CN108596912A - 基于改进人工雨滴优化法的图像多阈值分割方法 - Google Patents
基于改进人工雨滴优化法的图像多阈值分割方法 Download PDFInfo
- Publication number
- CN108596912A CN108596912A CN201810254341.XA CN201810254341A CN108596912A CN 108596912 A CN108596912 A CN 108596912A CN 201810254341 A CN201810254341 A CN 201810254341A CN 108596912 A CN108596912 A CN 108596912A
- Authority
- CN
- China
- Prior art keywords
- raindrop
- threshold
- individual
- image
- fitness function
- 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
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于改进人工雨滴优化法的图像多阈值分割方法,由图像预处理、设定目标函数、用改进人工雨滴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,得到图像的灰度图。雨滴的初始位置分布在灰度图的像素大小边界值范围内,以大津法作为本方法的适应度函数,确定每滴雨滴初始位置的适应度函数值。每一滴雨滴在经过雨滴下降、雨滴碰撞、雨滴汇聚的过程,不断产生新个体并更新雨滴池,经过多次迭代后,找到全局最优的分割阈值,对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的多阈值分割。
Description
技术领域
本发明属于图像处理技术领域,具体涉及到图像多阈值分割。
背景技术
数字图像中目标的提取和分割在计算机视觉领域中应用广泛,目标提取是指在一幅图像中把人们感兴趣的目标与背景分割开来。图像的分割是图像目标提取常用的一种方法,图像分割又分为图像阈值分割、图像边界分割和图像区域分割。图像阈值分割利用图像中的目标区域与背景区域在灰度特性上的差异,选取一个比较合理的阈值,将图像中每个像素点划分到目标区域或背景区域中,生成二值图像,从而对图像进行分割,方法简单易实现,且图像分割效果较好。图像多阈值分割需要在图像灰度范围内找到一个最佳阈值组合,使图像分割效果最好,如何找到最佳的阈值组合则是一个函数优化问题。
目前越来较多的智能优化算法如粒子群优化方法、萤火虫群优化方法等被提出并应用于解决图像多阈值分割问题,搜寻最佳阈值组合效果较好,但目前群智能优化方法用于图像多阈值分割问题仍然存在耗时较长,精度不高等问题。
在图像处理技术领域,当前需迫切解决的技术问题是提供一种图像多阈值分割耗时低、精度高的基于改进人工雨滴优化法的图像多阈值分割方法。
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,提供一种图像多阈值分割耗时低、精度高的基于改进人工雨滴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
将读入图像进行灰度化处理,得到灰度图,为待分割图像。
(2)设定目标函数
选取大津法作为目标函数,大津法由下式确定:
其中,Fi(t1,t2,...,tD)为第i个个体的适应度函数值,i为有限的正整数,t1,t2,...,tD为分割阈值,ω0为ω1为为μ0为μ1为μD为pc是像素值为c的概率,D是阈值个数,为有限正整数;td为最佳分割阈值,d为1,2,…,D,其中0≤t1≤t2...≤tD≤255,应使D+1个类间的总方差最大,即
(3)用改进人工雨滴优化法寻找最佳阈值
1)确定适应度函数值
根据公式(1)和雨滴初始位置Xi,确定适应度函数值Fi,雨滴计数i为1~N,N是雨滴的种群规模为有限正整数,Xi为第i个雨滴的初始位置。
2)种群划分
根据适应度函数值的大小,确定当前迭代次数中全局最优个体,记为BXg,满足:
F(BXg)=max(Fi) (2)
其中g是迭代计数为1~M,M是最大用雨量、为10000~30000,确定其他雨滴与最优个体间的距离差Hg,i为:
其中,i是雨滴计数,D是阈值个数、为有限正整数,为第g次迭代中第i个个体的第d维,为最优个体BXg的第d维;根据Hg,i大小对个体排序并平均划分为m组,每组个体数为m是种群分组数为3~10,N是雨滴的种群规模为有限正整数。
