CN109447997A - 一种自适应文化算法的水下声纳图像目标分割方法 - Google Patents

一种自适应文化算法的水下声纳图像目标分割方法 Download PDF

Info

Publication number
CN109447997A
CN109447997A CN201811086885.6A CN201811086885A CN109447997A CN 109447997 A CN109447997 A CN 109447997A CN 201811086885 A CN201811086885 A CN 201811086885A CN 109447997 A CN109447997 A CN 109447997A
Authority
CN
China
Prior art keywords
space
algorithm
adaptive
population
sonar image
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
Application number
CN201811086885.6A
Other languages
English (en)
Inventor
王兴梅
李其明
刘安华
孙博轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Publication of CN109447997A publication Critical patent/CN109447997A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
    • G01S15/8977—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques using special techniques for image reconstruction, e.g. FFT, geometrical transformations, spatial deconvolution, time deconvolution
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

一种自适应文化算法的水下声纳图像目标分割方法涉及图像处理技术领域，具体涉及一种自适应文化算法的水下声纳图像目标分割方法。一种自适应文化算法的水下声纳图像目标分割方法。包括如下步骤：(1)基于黄金分割率的自适应过滤度参数选择的非局部空间信息平滑去噪处理；(2)在文化算法的种群空间中，将一种基于新搜索机制的量子衍生混合蛙跳算法作为种群空间的更新策略；(3)在文化算法的信念空间中，将自适应收缩扩张系数的量子粒子群算法作为信念空间的更新策略；(4)调整交流机制，使得算法对种群空间和信念空间的进化信息利用程度增加。本发明具有更好的寻优能力和提高搜索效率，能更好的提高分割精度，有一定的有效性和适应性。

Description

一种自适应文化算法的水下声纳图像目标分割方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种自适应文化算法的水下声纳图像目标分割 方法。
背景技术
近年来由于声纳成像具有作用距离远、穿透力强等优点，因而在水下地貌勘测，水雷探 测、坝基检测等领域得到了广泛的应用。水下目标识别技术包括图像去噪，目标分割、特征 提取以及分类等过程。由于受到海洋环境复杂性以及多种干扰因素的影响，水下声纳图像普 遍存在斑点噪声突出、对比度低、边缘细节模糊等问题，影响对图像的进一步处理。因此， 对水下声纳图像进行平滑去噪处理是必不可少的一步，它有利于后续的目标分割。水下声纳 图像目标分割的目的是要从复杂背景区中提取出目标高亮区和阴影区域，并尽量保留图像原 始边缘信息。目前，关于图像分割技术的研究很广泛，但在水下声纳图像领域研究较少。智 能优化算法具有鲁棒性强、适用性强、很好的全局搜索能力，是一种研究复杂优化问题较好 的解决方法。将智能优化算法与量子机制相结合，能提高种群多样性，扩大搜索范围，进一 步提高寻优能力，避免陷入局部最优解。因此，应用智能优化算法与量子机制相结合具有很 好的发展和应用前景，其中在已有的文献中最著名和效果的方法主要包括：1.一种基于量子 衍生自适应协同进化的最小属性约简方法：2013年Ding Weiping,Wang Jindong.A novel approach to minimum attribute reduction based onquantum-inspired self-adaptive cooperative co-evolution.Knowledge-BasedSystems,2013,50(3):1-13.提出基于量子 衍生混合蛙跳算法的属性集约简方法，提高种群的多样性。2.改进量子粒子群算法在高维和 多模态函数中的应用：2016年JinTian.Improvement of quantum-behaved particle swarm optimization algorithm forhigh-dimensional and multi-modal functions.Control and Decision,2016,11(31):1967-1972.提出将迭代次数作为影响收缩扩张系数变化的因素，使 收缩扩张系数在区间(0.5,1]内随着迭代次数的增加而线性减小。3.基于中性集合和量子行为 的粒子群优化算法的侧扫声纳图像分割：2016年Zhao Jianhu,Wang Xiao,Zhang Hongmei,Hu Jun,JianXiaomin.Side scan sonar image segmentation based on neutrosophic set andquantum-behaved particle swarm optimization algorithm.Marine GeophysicalResearch, 2016,37(3):229-241.