝠位置作为最优分割阈值(S*,T*)对经灰度化处理的待分割的红外图像进行二值化分割。
下面结合具体实例，对本发明的应用作进一步说明。
图3-图6分别示意了经灰度化处理的待分割的电流互感器、阻波器、刀闸间引上线接头以及刀闸的红外图像。图7-图10分别示意了经灰度化处理的待分割的电流互感器、阻波器、刀闸间引上线接头以及刀闸的红外图像的分割结果。
本实例按照上述方法对如图3-图6的某电力设备的电流互感器、阻波器、刀闸间引上线接头以及刀闸的经灰度化处理的待分割红外图像进行分割，其分割结果如图7-图10所示，分割时间如表1所示。
表1.电力设备红外图像分割时间
| 设备 | 电流互感器 | 阻波器 | 刀闸间引上线接头 | 刀闸 |
| 耗时(s) | 0.054360 | 0.068815 | 0.049389 | 0.071393 |
从以上图表可以看出，分割效果好，分割时间短，从而对图像的背景与目标进行快速精确的分割，相对于现有的红外图像阈值分割方法，有效提高了阈值选取速度和图像分割精度，为后续设备温度场特征的实时提取与分析奠定基础。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
另外，还需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案所记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (12)
1.一种基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，包括步骤：
S10：获取待分割的红外图像；
S20：将二维信息熵函数作为蝙蝠算法的目标函数，将所述二维信息熵函数中的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量；
S30：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域。
2.如权利要求1所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，所述步骤S20中还对所述蝙蝠算法的参数进行初始化，所述蝙蝠算法的参数包括蝙蝠参数和迭代参数。
3.如权利要求2所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，所述蝙蝠参数包括蝙蝠的初始位置和初始速度。
4.如权利要求3所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，所述蝙蝠的初始位置和初始速度均为随机生成。
5.如权利要求2所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，所述蝙蝠参数还包括蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0、响度递减系数ξ、最小声波频率fmin以及最大声波频率fmax中的至少其中之一。
6.如权利要求1所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，所述步骤S20中的二维信息熵函数为：
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mo>,</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</msub>
<mo>&times;</mo>
<msub>
<mi>P</mi>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<msub>
<mi>H</mi>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</msub>
<msub>
<mi>P</mi>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</msub>
</mfrac>
<mo>+</mo>
<mfrac>
<msub>
<mi>H</mi>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
</msub>
<msub>
<mi>P</mi>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</msub>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>S</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>T</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>P</mi>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</msub>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>P</mi>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
</msub>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mi>S</mi>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mi>T</mi>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>P</mi>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
</msub>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>P</mi>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中PA1、PA2分别为背景区域和目标区域在图像中所占比例，HA1、HA2分别为背景区域和目标区域所对应的信息熵，Ps,t为(s,t)像素点在图像中所占比例，L为图像灰度级，(s,t)为像素点灰度值—平均灰度，(S,T)为二维分割阈值，S为像素点灰度值，T为像素点8邻域内的平均灰度。
7.如权利要求2所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，所述蝙蝠为蝙蝠种群，所述蝙蝠参数包括蝙蝠数量和蝙蝠编号。
8.如权利要求7所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，所述步骤S30中基于目标函数的值判断各蝙蝠优劣，找出全局最优蝙蝠。
9.如权利要求8所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，所述步骤S30中还更新迭代各蝙蝠参数，并基于目标函数的值判断各蝙蝠优劣，更新全局最优蝙蝠。
10.如权利要求9所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，所述迭代参数包括最大迭代次数N，若达到最大迭代次数N，则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
11.如权利要求9所述的基于蝙蝠算法和二维信息熵的红外图像分割方法，其特征在于，所述迭代参数包括连续迭代不变次数M，若在连续迭代不变次数M内所述全局最优蝙蝠保持不变，则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