3)更新最优个体
根据每组内每个个体的适应度函数值确定权重Si,由权重值确定新个体NewXg:
其中Fi是雨滴i的适应度函数值,N为种群规模,m为分组数,更新组内最优个体BestXg的其中一维
其中r1、r2、r3、r4是随机产生的1~D之间的整数,是第g次迭代中最优个体BestXg的第r1维,是第g次迭代中新个体NewX的第r2维,是第g次迭代中新个体NewX的第r3维,是第g次迭代中新个体NewX的第r4维,φ是[-1,1]之间的随机数。
4)雨滴碰撞更新
根据每组内的最优个体BestXg,即最优雨滴,更新其他个体位置NXg,i:
NXg,i=BestXg+sign(α-0.5)·log(β)·(BestXg-Xg,i) (7)
其中α、β是(0,1)之间的随机数,Xg,i是第g次迭代中个体i更新前的位置。
5)雨滴流动更新
碰撞后的雨滴流动,位置再次更新,流动后的雨滴位置为NTXg,i:
NTXg,i=NXg,i+C1·a·(BXg,i-NXg,i)+C2·b·(Xg,rand×N-NXg,i) (8)
其中NXg,i是第g次迭代中雨滴i碰撞后更新的位置,BXg是第g次迭代中原始最优个体的位置,Xg,rand×N是第g次迭代中初始雨滴种群中的随机个体,rand是随机函数,N是种群规模,C1是雨滴流动算子第一个系数为1~3,C2是雨滴流动算子第二个系数为1~3,a、b是(0,1)之间的随机数。
6)雨滴种群更新
根据公式(1)确定第g次迭代中初始雨滴Xi适应度函数值与流动后雨滴NTXg,i适应度函数值并排序,取适应度函数值较大的前N个个体作为下一次迭代的新雨滴种群。
7)更新全局最佳阈值
重复上述1)~6)步骤,获得全局最优值,比较新一组的组内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,直到达到最大用雨量M或全局最佳阈值已连续40~70次未更新,此时的全局最优值为图像多阈值分割的最佳阈值。
(4)图像多阈值分割
将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。
在本发明步骤(3)的步骤1)中,所述的雨滴的种群规模N至少为30。
在本发明步骤(3)的步骤2)、3)中,所述的种群分组数m为5。
在本发明步骤(3)的步骤5)中,所述的雨滴流动算子第一个系数C1为2、雨滴流动算子第二个系数C2为2。
在本发明步骤(3)的更新全局最佳阈值步骤7)中,迭代停止条件设为全局最佳阈值已连续未更新次数设为50次。
在本发明的步骤(2)中,所述的D是阈值个数,D的取值范围为3~5。
本发明采用了自然界雨滴下落后经过碰撞、流动而汇聚于地面雨滴池的原理,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,得到图像的灰度图。雨滴的初始位置分布在灰度图的像素大小边界值范围内,以最大类间方差法作为适应度函数,确定每滴雨滴初始位置的适应度函数值。每一滴雨滴在经过雨滴下降、雨滴碰撞、雨滴汇聚的过程,不断产生新个体并更新雨滴池,经过多次迭代后,找到全局最优的分割阈值,对灰度图像进行多阈值分割。与现有的图像分割技术相比,具有分割速度快、分割阈值精确准确度高等优点,可用于彩色图像和灰度图像的多阈值分割。
附图说明
图1是实施例1的流程图。
图2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3是编号为3215的原图的3阈值分割的结果图。
图4是伯克利数据集中编号为97033的原图。
图5是编号为97033的原图4阈值分割的结果图。
图6是伯克利数据集中编号为55067的原图。
图7是编号为55067的原图5阈值分割的结果图。
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的实施例。
实施例1
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,大小为480×360,见图2,基于改进人工雨滴优化法的图像多阈值方法步骤如下:
(1)图像预处理
图1给出了本实施例的流程图。将读入图像进行灰度化处理,得到灰度图,为待分割图像。
(2)设定目标函数
选取大津法作为目标函数,大津法由下式确定:
其中,Fi(t1,t2,...,tD)为第i个个体的适应度函数值,i为有限的正整数,t1,t2,...,tD为分割阈值,ω0为ω1为为μ0为μ1为μD为pc是像素值为c的概率,D是阈值个数、为3;td为最佳分割阈值,d为1,2,3,其中0≤t1≤t2...≤tD≤255,应使4个类间的总方差最大,即