提出了一种基于中性集合和量子粒子群优化的分割算法，有效地实现 侧扫声纳图像的分割。4.结合非局部空间信息和量子衍生混合蛙跳算法的水下声纳图像检测： 2017年Wang Xingmei,Liu Shu,Liu Zhipeng.Underwater sonarimage detection:A combination of non-local spatial information and quantum-inspired shuffled frog leaping algorithm.PLOS ONE,2017,12(5):1-30.提出一种自适应过滤度参数选择的非局 部空间信息去噪方法，改善了非局部空间信息对水下声纳图像的去噪效果。同时，将量子衍 生混合蛙跳算法与量子粒子群搜索机制相结合，完成水下声纳图像目标的检测。
在智能优化算法发展的同时，文化算法也渐渐的吸引了国内人研究学者的注意，它提供 的框架使得搜索精度和搜索效率有明显的改善。而智能优化算法被广泛应用于文化算法融合 过程中，使算法的搜索精度和搜索效率都得到更有效的提高。5.自适应文化量子粒子群的水 下声纳图像目标检测方法研究：2017年Wang Xingmei,Hao Wenqian,LiQiming.An Adaptive Cultural Algorithm with Improved Quantum-behaved ParticleSwarm Optimization for Sonar Image Detection.SCIENTIFIC REPORTS,2017,7:1-16.提出将量子粒子群算法和混 合蛙跳算法在文化算法框架进行融合，解决水下声纳图像目标分割问题。
发明内容
本发明的目的在于提供能分割精度高的一种自适应文化算法的水下声纳图像目标分割方 法。
一种自适应文化算法的水下声纳图像目标分割方法，包括以下步骤：
(1)提出采用基于黄金分割率的自适应过滤度参数选择的非局部空间信息去噪方法完成 水下声纳图像的平滑去噪处理；
(2)在文化算法的种群空间中，提出基于数据场理论的自适应初始化种群空间算法，并 将一种基于新搜索机制的量子衍生混合蛙跳算法作为种群空间的更新策略；
(3)在文化算法的信念空间中，将自适应收缩扩张系数的量子粒子群算法作为信念空间 的更新策略，并利用形势知识、规范知识和领域知识作为信念空间的知识更新；
(4)在接受函数中，采用基于种群空间青蛙个体自身经验的自适应接受比率，实现接受 比率的动态调节；在影响函数中，结合信念空间的形势知识、规范知识和领域知识改进影响 函数。
步骤(1)中对于每一幅水下声纳图像都存在过滤度参数集合H＝{hi|i∈NU}，hi为第i个 像素点对应的过滤度参数值，NU为图像上所有像素点的序号集合；设阈值[hmin,hmax]范围 内过滤度参数所在集合为H'，满足条件H'＝{hi|i∈NU∧hi≥hmin∧hi≤hmax}，集合H'的 势与集合H的势的比值η表示为采用20幅不同水下声纳图像对应的η作为原始 数据进行线性拟合，拟合曲线方程为y＝7.14e-06x+0.613，η的拟合结果近似分布在0.613 附近，在误差允许的范围内，过度参数分布的统计规律满足黄金分割率；水下声纳图像第i个 像素点对应的过滤度参数值hi为 x(Nj)表示邻域窗口Nj中所有灰度值组成的向量，x(Np)表示邻域窗口Np中所有灰度值组 成的向量，表示权重欧式距离。
在步骤(2)中文化算法的种群空间提出建立数据场，根据数据场自适应寻找最优阈值对 种群空间青蛙个体进行初始化；文化算法的种群空间将量子粒子群算法的量子机制与传统混 合蛙跳算法相结合，对局部吸引点和更新公式进行改进，利用基于新搜索机制的量子衍生混 合蛙跳算法作为种群空间的更新策略；文化算法种群空间的具体更新公式为：
子种群的局部吸引点为Mw(t)是子种群最差青蛙个体，Mb(t)是 子种群最优青蛙个体，Mg(t)是全局最优青蛙个体，t为当前局部迭代次数，μ1是区间[0,1]内 均匀分布的第一随机数，μ2是区间[0,1]内均匀分布的第二随机数，μ3是区间[0,1]内均匀分布 的第三随机数，β称为收缩扩张系数。
在步骤(3)中文化算法的信念空间，为提高粒子对于知识的利用程度以及算法收敛的精 度，将信念空间中粒子的适应度函数值以及迭代次数一并作为调整收缩扩张系数的控制因素， 利用自适应收缩扩张系数的量子粒子群算法作为信念空间的更新策略；文化算法信念空间的 具体更新公式为粒子的局部吸引点为 Ri(t)是信念空间中第i个粒子历史最优位置，G(t) 是信念空间中全局最优位置，mbest(t)是所有粒子的平均最优位置，自适应收缩扩张系数为 T为全局最大迭代次数，t为当前全局迭代次数，fpg为信念空间 中全局最优位置的适应度函数值，fpi为第i个粒子的适应度函数值，为信念空间中所有粒 子平均适应度函数值，fpw为信念空间中最差粒子的适应度函数值，k为第一参数。
在步骤(4)中，调整交流机制，使得算法对种群空间和信念空间的进化信息利用程度增 加。
所述步骤(4)中接受函数采用基于种群空间青蛙个体自身经验的自适应变化接受比率， 将种群空间质量与接受比率联系起来，使得接受比率自适应变化，实现接受比率的动态调节； 将信念空间的形势知识、规范知识和领域知识作为影响种群空间青蛙个体更新的控制因素， 并根据各知识的特性，改进影响函数。
所述步骤(4)中自适应变化的接受比率为 为种群空间中所有青蛙个 体平均适应度函数值，ffw为种群空间中最差青蛙个体的适应度函数值，ffi为第i个青蛙个体 的适应度函数值，N为种群空间青蛙个体总数；影响函数具体定义为S为形式知识，GT为领域知识存储信念空间粒子的重心位置，Mi(t)为种群空间中第i个青蛙个体，t为当前全局迭代次数， μ5和μ6均为区间[0,1]内均匀分布的随机数，bound1和bound2为信念空间粒子搜索到的位置 边界，fl为规范知识的下限，fu为规范知识的上限。
