CN108459406B - 基于人工鱼群算法的显微镜自动对焦窗口选择方法 - Google Patents
基于人工鱼群算法的显微镜自动对焦窗口选择方法 Download PDFInfo
- Publication number
- CN108459406B CN108459406B CN201810216051.6A CN201810216051A CN108459406B CN 108459406 B CN108459406 B CN 108459406B CN 201810216051 A CN201810216051 A CN 201810216051A CN 108459406 B CN108459406 B CN 108459406B
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- algorithm
- bulletin board
- artificial
- fish
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/24—Base structure
- G02B21/241—Devices for focusing
- G02B21/244—Devices for focusing using image analysis techniques
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Optics & Photonics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明涉及一种基于人工鱼群算法的显微镜自动对焦窗口选择方法,以整幅图像中细节最丰富的区域作为对焦窗口的选取依据,利用人工鱼群算法在整幅图上进行搜索,保证调焦精度的同时,有效改善效率。将显微镜自动对焦的图像信息映射到人工鱼群算法中,初始化参数;初始化公告板;引入动态权衡因子策略;更新人工鱼状态;重置初始化参数;检查终止条件。对图像采用了二值化处理,不仅保留了原图的信息,还大大减少了处理的数据量;引入动态权衡因子,实时调整人工鱼的步长及视野,提高算法效率;针对人工鱼群算法局部优值的问题,每次迭代后,根据所求最优解重置初始参数,有效增强了对焦的实时性,并保证了较高的收敛速度和算法精度。
Description
技术领域
本发明涉及一种图像处理技术,特别涉及一种基于人工鱼群算法的显微镜自动对焦窗口选择方法。
背景技术
基于显微镜系统的自动对焦方法易于实现,而对焦窗口的选取是自动对焦方法的重要部分。选择合适的对焦窗口,即选择图像细节最丰富的区域,不仅可以降低后续对焦评价函数的计算量,提高对焦过程的实时行,亦可降低背景信息对主体信息的干扰。传统的对焦窗口算法的选择窗口主要集中在图像的中心,因此当主体部分随机分布在图像上时,无法准确获得感兴趣区域,则会失焦。
发明内容
本发明是针对传统自动对焦窗口选择算法不适合所有图像的问题,提出了一种基于人工鱼群算法的显微镜自动对焦窗口选择方法,将新型的人工鱼群算法运用到对焦窗口选择中,选取整幅图像中细节最丰富的区域作为调焦评价函数的评判依据,提高自动对焦的精确度和效率。
本发明的技术方案为:一种基于人工鱼群算法的显微镜自动对焦窗口选择方法,具体包括如下步骤:
1)将显微镜自动对焦的图像信息映射到人工鱼群算法中,定义人工鱼群规模X={x1,x2,...,xi,...xn},其中,X对应整幅图像,xi为欲求寻优个体的变量,对应于人工鱼的位置,i=1,…,n;初始化工鱼群算法参数:人工鱼群规模X,每条人工鱼xi的初始位置;人工鱼视野范围Visual;人工鱼可移动步长Step;拥挤度因子δ;人工鱼搜索的最大尝试次数Try_number;当前迭代次数k;最大迭代次数kmax;
2)计算每条人工鱼的食物浓度并初始化公告板:将个体鱼群的图像转换为二值图像,根据二值图像计算人工鱼的对焦评价函数的值Y=f(x),即目前人工鱼的食物浓度或称适应度值;在算法中设立公告板,存储最优解状态。初始化公告板是指,将上述所得的所有人工鱼比较得最优值,并赋予公告板;
3)引入动态权衡因子策略:对视野Visual和步长Step根据迭代次数实时调整,提高算法的前期搜索能力和后期收敛能力,调整如公式(1)和(2)所示:
Step=Step-Step×α; (1)
Visual=Visual-Visual×α; (2)
4)对每条人工鱼通过觅食、聚群、追尾和随机行为更新自己的位置,所有人工鱼都更新后,则生成新鱼群,完成一次迭代,选出更新后鱼群的最优解个体,与公告板进行比较,若优于公告板则取代公告板原状态,此时,公告板获得目前能搜索到全局适应度函数最大值;
5)二次初始化参数:每次迭代结束后,根据公告板中的当前最优解的位置,重置初始人工鱼群算法的最佳参数:人工鱼群规模X、对应的每条人工鱼xi的位置、最大迭代次数kmax;避开局部最优值;
6)检查终止条件:如迭代次数k≥kmax,则算法迭代结束,输出公告板中的最优解(xbest,ybest),按照得到的最佳对焦位置选取窗口,完成自动对焦中窗口选择部分,若不满足终止条件,则将k+1赋值给k,并返回执行步骤3)。
所述步骤4)中对每条人工鱼通过觅食、聚群、追尾和随机行为更新自己的位置具体方法如下:
觅食行为:设xi为人工鱼个体当前状态,对应的对焦函数值为yi;在其视野范围内随机选择一种状态xj,其对应的对焦函数值为yj,