(3)用改进人工雨滴优化法寻找最佳阈值
1)确定适应度函数值
根据公式(1)和雨滴初始位置Xi,确定适应度函数值Fi,雨滴计数i为1~N,N是雨滴的种群规模为30,Xi为第i个雨滴的初始位置。
2)种群划分
根据适应度函数值的大小,确定当前迭代次数中全局最优个体,记为BXg,满足:
F(BXg)=max(Fi) (2)
其中g是迭代计数为1~M,M是最大用雨量、为20000,确定其他雨滴与最优个体间的距离差Hg,i为:
其中,i是雨滴计数,D是阈值个数、为3,为第g次迭代中第i个个体的第d维。根据Hg,i大小对个体排序并平均划分为m组,每组个体数为m是种群分组数为5,N是雨滴的种群规模为30。
3)更新最优个体
根据每组内每个个体的适应度函数值确定权重Si,由权重值确定新个体NewXg:
其中Fi是雨滴i的适应度函数值,N是种群规模、为30,m是分组数、为5,更新组内最优个体BestXg的其中一维
其中r1、r2、r3、r4是随机产生的1~D之间的整数,本实施例的D为3,是第g次迭代中最优个体BestXg的第r1维,是第g次迭代中新个体NewX的第r2维,是第g次迭代中新个体NewX的第r3维,是第g次迭代中新个体NewX的第r4维,φ是[-1,1]之间的随机数。
4)雨滴碰撞更新
根据每组内的最优个体BestXg,即最优雨滴,更新其他个体位置NXg,i:
NXg,i=BestXg+sign(α-0.5)·log(β)·(BestXg-Xg,i) (7)
其中α、β是(0,1)之间的随机数,Xg,i是第g次迭代中个体i更新前的位置。
5)雨滴流动更新
碰撞后的雨滴流动,位置再次更新,流动后的雨滴位置为NTXg,i:
NTXg,i=NXg,i+C1·a·(BXg,i-NXg,i)+C2·b·(Xg,rand×N-NXg,i) (8)
其中NXg,i是第g次迭代中雨滴i碰撞后更新的位置,BXg是第g次迭代中原始最优个体的位置,Xg,rand×N是第g次迭代中初始雨滴种群中的随机个体,rand是随机函数,N是种群规模,C1是雨滴流动算子第一个系数为2,C2是雨滴流动算子第二个系数为2,a、b是(0,1)之间的随机数。
6)雨滴种群更新
根据公式(1)确定第g次迭代中初始雨滴Xi适应度函数值与流动后雨滴NTXg,i适应度函数值并排序,取适应度函数值较大的前30个个体作为下一次迭代的新雨滴种群。
7)更新全局最佳阈值
重复上述1)~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,直到达到最大用雨量20000或全局最佳阈值已连续50次未更新,此时的全局最优值为(44,90,152),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(44,90,152)对待分割的灰度图像进行多阈值分割,多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3。
实施例2
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,大小为480×360,基于改进人工雨滴优化法的图像多阈值方法步骤如下:
(1)图像预处理
该步骤与实施例1相同。
(2)设定目标函数
该步骤与实施例1相同。
(3)用改进人工雨滴优化法寻找最佳阈值
1)确定适应度函数值
根据公式(1)和雨滴初始位置Xi,确定适应度函数值Fi,雨滴计数i为1~N,N是雨滴的种群规模为40,Xi为第i个雨滴的初始位置。
2)种群划分
根据适应度函数值的大小,确定当前迭代次数中全局最优个体,记为BXg,满足:
F(BXg)=max(Fi) (2)
其中g是迭代计数为1~M,M是最大用雨量、为10000,确定其他雨滴与最优个体间的距离差Hg,i为:
其中,i是雨滴计数,D是阈值个数、为3,为第g次迭代中第i个个体的第d维。根据Hg,i大小对个体排序并平均划分为m组,每组个体数为m是种群分组数为3,N是雨滴的种群规模为40。
3)更新最优个体
根据每组内每个个体的适应度函数值确定权重Si,由权重值确定新个体NewXg:
其中Fi是雨滴i的适应度函数值,N是种群规模、为40,m是分组数、为3,更新组内最优个体BestXg的其中一维
其中r1、r2、r3、r4是随机产生的1~D之间的整数,本实施例的D为3,是第g次迭代中最优个体BestXg的第r1维,是第g次迭代中新个体NewX的第r2维,是第g次迭代中新个体NewX的第r3维,是第g次迭代中新个体NewX的第r4维,φ是[-1,1]之间的随机数。