本发明的有益效果在于：
1、采用20幅不同水下原始声纳图像对应的集合H'的势与集合H的势的比值η作为原始 数据进行线性拟合，拟合曲线方程为y＝7.14e-06x+0.613，η的拟合结果近似分布在0.613 附近，在误差允许的范围内，验证过滤度参数分布的统计规律满足黄金分割率，完成基于黄 金分割率的自适应过滤度参数选择非局部空间信息的声纳图像平滑去噪处理。平滑去噪后的 声纳图像比原始声纳图像其目标高亮区和阴影区相对于海底混响区更加突出，有利于后续的 分割。
2、在文化算法的种群空间中，提出基于数据场理论的自适应初始化种群空间算法，解决 当初始值设定不当，会造成算法在迭代过程中陷入局部最优值，从而出现“早熟”现象，进 而提高最终的分割精度。
3、将量子粒子群算法的量子机制与传统混合蛙跳算法相结合，对局部吸引点和更新公式 进行改进，利用基于新搜索机制的量子衍生混合蛙跳算法作为种群空间的更新策略，提高寻 优能力。
4、在文化算法的信念空间中，为提高粒子对于知识的利用程度以及算法收敛的精度，将 信念空间中粒子的适应度函数值以及迭代次数一并作为调整收缩扩张系数的控制因素，利用 自适应收缩扩张系数的量子粒子群算法作为信念空间的更新策略。
5、针对交流机制，在接受函数中，采用基于种群空间青蛙个体自身经验的自适应变化接 受比率，将种群空间质量与接受比率联系起来，使得接受比率自适应变化，实现接受比率的 动态调节。在影响函数中，将信念空间的形势知识、规范知识和领域知识作为影响种群空间 青蛙个体更新的控制因素，并根据各知识的特性，改进影响函数，实现了信念空间对种群空 间青蛙个体进化的精确指导。调整交流机制，使得算法对种群空间和信念空间的进化信息利 用程度增加，能完成较精确的水下声纳图像目标分割。
附图说明
图1是本发明方法的流程图；
图2是非局部空间信息的搜索窗口和邻域窗口示意图；
图3A是第一原始水下声纳图像；
图3B是第一原始水下声纳图像的过滤度参数h等于均值时的去噪结果图；
图3C是第一原始水下声纳图像的过滤度参数h设置固定阈值时的去噪结果图；
图3D是第一原始水下声纳图像的过滤度参数h等于均值时，水下声纳图像上每个点对应 的过滤度参数值图；
图3E是第一原始水下声纳图像的过滤度参数h设置固定阈值时，水下声纳图像上每个点 对应的过滤度参数值图；
图4A是第二原始水下声纳图；
图4B是第二原始水下声纳图的过滤度参数h设置固定阈值时的去噪结果图；
图4C是第二原始水下声纳图的过滤度参数h设置固定阈值时，水下声纳图像上每个点对 应的过滤度参数值；
图5A是图3A估计的最佳阈值范[hmin,hmax]围图；
图5B是图4A估计的最佳阈值范[hmin,hmax]围图；
图6A是第三原始水下声纳图像；
图6B是第三原始水下声纳图像的估计的最佳阈值[hmin,hmax]范围；
图7A是第四原始水下声纳图像；
图7B是第四原始水下声纳图像的估计的最佳阈值[hmin,hmax]范围；
图8A是第五原始水下声纳图像；
图8B是第五原始水下声纳图像的估计的最佳阈值[hmin,hmax]范围；
图9A是第六原始水下声纳图像；
图9B是第六原始水下声纳图像的估计的最佳阈值[hmin,hmax]范围；
图10A是第七原始水下声纳图像；
图10B是第七原始水下声纳图像的估计的最佳阈值[hmin,hmax]范围；
图11A是第八原始水下声纳图像；
图11B是第八原始水下声纳图像的估计的最佳阈值[hmin,hmax]范围；
图12是基于表1中的数据线性拟合结果图；
图13A是基于图3A的去噪结果图；
图13B是图13A中过滤度参数h设置自适应阈值时，水下声纳图像上每个点对应的过滤 度参数值；
图13C是基于图4A的去噪结果图；
图13D是图13C中过滤度参数h设置自适应阈值时，水下声纳图像上每个点对应的过滤 度参数值；
图14A是基于图3E[hmin＝0.01,hmax＝0.05]和图13B阈值[Ghmin＝0.027,Ghmax＝0.048]的 过滤度参数h＝0.01时FCM的水下目标分割结果；
图14B是基于图3E[hmin＝0.01,hmax＝0.05]和图13B阈值[Ghmin＝0.027,Ghmax＝0.048]的 过滤度参数h＝0.027时FCM的水下目标分割结果；
图14C是基于图3E[hmin＝0.01,hmax＝0.05]和图13B阈值[Ghmin＝0.027,Ghmax＝0.048]的 过滤度参数h＝0.048时FCM的水下目标分割结果；
图14D是基于图3E[hmin＝0.01,hmax＝0.05]和图13B阈值[Ghmin＝0.027,Ghmax＝0.048]的 过滤度参数h＝0.05时FCM的水下目标分割结果；
图15A是基于图4C[hmin＝0.01,hmax＝0.05]和图13D阈值[Ghmin＝0.019,Ghmax＝0.032]的 过滤度参数h＝0.01时FCM的水下目标分割结果；
图15B是基于图4C[hmin＝0.01,hmax＝0.05]和图13D阈值[Ghmin＝0.019,Ghmax＝0.032]的 过滤度参数h＝0.019时FCM的水下目标分割结果；
图15C是基于图4C[hmin＝0.01,hmax＝0.05]和图13D[Ghmin＝0.019,Ghmax＝0.032]的过滤 度参数h＝0.032时FCM的水下目标分割结果；
图15D是基于图4C[hmin＝0.01,hmax＝0.05]和图13D[Ghmin＝0.019,Ghmax＝0.032]的过滤 度参数h＝0.05时FCM的水下目标分割结果。
图16是文化算法的框架示意图；
图17A是基于图13A的本发明提出NACA的水下目标分割结果；
图17B是基于图13A的QSFLA-NSM的水下目标分割结果；
图17C是基于图13A的ACA-IQPSO的水下目标分割结果；
图17D是基于图13A的TQSFLA的水下目标分割结果；
图17E是基于图13A的CPSO的水下目标分割结果；
图17F是基于图13A的TQPSO的水下目标分割结果；
图18是表2所对应的坐标图；