xj=xi+Visual*rand()
如果yj>yi,则按照该方向作如下运动:
否则重新选择随机状态xj,继续判断适应度优劣,若反复几次,尝试次数超出最大尝试次数Try_number,则执行随机行为;
聚群行为:设xi为人工鱼个体当前状态,xc为当前邻域的同伴中心位置,nf为同伴数,dij<Visual,dij=||xi-xj||,人工鱼xi和xj之间的距离,n为人工鱼总数;
否则,执行捕食行为;
追尾行为:设xi为人工鱼个体当前状态,xj为当前领域内所有人工鱼中对焦函数值最大的个体状态,如果yj>yi,且表示同伴xi具有较高的食物浓度或适应度函数值较高,且周围环境不是很拥挤,则向同伴xj作如下运动,
否则,执行捕食行为;
聚群行为和觅食行为可根据实际运用环境择优选择执行顺序;
随机行为:在视野中随机选择一个状态,然后向这个状态移动。
本发明的有益效果在于:本发明基于人工鱼群算法的显微镜自动对焦窗口选择方法,以整幅图像中细节最丰富的区域作为对焦窗口的选取依据,利用人工鱼群算法在整幅图上进行搜索,保证调焦精度的同时,有效改善效率;针对显微镜成像系统的对象的特殊性,对图像采用了二值化处理,不仅保留了原图的信息,还大大减少了处理的数据量;针对人工鱼群算法本身的收敛慢的问题,引入动态权衡因子,实时调整人工鱼的步长及视野,提高算法效率;针对人工鱼群算法局部优值的问题,每次迭代后,根据所求最优解重置初始参数,有效增强了对焦的实时性,并保证了较高的收敛速度和算法精度。
附图说明
图1为本发明基于人工鱼群算法的显微镜自动对焦窗口选择方法流程图。
具体实施方式
将人工鱼群算法和图像处理技术相结合进行自动对焦,如图1所示自动对焦的算法流程图,具体实施例如下:
1)将显微镜自动对焦的图像信息映射到人工鱼群算法中,定义人工鱼群规模X={x1,x2,...,xi,...xn},其中,X对应整幅图像,xi(i=1,…,n)为欲求寻优个体的变量,对应于人工鱼的位置。初始化工鱼群算法参数:人工鱼群规模X,每条人工鱼xi的初始位置;人工鱼视野范围Visual;人工鱼可移动步长Step;拥挤度因子δ;人工鱼搜索的最大尝试次数Try_number;当前迭代次数k;最大迭代次数kmax。
2)计算每条人工鱼的食物浓度并初始化公告板:将个体鱼群的图像转换为二值图像,根据二值图像计算人工鱼的对焦评价函数的值Y=f(x),即目前人工鱼的食物浓度(或称适应度值)。在算法中设立公告板,存储最优解状态。初始化公告板是指,将上述所得的所有人工鱼比较得最优值,并赋予公告板。(对焦评价函数用于是对图像清晰度进行评价的函数,对焦位置越好,图像边缘信息越丰富,高频分量越多,则对应的函数值大)
3)引入动态权衡因子策略:对视野Visual和步长Step根据迭代次数实时调整,提高算法的前期搜索能力和后期收敛能力,调整如公式(1)和(2)所示:
Step=Step-Step×α; (1)
Visual=Visual-Visual×α; (2)
4)对每条人工鱼通过觅食、聚群、追尾和随机行为更新自己的位置,所有人工鱼都更新后,则生成新鱼群,完成一次迭代,选出更新后鱼群的最优解个体,与公告板进行比较,若优于公告板则取代公告板原状态。此时,公告板获得目前能搜索到全局适应度函数最大值。
觅食行为:设xi为人工鱼个体当前状态,对应的对焦函数值为yi;在其视野范围内随机选择一种状态xj,其对应的对焦函数值为yj,
xj=xi+Visual*rand()
如果yj>yi,则按照该方向作如下运动:
否则重新选择随机状态xj,继续判断适应度优劣,若反复几次,尝试次数超出最大尝试次数Try_number,则执行随机行为。
聚群行为:设xi为人工鱼个体当前状态,xc为当前邻域的同伴中心位置,nf为同伴数(dij<Visual,dij=||xi-xj||,人工鱼xi和xj之间的距离),n为人工鱼总数。如果对应对焦函数值yc>yi,且表示同伴中心有较多的食物(较高的适应度函数值),且不是很拥挤,则向同伴中心作如下运动,否则,执行捕食行为。
追尾行为:设xi为人工鱼个体当前状态,xj为当前领域内(dij<Visual)所有人工鱼中对焦函数值最大的个体状态,xj对应的对焦评价函数值为yj。如果yj>yi,且表示同伴xi具有较高的食物浓度(适应度函数值较高)且周围环境不是很拥挤,则向同伴xj作如下运动,否则,执行捕食行为。(聚群行为和觅食行为可根据实际运用环境择优选择执行顺序)
随机行为:在视野中随机选择一个状态,然后向这个状态移动。
5)二次初始化参数:每次迭代结束后,根据公告板中的当前最优解的位置,重置初始人工鱼群算法的最佳参数(人工鱼群规模X;和对应的每条人工鱼xi的位置;最大迭代次数kmax)避开局部最优值,这在相对较小的区域中提供了更准确的最佳参数。
6)检查终止条件:如迭代次数k≥kmax,则算法迭代结束,输出公告板中的最优解(xbest,ybest),按照得到的最佳对焦位置选取窗口,完成自动对焦中窗口选择部分,若不满足终止条件,则将k+1赋值给k,并返回执行步骤3)。
Claims (2)
1.一种基于人工鱼群算法的显微镜自动对焦窗口选择方法,其特征在于,具体包括如下步骤:
1)将显微镜自动对焦的图像信息映射到人工鱼群算法中,定义人工鱼群规模X={x1,x2,...,xi,...xn},其中,X对应整幅图像,xi为欲求寻优个体的变量,对应于人工鱼的位置,i=1,…,n,n为人工鱼总数;初始化工鱼群算法参数:人工鱼群规模X,每条人工鱼xi的初始位置,人工鱼视野范围Visual,人工鱼可移动步长Step,拥挤度因子δ,人工鱼搜索的最大尝试次数Try_number,当前迭代次数k,最大迭代次数kmax;