4)雨滴碰撞更新
该步骤与实施例1相同。
5)雨滴流动更新
碰撞后的雨滴流动,位置再次更新,流动后的雨滴位置为NTXg,i:
NTXg,i=NXg,i+C1·a·(BXg,i-NXg,i)+C2·b·(Xg,rand×N-NXg,i) (8)
其中NXg,i是第g次迭代中雨滴i碰撞后更新的位置,BXg是第g次迭代中原始最优个体的位置,Xg,rand×N是第g次迭代中初始雨滴种群中的随机个体,rand是随机函数,N是种群规模,C1是雨滴流动算子第一个系数为1,C2是雨滴流动算子第二个系数为1,a、b是(0,1)之间的随机数。
6)雨滴种群更新
根据公式(1)确定第g次迭代中初始雨滴Xi适应度函数值与流动后雨滴NTXg,i适应度函数值并排序,取适应度函数值较大的前40个个体作为下一次迭代的新雨滴种群。
7)更新全局最佳阈值
重复上述1)~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,直到达到最大用雨量10000或全局最佳阈值已连续40次未更新,此时的全局最优值为(44,90,152),为图像多阈值分割的最佳阈值。
其他步骤与实施例1相同。
实施例3
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,大小为480×360,基于改进人工雨滴优化法的图像多阈值方法步骤如下:
(1)图像预处理
该步骤与实施例1相同。
(2)设定目标函数
该步骤与实施例1相同。
(3)用改进人工雨滴优化法寻找最佳阈值
1)确定适应度函数值
根据公式(1)和雨滴初始位置Xi,确定适应度函数值Fi,雨滴计数i为1~N,N是雨滴的种群规模为50,Xi为第i个雨滴的初始位置。
2)种群划分
根据适应度函数值的大小,确定当前迭代次数中全局最优个体,记为BXg,满足:
F(BXg)=max(Fi) (2)
其中g是迭代计数为1~M,M是最大用雨量、为30000,确定其他雨滴与最优个体间的距离差Hg,i为:
其中,i是雨滴计数,D是阈值个数、为3,为第g次迭代中第i个个体的第d维。根据Hg,i大小对个体排序并平均划分为m组,每组个体数为m是种群分组数为10,N是雨滴的种群规模为50。
3)更新最优个体
根据每组内每个个体的适应度函数值确定权重Si,由权重值确定新个体NewXg:
其中Fi是雨滴i的适应度函数值,N是种群规模、为50,m是分组数、为10,更新组内最优个体BestXg的其中一维
其中r1、r2、r3、r4是随机产生的1~D之间的整数,本实施例的D为3,是第g次迭代中最优个体BestXg的第r1维,是第g次迭代中新个体NewX的第r2维,是第g次迭代中新个体NewX的第r3维,是第g次迭代中新个体NewX的第r4维,φ是[-1,1]之间的随机数。
4)雨滴碰撞更新
该步骤与实施例1相同。
5)雨滴流动更新
碰撞后的雨滴流动,位置再次更新,流动后的雨滴位置为NTXg,i:
NTXg,i=NXg,i+C1·a·(BXg,i-NXg,i)+C2·b·(Xg,rand×N-NXg,i) (8)
其中NXg,i是第g次迭代中雨滴i碰撞后更新的位置,BXg是第g次迭代中原始最优个体的位置,Xg,rand×N是第g次迭代中初始雨滴种群中的随机个体,rand是随机函数,N是种群规模,C1是雨滴流动算子第一个系数为3,C2是雨滴流动算子第二个系数为3,a、b是(0,1)之间的随机数。
6)雨滴种群更新
根据公式(1)确定第g次迭代中初始雨滴Xi适应度函数值与流动后雨滴NTXg,i适应度函数值并排序,取适应度函数值较大的前50个个体作为下一次迭代的新雨滴种群。
7)更新全局最佳阈值
重复上述1)~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,直到达到最大用雨量30000或全局最佳阈值已连续70次未更新,此时的全局最优值为(44,90,152),为图像多阈值分割的最佳阈值。
其他步骤与实施例1相同。
实施例4
以伯克利数据集中图像为例,编号为97033,大小为481×321,见图4,基于改进人工雨滴优化法的图像多阈值方法步骤如下:
本实施例的步骤(1)与实施例1相同。
在本实施例的步骤(2)中,D是阈值个数、为4,其他步骤与实施例1相同。