图19A是基于图13C的本发明提出NACA的水下目标分割结果；
图19B是基于图13C的QSFLA-NSM的水下目标分割结果；
图19C是基于图13C的ACA-IQPSO的水下目标分割结果；
图19D是基于图13C的TQSFLA的水下目标分割结果；
图19E是基于图13C的CPSO的水下目标分割结果；
图19F是基于图13C的TQPSO的水下目标分割结果；
图20是表3所对应的坐标图；
图21A是图17中各个算法第一次迭代结束后本发明提出NACA第一次迭代后的水下目 标分割结果；
图21B是图17中各个算法第一次迭代结束后QSFLA-NSM第一次迭代后的水下目标分割 结果；
图21C是图17中各个算法第一次迭代结束后ACA-IQPSO第一次迭代后的水下目标分割 结果；
图21D是图17中各个算法第一次迭代结束后TQSFLA第一次迭代后的水下目标分割结 果；
图21E是图17中各个算法第一次迭代结束后CPSO第一次迭代后的水下目标分割结果；
图21F是图17中各个算法第一次迭代结束后TQPSO第一次迭代后的水下目标分割结果；
图22A是图19中各个算法第一次迭代结束后本发明提出NACA第一次迭代后的水下目 标分割结果；
图22B是图19中各个算法第一次迭代结束后QSFLA-NSM第一次迭代后的水下目标分割 结果；
图22C是图19中各个算法第一次迭代结束后ACA-IQPSO第一次迭代后的水下目标分割 结果；
图22D是图19中各个算法第一次迭代结束后TQSFLA第一次迭代后的水下目标分割结 果；
图22E是图19中各个算法第一次迭代结束后CPSO第一次迭代后的水下目标分割结果；
图22F是图19中各个算法第一次迭代结束后TQPSO第一次迭代后的水下目标分割结果；
图23是水下目标分割的结果图(图像尺寸为112×117)，图23(a)是原始水下声纳图像， 图23(b)是本发明提出去噪方法的去噪结果，在此基础上，图23(c)本发明提出NACA的水下目标分割结果，图23(d)是QSFLA-NSM的水下目标分割结果，图23(e)是ACA-IQPSO 的水下目标分割结果，图23(f)是TQSFLA的水下目标分割结果，图23(g)是CPSO的水 下目标分割结果，图23(h)是TQPSO的水下目标分割结果；
图24是表4所对应的坐标图；
图25A是第九原始水下声纳图像；
图25B是第九原始水下声纳图像本发明提出去噪方法的去噪结果；
图25C是第九原始水下声纳图像本发明提出NACA的水下目标分割结果；
图26A是第十原始水下声纳图像；
图26B是第十原始水下声纳图像的本发明提出去噪方法的去噪结果；
图26C是第十原始水下声纳图像的本发明提出NACA的水下目标分割结果；
图27A是第十一原始水下声纳图像；
图27B是第十一原始水下声纳图像的本发明提出去噪方法的去噪结果；
图27C是第十一原始水下声纳图像的本发明提出NACA的水下目标分割结果。
具体实施方式
下面结合附图对本发明做进一步描述。
结合图1，本发明的具体步骤如下：
1基于黄金分割率的自适应过滤度参数选择的非局部空间信息平滑去噪处理
①非局部空间信息
计算非局部空间信息的值，需要定义两种方形窗口，分别是搜索窗口和邻域窗口，假设 方形搜索窗口的半径r＝2，邻域窗口的半径s＝1，图2是窗口示意图。
图2中{v1,v2,…,v25}组成了方形搜索窗口，v13为搜索窗口的中心点。而搜索窗口中每个 像素点均存在一个方形邻域窗口，如{v3,v4,v5,v8,v9,v10,v13,v14,v25}组成v9的邻域窗口。定义 X＝{x1,x2,…,xn}为包含n个像素点的声纳图像，其中xj表示第j个像素点的灰度值，对于第 j个像素点，它的非局部空间信息被定义为：
式中：表示以第j个像素点为中心，半径为r的方形搜索窗口。空间信息的值等于 方形搜索窗口中灰度值的加权平均值。权重wjp表示第j个像素点和第p个像素点的邻域 结构之间的相似性，满足以下条件：
0≤wjp≤1
权重wjp为：
式中：Nj表示以第j个像素点为中心，半径为s的 方形邻域窗口。Np表示以第p个像素点为中心，半径为s的方形邻域窗口。x(Nj)表示邻域窗口Nj中所有灰度值组成的向量，x(Np)表示邻域窗口Np中所有灰度值组成的向量。h为 过滤度参数，它控制指数函数的衰减。表示权重欧式距离，具体为：
式中：x(q)(Nj)表示向量x(Nj)中第q维的灰度值。
ρ(q)被定义为：
式中：d＝max(|yq-s-1|,|Zq-s-1|)，yq＝mod(q,(2s+1))，zq＝floor(q,(2s+1))+1。 (yq,zq)表示向量中第q维在方形邻域中的坐标。即，第j个像素点和第p个像素点在邻域结 构上越相似，对应的权重就会越大。
非局部空间空间信息来源于声纳图像上一个大的区域，而不是仅仅考虑第j个像素点 的邻域。理论上，搜索窗口的半径r越大，空间信息的利用就越充分，最终对噪声的消除效 果就会越好。但是在实际应用过程中，为了不过多地影响运行时间，半径r的取值不能太大。
②基于黄金分割率的自适应过滤度参数选择
过滤度参数h是一个至关重要的参数，它的选择一直是研究学者重点思考的问题。如果h 的值太大，会造成声纳图像细节信息的丢失，尤其是声纳图像的边界信息，而如果参数h的 值太小，则无法消除声纳图像中存在的噪声。对于第j个像素点，研究学者一般选择方形 搜索窗口中所有点到中心点加权欧式距离的均值，或者中值作为参数h的值。
图3A、3B、3C、3D、3E是基于非局部空间信息的去噪结果图图像尺寸为153×158。其中，图3A是原始水下声纳图像，图3B是过滤度参数h等于均值时的去噪结果图，图3C是过 滤度参数h设置固定阈值时的去噪结果图，图3D是过滤度参数h等于均值时，水下声纳图像 上每个点对应的过滤度参数值，图3E是过滤度参数h设置固定阈值时，水下声纳图像上每个点对应的过滤度参数值。从图3D可以看出，过滤度参数h的值，大部分均位于0.05以下， 但是仍然存在许多异常大的值，甚至有些像素点的参数值超过了0.1，最终这些异常大的值，会弱化图像的细节信息，特别是边缘信息，使得一些本来的噪声点被分割成目标，同时，为了保证去噪效果，过滤度参数h的值也不能取的太小。而图3E虽然考虑设置固定阈值 hmin＝0.01和hmax＝0.05，消除过小或过大的过滤度参数值，并且尽管阈值hmax＝0.05有效 的去除了较大的过滤度参数，在一定程度上保存了声纳图像的细节信息。但是因为阈值 hmin＝0.01并没有有效的去除较小的过滤度参数，所以水下声纳图像的噪声并没有被有效去除。