12.一种基于蝙蝠算法和二维信息熵的红外图像分割系统，其采用上述任一方法对待分割的红外图像进行分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711017468.1A CN107862700A (zh) | 2017-10-26 | 2017-10-26 | 基于蝙蝠算法和二维信息熵的红外图像分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711017468.1A CN107862700A (zh) | 2017-10-26 | 2017-10-26 | 基于蝙蝠算法和二维信息熵的红外图像分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107862700A true CN107862700A (zh) | 2018-03-30 |
Family
ID=61697845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711017468.1A Pending CN107862700A (zh) | 2017-10-26 | 2017-10-26 | 基于蝙蝠算法和二维信息熵的红外图像分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107862700A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160193A (zh) * | 2021-04-28 | 2021-07-23 | 贵州电网有限责任公司 | 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统 |
| CN113284091A (zh) * | 2021-04-28 | 2021-08-20 | 贵州电网有限责任公司 | 一种基于蝙蝠算法的二维信息熵电力设备紫外图像阈值分割方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745482A (zh) * | 2014-01-27 | 2014-04-23 | 湖北工业大学 | 一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法 |
| CN103824285A (zh) * | 2014-01-27 | 2014-05-28 | 湖北工业大学 | 一种基于蝙蝠优化模糊聚类的图像分割方法 |
| CN107103397A (zh) * | 2017-06-26 | 2017-08-29 | 广东工业大学 | 一种基于蝙蝠算法的交通流预测方法、装置及系统 |
-
2017
- 2017-10-26 CN CN201711017468.1A patent/CN107862700A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745482A (zh) * | 2014-01-27 | 2014-04-23 | 湖北工业大学 | 一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法 |
| CN103824285A (zh) * | 2014-01-27 | 2014-05-28 | 湖北工业大学 | 一种基于蝙蝠优化模糊聚类的图像分割方法 |
| CN107103397A (zh) * | 2017-06-26 | 2017-08-29 | 广东工业大学 | 一种基于蝙蝠算法的交通流预测方法、装置及系统 |
Non-Patent Citations (5)
| Title |
|---|
| ADIS ALIHODZIC 等: "Improved Bat Algorithm Applied to Multilevel Image Thresholding", 《THE SCIENTIFIC WORLD JOURNAL》 * |
| V. RAJINIKANTH 等: "Gray-Level Histogram based Multilevel Threshold Selection with Bat Algorithm", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》 * |
| 付家才 等: "基于蝙蝠算法的配电网故障区间定位", 《电力系统保护与控制》 * |
| 李涛 著: "《数字图像处理之红外弱目标分割方法研究》", 30 June 2016, 成都：西南交通大学出版社 * |
| 肖欣庭: "群体智能算法在图像分割中的阈值选择优化算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160193A (zh) * | 2021-04-28 | 2021-07-23 | 贵州电网有限责任公司 | 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统 |
| CN113284091A (zh) * | 2021-04-28 | 2021-08-20 | 贵州电网有限责任公司 | 一种基于蝙蝠算法的二维信息熵电力设备紫外图像阈值分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
| CN103390280B (zh) | 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法 | |
| CN105719259A (zh) | 路面裂缝图像检测方法 | |
| CN110147760B (zh) | 一种高效电能质量扰动图像特征提取与识别新方法 | |
| CN104021394A (zh) | 基于Adaboost算法的绝缘子图像识别方法 | |
| CN101196905A (zh) | 一种智能图形检索方法 | |
| 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 | |
| CN112712546A (zh) | 一种基于孪生神经网络的目标跟踪方法 | |
| CN103886553B (zh) | 图像非局部均值去噪方法和系统 | |
| CN105654453A (zh) | 一种鲁棒性的fcm图像分割方法 | |
| Bai et al. | Automatic detection and removal of high‐density impulse noises | |
| CN109801295B (zh) | 基于二次限制区域生长法的图像分割方法 | |
| CN109067427B (zh) | 一种基于优化型小波神经网络的跳频序列预测方法 | |
| CN103903227B (zh) | 一种图像降噪的方法和装置 | |
| CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
| CN104867137A (zh) | 一种基于改进ransac算法的图像配准方法 | |
| CN109102514A (zh) | 一种图像分割方法、装置、设备及计算机可读存储介质 | |
| CN102073867B (zh) | 一种遥感图像分类方法及装置 | |
| CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
| CN104881871A (zh) | 基于改进多目标和声搜索算法的交通图像分割方法 | |
| CN107862700A (zh) | 基于蝙蝠算法和二维信息熵的红外图像分割方法及系统 | |
| CN112101428B (zh) | 一种基于卷积神经网络的图像分类方法及系统 | |
| CN111709884A (zh) | 车牌关键点矫正方法、系统、设备和存储介质 | |
| CN108596170A (zh) | 一种自适应非极大抑制的目标检测方法 | |
| Xing et al. | An interval Type-2 fuzzy sets generation method for remote sensing imagery classification |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180330 |