在本实施例的步骤(3)的步骤2)、3)中,D是阈值个数、为4,步骤1)、步骤4)~6)与实施例1相同。在步骤7)中,重复上述1)~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,直到达到最大用雨量20000或全局最佳阈值已连续50次未更新,此时的全局最优值为(50,93,145,209),为图像多阈值分割的最佳阈值。
在本实施例的步骤(4)中,根据搜寻的最佳阈值(50,93,145,209)对待分割的灰度图像进行多阈值分割,多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5。
实施例5
以伯克利数据集中图像为例,编号为55067,大小为481×321,见图6,基于改进人工雨滴优化法的图像多阈值方法步骤如下:
本实施例的步骤(1)与实施例1相同。
在本实施例的步骤(2)中,D是阈值个数、为5,其他步骤与实施例1相同。
在本实施例的步骤(3)的步骤2)、3)中,D是阈值个数、为5,步骤1)、步骤4)~6)与实施例1相同。在步骤7)中,重复上述1)~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,直到达到最大用雨量20000或全局最佳阈值已连续50次未更新,此时的全局最优值为(42,81,107,138,182),为图像多阈值分割的最佳阈值。
在本实施例的步骤(4)中,根据搜寻的最佳阈值(42,81,107,138,182)对待分割的灰度图像进行多阈值分割,多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7。
Claims (6)
1.一种基于改进人工雨滴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
将读入图像进行灰度化处理,得到灰度图,为待分割图像;
(2)设定目标函数
选取大津法作为目标函数,大津法由下式确定:
其中,Fi(t1,t2,...,tD)为第i个个体的适应度函数值,i为有限的正整数,t1,t2,...,tD为分割阈值,ω0为ω1为ωD为μ0为μ1为μD为pc是像素值为c的概率,D是阈值个数,为有限正整数;td为最佳分割阈值,d为1,2,…,D,其中0≤t1≤t2...≤tD≤255,应使D+1个类间的总方差最大,即
(3)用改进人工雨滴优化法寻找最佳阈值
1)确定适应度函数值
根据公式(1)和雨滴初始位置Xi,确定适应度函数值Fi,雨滴计数i为1~N,N是雨滴的种群规模为有限正整数,Xi为第i个雨滴的初始位置;
2)种群划分
根据适应度函数值的大小,确定当前迭代次数中全局最优个体,记为BXg,满足:
F(BXg)=max(Fi) (2)
其中g是迭代计数为1~M,M是最大用雨量、为10000~30000,确定其他雨滴与最优个体间的距离差Hg,i为:
其中,i是雨滴计数,D是阈值个数、为有限正整数,为第g次迭代中第i个个体的第d维,为最优个体BXg的第d维;根据Hg,i大小对个体排序并平均划分为m组,每组个体数为m是种群分组数为3~10,N是雨滴的种群规模为有限正整数;
3)更新最优个体
根据每组内每个个体的适应度函数值确定权重Si,由权重值确定新个体NewXg:
其中Fi是雨滴i的适应度函数值,N为种群规模,m为分组数,更新组内最优个体BestXg的其中一维
其中r1、r2、r3、r4是随机产生的1~D之间的整数,是第g次迭代中最优个体BestXg的第r1维,是第g次迭代中新个体NewX的第r2维,是第g次迭代中新个体NewX的第r3维,是第g次迭代中新个体NewX的第r4维,φ是[-1,1]之间的随机数;
4)雨滴碰撞更新
根据每组内的最优个体BestXg,即最优雨滴,更新其他个体位置NXg,i:
NXg,i=BestXg+sign(α-0.5)·log(β)·(BestXg-Xg,i) (7)
其中α、β是(0,1)之间的随机数,Xg,i是第g次迭代中个体i更新前的位置;
5)雨滴流动更新
碰撞后的雨滴流动,位置再次更新,流动后的雨滴位置为NTXg,i:
NTXg,i=NXg,i+C1·a·(BXg,i-NXg,i)+C2·b·(Xg,rand×N-NXg,i) (8)
其中NXg,i是第g次迭代中雨滴i碰撞后更新的位置,BXg是第g次迭代中原始最优个体的位置,Xg,rand×N是第g次迭代中初始雨滴种群中的随机个体,rand是随机函数,N是种群规模,C1是雨滴流动算子第一个系数为1~3,C2是雨滴流动算子第二个系数为1~3,a、b是(0,1)之间的随机数;
6)雨滴种群更新
根据公式(1)确定第g次迭代中初始雨滴Xi适应度函数值与流动后雨滴NTXg,i适应度函数值并排序,取适应度函数值较大的前N个个体作为下一次迭代的新雨滴种群;