为了进一步说明设置固定阈值为hmin＝0.01和hmax＝0.05的局限性，给出另一幅悬浮目 标水下声纳图像，经过非局部空间信息去噪的结果图图像尺寸为277×325。其中，图4A是 原始水下声纳图像，图4B是过滤度参数h设置固定阈值时的去噪结果图，图4C是过滤度参 数h设置固定阈值时，水下声纳图像上每个点对应的过滤度参数值。设置固定阈值hmin＝0.01 和hmax＝0.05仅仅去除了非常小和非常大的过滤度参数，在一定程度会造成水下声纳图像的 细节信息丢失，影响后续目标分割结果。
为了有效去除水下声纳图像中的噪声，本发明根据20幅不同水下声纳图像过滤度参数h 分布的特点，进一步研究不同水下声纳图像的过滤度参数h分布满足的统计规律。图5是基 于图3A和图4A估计的最佳阈值[hmin,hmax]范围。其中，图5A是基于图3A估计的最佳阈值 [hmin,hmax]范围，图5B是基于图4A估计的最佳阈值[hmin,hmax]范围。图6至图11给出具 有其他不同特点的水下声纳图像估计的最佳阈值[hmin,hmax]范围。
从图5、6B、7B、8B、9B、10B和11B中可以看出，不同水下声纳图像过滤度参数h分布特点不同，最佳阈值[hmin,hmax]范围各不相同，采用线性拟合的方法，求解不同水下声纳图 像过滤度参数h分布满足的统计规律。对于每一幅水下声纳图像都存在过滤度参数集合H＝{hi|i∈NU}，hi为第i个像素点对应的过滤度参数值，NU为图像上所有像素点的序号集合。设阈值[hmin,hmax]范围内过滤度参数所在集合为H'，满足条件 H'＝{hi|i∈NU∧hi≥hmin∧hi≤hmax}。集合H'的势与集合H的势的比值η表示为：
根据20幅不同水下声纳图像过滤度参数h分布的特点，表1给出了估计的最佳阈值[hmin,hmax]范围和η值。
表1 20幅不同水下声纳图像估计的最佳阈值[hmin,hmax]范围和η值
采用表1水下声纳图像对应的η作为原始数据进行线性拟合，图12是基于表1中的数据 线性拟合结果图。
从图12中可以得到，拟合曲线方程为y＝7.14e-06x+0.613，η的拟合结果近似分布在 0.613附近，在误差允许的范围内，过度参数分布的统计规律满足黄金分割率。为了有效去 除噪声，本发明提出一种基于黄金分割率的自适应过滤度参数选择的非局部空间信息平滑去 噪处理方法，即阈值[hmin,hmax]根据过滤度参数h分布满足黄金分割率的统计规律自适应设 置，分别定义小于阈值hmin的过滤度参数集合H1＝{hi|i∈NU∧hi≤hmin}和大于阈值hmax 的过滤度参数集合H2＝{hi|i∈NU∧hi≥hmax}，在此基础上分别定义集合H1的势与集合H 的势的比值以及集合H2的势与集合H的势的比值将η1和η2与 进行比较，若超过误差允许的范围，则通过二分法不断更新阈值[hmin,hmax]的大小， 直到比较结果满足和时，更新阈值[hmin,hmax]过程结束，ε为设 定的误差允许的范围。将最终阈值[hmin,hmax]更新的结果定义为本发明提出的自适应阈值 [Ghmin,Ghmax]，进而完成水下声纳图像去噪处理。
水下声纳图像第i个像素点对应的过滤度参数值hi为：
式中：
为验证本发明提出的基于黄金分割率的自适应过滤度参数选择非局部空间信息去噪方法 的有效性。其中，图13A是基于图3A的去噪结果图，图13B是过滤度参数h设置自适应阈值 时，水下声纳图像上每个点对应的过滤度参数值，图13C是基于图4A的去噪结果图，图13D 是过滤度参数h设置自适应阈值时，水下声纳图像上每个点对应的过滤度参数值。从图13B 和图3E可以看出，本发明提出的基于黄金分割率的自适应过滤度参数选择非局部空间信息去 噪方法所求出的[Ghmin＝0.027,Ghmax＝0.048]相比于[hmin＝0.01,hmax＝0.05]更有效的去除 了较小的过滤度参数值，进一步改善了水下声纳图像去噪效果。从图13D和图4C可以看出， 本发明提出的基于黄金分割率的自适应过滤度参数选择非局部空间信息去噪方法所求出的 [Ghmin＝0.019,Ghmax＝0.032]相比于[hmin＝0.01,hmax＝0.05]更加有效的去除了较大或较小 的过滤度参数，保留图像的细节信。本发明利用相对简单的模糊C-均值聚类算法Fuzzy C-Means Algorithm，FCM进一步验证本发明的去噪方法能更有利于后续的水下目标分割，图 14是基于图3E阈值[hmin＝0.01,hmax＝0.05]和图13B阈值[Ghmin＝0.027,Ghmax＝0.048]的 FCM水下目标分割结果图。其中，图14A是过滤度参数h＝0.01时FCM的水下目标分割结果， 图14B是过滤度参数h＝0.027时FCM的水下目标分割结果，图14C是过滤度参数h＝0.048时 FCM的水下目标分割结果，图14D是过滤度参数h＝0.05时FCM的水下目标分割结果。图15A、 15B、15C、15D是基于图4C阈值[hmin＝0.01,hmax＝0.05]和图13D阈值 [Ghmin＝0.019,Ghmax＝0.032]的FCM水下目标分割结果图。其中，图15A是过滤度参数 h＝0.01时FCM的水下目标分割结果，图15B是过滤度参数h＝0.019时FCM的水下目标分割结 果，图15C是过滤度参数h＝0.032时FCM的水下目标分割结果，图15D是过滤度参数h等于 h＝0.05时FCM的水下目标分割结果。