2)计算每条人工鱼的食物浓度或适应度函数并初始化公告板:将个体鱼群的图像转换为二值图像,根据二值图像计算人工鱼的对焦评价函数值Y=f(x),其值即为目前人工鱼的食物浓度或适应度函数值;在算法中设立公告板,存储最优解状态;将上述所得的所有人工鱼的食物浓度或适应度函数值进行比较,最高为最优值,对应的人工鱼的位置为最优解并赋予公告板,完成初始化公告板;
3)引入动态权衡因子策略:对视野Visual和步长Step根据迭代次数实时调整,提高算法的前期搜索能力和后期收敛能力,调整如公式(1)和(2)所示:
Step=Step-Step×α; (1)
Visual=Visual-Visual×α; (2)
4)对每条人工鱼通过觅食、聚群、追尾和随机行为更新自己的位置,所有人工鱼都更新后,则生成新鱼群,完成一次迭代,选出更新后鱼群的最优解个体,与公告板进行比较,若优于公告板则取代公告板原状态,此时,公告板获得目前能搜索到全局人工鱼的食物浓度最高或适应度函数最大值;
5)二次初始化参数:每次迭代结束后,根据公告板中的当前最优解的位置,重置初始人工鱼群算法的最佳参数:人工鱼群规模X、对应的每条人工鱼xi的位置、最大迭代次数kmax;避开局部最优值;
6)检查终止条件:如迭代次数k≥kmax,则算法迭代结束,输出公告板中的最优解(xbest,ybest),按照得到的最佳对焦位置选取窗口,完成自动对焦中窗口选择部分,若不满足终止条件,则将k+1赋值给k,并返回执行步骤3)。
2.根据权利要求1所述基于人工鱼群算法的显微镜自动对焦窗口选择方法,其特征在于,所述步骤4)中对每条人工鱼通过觅食、聚群、追尾和随机行为更新自己的位置具体方法如下:
觅食行为:设xi为人工鱼个体当前状态,对应的对焦评价函数值为yi;在其视野范围内随机选择一种状态xj,其对应的对焦评价函数值为yj,
xj=xi+Visual*rand()
如果yj>yi,则按照该方向作如下运动:
否则重新选择随机状态xj,继续对焦评价函数值判断,若反复几次,尝试次数超出最大尝试次数Try_number,则执行随机行为;
聚群行为:设xi为人工鱼个体当前状态,xc为当前邻域的同伴中心位置,nf为同伴数,dij<Visual,dij=||xi-xj||,人工鱼xi和xj之间的距离,n为人工鱼总数;如果对应对焦评价函数值yc>yi,且表示同伴中心有较高的食物浓度或较高的适应度函数值,且不是很拥挤,则向同伴中心作如下运动,
否则,执行捕食行为;
追尾行为:设xi为人工鱼个体当前状态,xj为当前领域内所有人工鱼中对焦评价函数值最大的个体状态,如果yj>yi,且表示同伴xj具有较高的食物浓度或较高的适应度函数值,且周围环境不是很拥挤,则向同伴xj作如下运动,
否则,执行捕食行为;
随机行为:在视野中随机选择一个状态,然后向这个状态移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810216051.6A CN108459406B (zh) | 2018-03-15 | 2018-03-15 | 基于人工鱼群算法的显微镜自动对焦窗口选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810216051.6A CN108459406B (zh) | 2018-03-15 | 2018-03-15 | 基于人工鱼群算法的显微镜自动对焦窗口选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108459406A CN108459406A (zh) | 2018-08-28 |
CN108459406B true CN108459406B (zh) | 2020-06-23 |
Family
ID=63236631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810216051.6A Expired - Fee Related CN108459406B (zh) | 2018-03-15 | 2018-03-15 | 基于人工鱼群算法的显微镜自动对焦窗口选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108459406B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442995A (zh) * | 2019-08-13 | 2019-11-12 | 江苏师范大学 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
CN111142253B (zh) * | 2019-12-05 | 2022-06-21 | 苏州大学 | 显微图像中的对焦窗口选择方法及装置 |
CN112446457B (zh) * | 2020-12-02 | 2023-07-18 | 中国计量大学 | 一种基于改进人工鱼群算法的气体泄漏源定位方法 |
CN112765882B (zh) * | 2021-01-15 | 2024-05-28 | 云南电网有限责任公司电力科学研究院 | Afsa与l-m融合算法的cvt等值参数辨识方法 |