7)更新全局最佳阈值
重复上述1)~6)步骤,获得全局最优值,比较新一组的组内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,直到达到最大用雨量M或全局最佳阈值已连续40~70次未更新,此时的全局最优值为图像多阈值分割的最佳阈值;
(4)图像多阈值分割
将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所述的基于改进人工雨滴优化法的图像多阈值分割方法,其特征在于:在步骤(3)的步骤1)中,所述的雨滴的种群规模N至少为30。
3.根据权利要求1所述的基于改进人工雨滴优化法的图像多阈值分割方法,其特征在于:在步骤(3)的步骤2)、3)中,所述的种群分组数m为5。
4.根据权利要求1所述的基于改进人工雨滴优化法的图像多阈值分割方法,其特征在于:在步骤(3)的步骤5)中,所述的雨滴流动算子第一个系数C1为2、雨滴流动算子第二个系数C2为2。
5.根据权利要求1所述的基于改进人工雨滴优化法的图像多阈值分割方法,其特征在于:在步骤(3)的更新全局最佳阈值步骤7)中,迭代停止条件设为全局最佳阈值已连续未更新次数设为50次。
6.根据权利要求1所述的基于改进人工雨滴优化法的图像多阈值分割方法,其特征在于:在步骤(2)中,所述的D是阈值个数,D的取值范围为3~5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810254341.XA CN108596912A (zh) | 2018-03-26 | 2018-03-26 | 基于改进人工雨滴优化法的图像多阈值分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810254341.XA CN108596912A (zh) | 2018-03-26 | 2018-03-26 | 基于改进人工雨滴优化法的图像多阈值分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596912A true CN108596912A (zh) | 2018-09-28 |
Family
ID=63624649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810254341.XA Pending CN108596912A (zh) | 2018-03-26 | 2018-03-26 | 基于改进人工雨滴优化法的图像多阈值分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596912A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886979A (zh) * | 2019-02-27 | 2019-06-14 | 安徽理工大学 | 基于改进布谷鸟优化法的图像多阈值分割方法 |
CN113763409A (zh) * | 2021-08-27 | 2021-12-07 | 南通大学 | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408455A (zh) * | 2014-11-27 | 2015-03-11 | 上海理工大学 | 粘连字符分割方法 |
CN105225251A (zh) * | 2015-09-16 | 2016-01-06 | 三峡大学 | 基于机器视觉的超视距海上运动目标快速识别与定位装置及方法 |
CN107358619A (zh) * | 2017-09-07 | 2017-11-17 | 陕西师范大学 | 基于鸡群优化法的图像多阈值分割方法 |
CN107590815A (zh) * | 2017-09-07 | 2018-01-16 | 陕西师范大学 | 基于萤火虫群优化法的图像多阈值分割方法 |
-
2018
- 2018-03-26 CN CN201810254341.XA patent/CN108596912A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408455A (zh) * | 2014-11-27 | 2015-03-11 | 上海理工大学 | 粘连字符分割方法 |
CN105225251A (zh) * | 2015-09-16 | 2016-01-06 | 三峡大学 | 基于机器视觉的超视距海上运动目标快速识别与定位装置及方法 |