从图14A和14B，15A和15B可以看出，与固定阈值hmin＝0.01相比，本发明提出的自适 应阈值Ghmin有效的去除了水下声纳图像的噪声。从图14C和D，15C和D可以看出，与固定阈值hmax＝0.05相比，本发明提出的自适应阈值Ghmax更有利于保存水下声纳图像信息，能更准确的定义较大过滤度参数h的界线。因此，本发明提出的基于黄金分割率的自适应过滤度参数选择的非局部空间信息平滑去噪处理方法，能更有效的去除较大和较小的过滤度参数， 即在一定程度上保留了水下声纳图像的细节信息又有效地去除了噪声。同时，目标高亮区和 阴影区相比与背景区更加突出，有利于后续的水下目标分割。
2文化算法框架
文化算法是一个有双层进化空间的模型，双层进化空间包括种群空间和信念空间。两个 空间拥有各自的进化过程，两个空间的交流机制是通过接受函数和影响函数完成的。在种群 空间，智能优化算法已经被作为种群空间进化策略去完成种群个体的进化过程，通过接受函 数，种群空间的个体可以将进化过程中的先进经验提供给信念空间。在信念空间，这些先进 经验可以转化为文化个体，并从这些个体中提取出用于指导种群空间个体进化的知识信息。 知识信息主要分为五类：包括形势知识、规范知识、历史知识、地形知识和领域知识。在信 念空间中采用一定的规则来更新知识信息，并通过影响函数作用于种群空间中来指导空间中 个体的进化。图16是文化算法的框架示意图。
3文化算法的种群空间
在文化算法的种群空间中，本发明提出基于数据场理论的自适应初始化种群空间算法， 解决当初始值设定不当，会造成算法在迭代过程中陷入局部最优值，从而出现“早熟”现象， 进而提高最终的分割精度；并将量子粒子群算法的量子机制与传统混合蛙跳算法相结合，对 局部吸引点和更新公式进行改进，利用基于新搜索机制的量子衍生混合蛙跳算法作为种群空 间的更新策略，提高寻优能力。
①基于数据场理论的自适应初始化种群空间算法
假定数据空间Ω中存在数据集R＝{R1,R2,…,RN}，第i个数据点表示为 Ri＝(Ri1,Ri2,…,RiD)，N是数据集的规模,D是数据点的维度，任何在数据集R中的数据点Ri， 都会对其周围的数据点产生影响。因此，所有在数据集R中的数据点通过相互作用形成了数 据场。在数据场中，数据点之间的相互作用是通过势函数进行衡量的。两个数据点之间距离 越近，两个数据点之间的相互作用越强，势函数值越大；而两个数据点之间的距离越远，它 们之间的相互作用越弱，势函数值越小。本发明根据原始水下声纳图像建立数据场，数据场 的势函数表示为：
式中：是数据点Ri＝(Ri1,Ri2)在阈值R*＝(R*1,R*2)处的势函数值，Ri1是第i个像素的 灰度值，Ri2是第i个像素邻域灰度值的平均值。是二维直方图对应的频率信息，||Ri-R*|| 是欧几里德距离，σ是影响因子。
数据场中所有的数据点在阈值R*处的势函数值为：
数据场中每一个数据点的影响半径是当计算所有数据点在阈值R*处的势函数值和 时，只需要计算以阈值R*为中心，以为半径区域内数据点在阈值R*处的势函数值和。有：
式中：Ο表示以阈值R*为中心，以为半径的区域。
影响因子σ与数据点在阈值R*处的势函数值计算结果密切相关，当影响因子σ设置较大 时，在一定区域内不同阈值处的势函数值将会变得非常接近，在寻找最优阈值时容易陷入局 部最优解；当影响因子σ设置较小时，数据点之间的相互作用将会变得十分微弱，势函数值 趋近于零，不利于后续求解最优阈值。本发明利用基于水下声纳图像灰度级别L和3σ原则对 影响因子σ进行估计的方法。
根据3σ原则有：
P(μ-3σ＜K≤μ+3σ)＝0.997
式中：K是水下声纳图像中的灰度值，
根据概率值近似认为区间(u-3σ,u+3σ]可以覆盖水下声纳图像中所有灰度值。因此，本 发明的影响因子估计值为：
由于熵能表示数据的不确定性，所以利用熵计算最优阈值。设定数据场尺寸为L×L，阈 值R*的范围是0≤R*1≤L-1和0≤R*2≤L-1。根据阈值R*，数据场上的所有数据点被划分为A 和B。A和B分别表示为A＝{(0,0),(0,1),…,(R*1,R*2)}和B＝{(R*1+1,R*2+1),…,(L-1,L-1)}。A 和B在阈值R*处对应的势函数值的概率分布分别为：
式中：
A和B的熵为：
在阈值R*处数据场后验熵的和表示为H(R*)＝H(A)+H(B)。当熵函数H(R*)取得最大值时的阈值即为求解得到的最优阈值。有：
本发明提出基于数据场理论的自适应初始化种群空间算法，能根据水下声纳图像的特点 确定初始化聚类中心的个数，解决初始化聚类中心在解空间随机生成的缺点，从而避免在迭 代过程中陷入局部最优值，出现“早熟”现象，进而能提高最终的分割精度。
根据数据点的影响半径可以得到最优阈值影响最大区域为Θ，数据场中势函数值 的分布根据不同的水下声纳图像而具有不同的分布特点，因此最优阈值的数量和位置也会在 一定程度上不同。本发明结合水下声纳图像包括目标高亮区、阴影区和背景区的特点以及最 大熵原理，自适应地对最优阈值进行求解。求解得到的最优阈值数量作为初始化聚类中心的 个数，并且每一次求解得到最优阈值时，在阈值对应的区域Θ中选择灰度值作为初始化聚类 中心的数值，完成对种群空间青蛙个体的初始化。
最优阈值的初始范围为U＝{(R*1,R*2)|0≤R*1≤L-1,0≤R*2≤L-1}，将第一次求解得到的 最优阈值定义为R1*，需要判断是否存在R1*影响区域外的其他最优阈值，在每一次获得最优 阈值范围后，需要更新最优阈值搜索范围，搜索范围的更新公式为：
U(num+1)＝U(num)-U*
式中：num是当前最优阈值的数量。
U*为：
式中：Rnum*1和Rnum*2是第num个最优阈值的坐标。
U的更新过程将一直持续，直到最优阈值坐标取值小于0或者大于L-1时结束，完成对 种群空间青蛙个体的初始化。
②基于新搜索机制的量子衍生混合蛙跳算法更新策略
种群空间的全部个体按照适应度函数值进行排序，并被划分成若干子种群。在每一个子 种群中进行局部搜索，在局部搜索完成后会将所有子种群的青蛙个体进行混合，完成全局信 息交换过程。