CN113538052B (zh) * | 2021-07-20 | 2024-07-02 | 大文传媒集团(山东)有限公司 | 一种基于大数据的品牌影响力重构方法及系统 |
CN114599069B (zh) * | 2022-03-04 | 2024-01-23 | 河北师范大学 | 一种基于能量自收集的水下无线传感器网络路由方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
CN110097143A (zh) * | 2019-05-29 | 2019-08-06 | 上海海事大学 | 一种基于鱼群算法优化bp网络的齿轮箱故障诊断方法 |
-
2018
- 2018-03-15 CN CN201810216051.6A patent/CN108459406B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
CN110097143A (zh) * | 2019-05-29 | 2019-08-06 | 上海海事大学 | 一种基于鱼群算法优化bp网络的齿轮箱故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于自适应动态邻域结构的人工鱼群算法;龚波 等;《计算机工程与应用》;20141231;全文 * |
应用于聚焦窗口自适应选择的人工鱼群算法改进;王彦芳 等;《计算机工程与应用》;20110531;第181页第1栏第3段-182页最后一段 * |
Also Published As
Publication number | Publication date |
---|---|
CN108459406A (zh) | 2018-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108459406B (zh) | 基于人工鱼群算法的显微镜自动对焦窗口选择方法 | |
Zhu et al. | Autoassign: Differentiable label assignment for dense object detection | |
CN108389211B (zh) | 基于改进鲸鱼优化模糊聚类的图像分割方法 | |
CN109242878B (zh) | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 | |
JP2020038662A (ja) | 車線候補ピクセルを分類して車線を検出する学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置{learning method, learning device for detecting lane through classifying lane candidate pixels and test method, test device using the same} | |
CN101887584B (zh) | 一种基于适度随机搜索行为的多阈值图像分割方法 | |
CN111007661A (zh) | 一种基于深度学习的显微图像自动聚焦方法及装置 | |
CN107179077B (zh) | 一种基于elm-lrf的自适应视觉导航方法 | |
CN113799124B (zh) | 一种非结构化环境的机器人灵活抓取检测方法 | |
CN113239980B (zh) | 基于小样本机器学习与超参数优化的水下目标检测方法 | |
CN112215101A (zh) | 一种基于注意力机制的三维目标识别方法及系统 | |
CN114332166A (zh) | 基于模态竞争协同网络的可见光红外目标跟踪方法及装置 | |
CN111242971B (zh) | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 | |
CN111881919B (zh) | 一种基于追踪式格网剖分的线要素智能化简方法与装置 | |
Ma et al. | Object-level proposals | |
CN110096202A (zh) | 一种基于深度强化学习的轻量级图像自动裁剪系统及方法 | |
CN109886984B (zh) | 利用前后景灰度差和深度学习网络的图像精确分割方法 | |
CN117872262A (zh) | 基于改进coa的波达方向估计优化方法及系统 | |
CN117350929B (zh) | 一种基于改进元启发式算法的电力图像增强优化方法 | |
CN114241234A (zh) | 细粒度图像分类方法、装置、设备及介质 | |
CN117523359A (zh) | 一种基于强化学习的图像比对识别方法及设备 | |
CN112819832A (zh) | 基于激光点云的城市场景语义分割细粒度边界提取方法 | |
CN109325920B (zh) | 雾霾图像清晰化方法、系统及可存储介质 | |
Liu et al. | Real-time object detection in UAV vision based on neural processing units | |
JP2017054450A (ja) | 認識装置、認識方法及び認識用プログラム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200623 |