CN107358619A (zh) * | 2017-09-07 | 2017-11-17 | 陕西师范大学 | 基于鸡群优化法的图像多阈值分割方法 |
CN107590815A (zh) * | 2017-09-07 | 2018-01-16 | 陕西师范大学 | 基于萤火虫群优化法的图像多阈值分割方法 |
Non-Patent Citations (2)
Title |
---|
QIAOYONG JIANG等: "《The performance comparison of a new version of artificial raindrop algorithm on global numerical optimization》", 《NEUROCOMPUTING》 * |
梁建慧 等: "《基于鸡群优化算法的SAR图像快速分割》", 《HTTPS://KNS.CNKI.NET/KCMS/DETAIL/51.1196.TP.20170901.1733.020.HTML》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886979A (zh) * | 2019-02-27 | 2019-06-14 | 安徽理工大学 | 基于改进布谷鸟优化法的图像多阈值分割方法 |
CN113763409A (zh) * | 2021-08-27 | 2021-12-07 | 南通大学 | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145713B (zh) | 一种结合目标检测的小目标语义分割方法 | |
CN108288035A (zh) | 基于深度学习的多通道图像特征融合的人体动作识别方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN101976438B (zh) | 基于空间邻域信息的fcm纹理图像分割方法 | |
CN103150731B (zh) | 一种模糊聚类图像分割方法 | |
CN106408039A (zh) | 一种基于形变方法进行数据扩展的脱机手写汉字识别方法 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN107358619A (zh) | 基于鸡群优化法的图像多阈值分割方法 | |
CN105447492B (zh) | 一种基于二维局部二值模式的图像描述方法 | |
CN107590815A (zh) | 基于萤火虫群优化法的图像多阈值分割方法 | |
CN108038435A (zh) | 一种基于卷积神经网络的特征提取与目标跟踪方法 | |
CN110751606B (zh) | 一种基于神经网络算法的泡沫图像处理方法及系统 | |
CN104156945A (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
CN103473813B (zh) | 一种三维模型构件的自动提取方法 | |
CN106447673A (zh) | 一种非均匀光照条件下的芯片引脚提取方法 | |
CN108596912A (zh) | 基于改进人工雨滴优化法的图像多阈值分割方法 | |
CN114972370A (zh) | 一种用于神经网络推理的遥感图像自适应分割方法 | |
CN110222772B (zh) | 一种基于块级别主动学习的医疗图像标注推荐方法 | |
Zhao et al. | A real-time typhoon eye detection method based on deep learning for meteorological information forensics | |
CN1975762A (zh) | 一种皮肤检测方法 | |
CN104299233A (zh) | 基于超像素块的蜂群和灰色关联算法的sar图像分割方法 | |
CN109272522B (zh) | 一种基于局部特征的图像细化分割方法 | |
CN105809200B (zh) | 一种生物启发式自主抽取图像语义信息的方法及装置 | |
CN106909881A (zh) | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 |
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: 20180928 |