全体种群空间包含N个青蛙个体，整个青蛙种群为M＝{M1,M2,…,MN}，第i个青蛙个体为Mi＝(Mi1,Mi2,…,MiD)。其中，D是每一个青蛙的维度。每个青蛙个体按自身的适应函 数值进行降序排列，青蛙种群空间被划分为Q1个子种群，每一个子种群包含Q2个青蛙个体 N＝Q1×Q2。
子种群中最差青蛙个体被更新的过程叫做每个子种群局部搜索的过程，当子种群中最差 青蛙个体朝着子种群中最优青蛙个体进化时，更新公式为：
式中：Mw(t)是子种群最差青蛙个体，Mb(t)是子种群最优青蛙个体，Mg(t)是全局最优青蛙个体，t是当前局部迭代次数，μ1是在区间[0,1]内均匀分布的随机数，P(t)是子种群的局部吸引点，β是收缩扩张系数。
子种群的局部吸引点P(t)为：
式中：μ2和μ3是区间[0,1]内均匀分布的随机数。局部搜索过程将会一直持续，直到到达 最大局部迭代次数上限。
4文化算法的信念空间
①自适应收缩扩张系数的量子粒子群算法更新策略
针对复杂问题的寻优过程中很容易陷入局部最优解，导致算法的搜索效率降低问题，本 发明利用自适应收缩扩张系数的量子粒子群算法作为信念空间的更新策略，增加信念空间个 体的多样性并且提高搜索能力。
新的更新策略为：
式中：t是当前全局迭代次数，Ci(t)是第i个粒子的位置，Pm(t)是粒子的局部吸引点,β' 是自适应收缩扩张系数，控制算法的收敛速度，mbest(t)是所有粒子的平均最优位置，μ4是 区间[0,1]上均匀分布的随机数。
粒子的局部吸引点为：
式中：Ri(t)是信念空间中第i个粒子历史最优位置，G(t)是信念空间中全局 最优位置。
所有粒子的平均最优位置mbest(t)为：
式中：N是信念空间的规模。
自适应收缩扩张系数β'为：
式中：T为全局最大迭代次数，fpg为信念空间中全局最优位置的适应度函数值，fpi为第 i个粒子的适应度函数值，为信念空间中所有粒子平均适应度函数值，fpw为信念空间中最 差粒子的适应度函数值，k为参数，对粒子的收敛速度有重要影响，可以平衡迭代次数和粒 子适应度函数值之间的关系。
②空间知识更新
本发明利用形势知识、规范知识和领域知识作为信念空间的知识更新。
形势知识存储信念空间中的最优粒子。在种群空间每次进化完成后，接受函数选取较优 青蛙个体提交给信念空间，形势知识根据每次接受的较优青蛙个体完成自身更新。形势知识 用S表示，Yg(t)表示第t次信念空间搜索到的最优位置，更新公式为：
式中：fS(t)表示第t次形势知识的适应度函数值，fyg(t)为第t次Yg(t)的是适应度函数 值。
在信念空间中，规范知识用于描述问题的可行解空间，存储粒子搜索过程中的边界信息， 这些边界信息可以引导粒子个体向更好的区域搜索。规范知识的更新体现为可行搜索空间的 变化，随着迭代次数增加，搜索范围集中涵盖在优势区域。因此，当存在较优粒子个体超出 当前搜索范围时，更新规范化知识，其更新公式为：
式中：fl(t)为第t次规范知识的下限，fu(t)为第t次规范知识的上限。
领域知识的主要作用是静态或动态地引导种群空间青蛙个体沿预测的方向进化，记录较 好的进化趋势。在信念空间中，粒子的重心位置是粒子整体分布情况的反映。在每一次迭代 中，通过更新重心位置可快速获取信念空间的进化信息，从而提高算法的优化效率。因此， 本发明利用领域知识存储信念空间中粒子的重心位置，用于指导种群空间青蛙个体的进化。 重心位置GT被定义为：
5调整交流机制
①接受函数
接受函数是种群空间向信念空间传递信息的途径。在文化算法中，接受函数用来设定信 念空间接受种群空间青蛙个体的比率，可取固定值，或可以随着迭代次数线性变化。虽然与 取固定值相比，线性选取接受比率具有灵活性，但是这种方式仍然需要设定接受比率的取值 范围，而在解决不同问题时，接受比率的最合适取值范围不尽相同。因此，为进一步提高接 受比率设置的灵活性，本发明利用一种基于种群空间青蛙个体自身经验的自适应变化的接受 比率，根据每次迭代中青蛙个体整体情况选择接受比率。种群中青蛙个体整体质量越好，接 受比率越大。自适应变化的接受比率为：
式中：为种群空间中所有青蛙个体平均适应度函数值，ffw为种群空间中最差青蛙个 体的适应度函数值，ffi为第i个青蛙个体的适应度函数值，N为种群空间青蛙个体总数。
②影响函数
在文化算法中，影响函数通过选取知识信息指导种群空间中较差青蛙的进化，这些知识 信息决定种群空间青蛙个体的搜索步长和搜索方向。为提高信念空间对种群空间青蛙个体指 导的精确程度，本发明选取形势知识、规范知识和领域知识指导青蛙个体进化。其中，形势 知识和领域知识用来决定青蛙个体搜索的步长，规范知识用于决定青蛙个体的进化方向。当 种群中青蛙个体适应度函数值小于信念空间中规范知识的下限时，采用领域知识控制搜索步 长，当种群中青蛙个体适应度函数值小于规范知识的上限时，采用形势知识控制搜索步长， 否则，青蛙个体在解空间中随机搜索一个位置解。影响函数为：
式中：μ5和μ6均为区间[0,1]内均匀分布的随机数，bound1和bound2为信念空间粒子搜 索到的位置边界。
③最终完成较精确的水下声纳图像目标分割
调整交流机制，使得算法对种群空间和信念空间的进化信息利用程度增加，能完成较精 确的水下声纳图像目标分割。
为验证本发明提出的一种新的自适应文化算法New Adaptive CultureAlgorithm，NACA 的有效性，在提出基于黄金分割率的自适应过滤度参数选择的非局部空间信息平滑去噪处理 基础上，完成水下声纳图像的目标分割。并与基于新搜索机制的量子衍生混合蛙跳算法 Quantum-inspired Shuffled Frog Leaping Algorithm With NewSearch Mechanism，QSFLA-NSM、 自适应文化量子粒子群算法An Adaptive CulturalAlgorithm With Improved Quantum-behaved Particle Swarm Optimization，ACA-IQPSO、传统量子衍生混合蛙跳算法 Traditional Quantum-inspired Shuffled FrogLeaping Algorithm，TQSFLA、文化粒子群 算法Culture Particle Swarm OptimizationAlgorithm，CPSO和传统量子粒子群算法 Traditional Quantum-behaved Particle SwarmOptimization，TQPSO算法进行比较。相关 参数设置如下：NACA算法的聚类中心是根据提出的基于数据场理论的自适应初始化种群空 间算法自适应完成初始化的，QSFLA-NSM、ACA-IQPSO、TQSFLA、CPSO和TQPSO算法的聚类中 心均设置为3，种群空间规模设置为20，NACA、QSFLA-NSM和TQSFLA的子种群规模设置为5， NACA、ACA-IQPSO和CPSO的信念空间规模设置为8，最大全局迭代次数设置为10，NACA、 QSFLA-NSM和TQSFLA的最大局部迭代次数设置为2。
图17A、17B、17C、17D、17E、17F是在图13A的基础上，水下目标分割的结果图。其中，图17A是本发明提出NACA的水下目标分割结果，图17B是QSFLA-NSM的水下目标分割结果，图17C是ACA-IQPSO的水下目标分割结果，图17D是TQSFLA的水下目标分割结果，图17E是CPSO的水下目标分割结果，图17F是TQPSO的水下目标分割结果。
从图17A中可以看出，本发明提出的NACA算法可以获得更准确的水下目标分割结果， QSFLA-NSM、ACA-IQPSO、TQSFLA、CQPSO和TQPSO可以在一定程度上分割出水下目标高亮区 和阴影区，但是分割结果均含有较多的噪声，CQPSO和TQPSO噪声情况尤为严重。因此，通过对比实验可以看出，本发明提出的NACA算法可以对水下声纳图像进行更加有效的目标分割。
为进一步证明本发明提出NACA算法的优越性，表2给出10次迭代过程中最优适应度函 数值的变化情况。为了清晰直观的比较，表2所对应的坐标图如图18所示。
表2图17、17B、17C、17D、17E、17F中各分割算法最优适应度函数值的变化
本发明提出的NACA算法在第一次迭代后的适应度函数值远大于其他算法，说明提出的基 于数据场理论的自适应初始化种群空间算法具有一定的有效性。并且本发明提出的NACA算法 在整个迭代过程中的适应度函数值均为最大值，能够以较少的迭代次数完成收敛过程。因此， NACA算法最终得到的水下目标分割结果更加接近于全局最优解，具有更强的全局搜索能力和 较快的收敛速度。
图19A、19B、19C、19D、19E、19F是在图13C的基础上，水下目标分割的结果图。其中，图19A是本发明提出NACA的水下目标分割结果，图19B是QSFLA-NSM的水下目标分割结果，图19C是ACA-IQPSO的水下目标分割结果，图19D是TQSFLA的水下目标分割结果，图19E是CPSO的水下目标分割结果，图19F是TQPSO的水下目标分割结果。
表3给出10次迭代过程中最优适应度函数值的变化情况，表3所对应的坐标图如图20 所示。
表3图19A、19B、19C、19D、19E、19F中各分割算法最优适应度函数值的变化
迭代次数 NACA QSFLA-NSM ACA-IQPSO TQSFLA CPSO TQPSO
1 2.92 2.19 2.03 1.97 1.74 1.72
2 2.92 2.50 2.32 2.55 2.10 2.02
3 3.03 2.70 2.52 2.55 2.24 2.08
4 3.03 2.70 2.52 2.55 2.32 2.08
5 3.03 2.70 2.52 2.55 2.41 2.24
6 3.03 2.70 2.81 2.55 2.41 2.24
7 3.03 2.70 2.81 2.55 2.42 2.24
8 3.06 2.86 2.81 2.73 2.48 2.41
9 3.06 2.86 2.81 2.73 2.48 2.41
10 3.06 2.86 2.81 2.73 2.48 2.41
从图19、表3和图20中可以进一步看出，本发明提出的NACA算法可以有效地将目标高 亮区和阴影区从复杂背景环境中分割出来，获得更好的水下目标分割结果。并且最终得到的 水下目标分割结果更加接近于全局最优解，具有更强的全局搜索能力和较快的收敛速度。
为更有效地证明本发明提出的基于数据场理论的自适应初始化种群空间算法可以减少算 法陷入局部最优解的可能性，能使最终目标分割结果更加接近全局最优解。图21A、21B、21C、 21D、21E、21F是图17A、17B、17C、17D、17E、17F中各个算法第一次迭代结束后水下目标 分割结果，图22A、22B、22C、22D、22E、22F是图19A、19B、19C、19D、19E、19F中各个算法第一次迭代结束后水下目标分割结果。
本发明提出的NACA算法第一次迭代后水下目标分割结果，与最终迭代结束后水下目标分 割结果基本相同，第一次迭代结束后的适应度函数值与最终迭代完成后的适应度函数值十分 接近。因此本发明提出基于数据场理论的自适应初始化种群空间算法可以有效的避免算法陷 入局部最优解，加快算法收敛速度，有助于获得更加准确的目标分割结果。
为了进一步证明本发明算法的有效性和适应性，图23A、23B、23C、23D、23E、23F、23G、 23H是水下目标分割的结果图图像尺寸为112×117。其中，图23A是原始水下声纳图像，图 23B是本发明提出去噪方法的去噪结果图，在此基础上，图23C本发明提出NACA的水下目标 分割结果，图23D是QSFLA-NSM的水下目标分割结果，图23E是ACA-IQPSO的水下目标分割 结果，图23F是TQSFLA的水下目标分割结果，图23G是CPSO的水下目标分割结果，图23H是TQPSO的水下目标分割结果。
表4给出10次迭代过程中最优适应度函数值的变化情况，表4所对应的坐标图如图24 所示。
表4图23A、23B、23C、23D、23E、23F、23G、23H中各分割算法最优适应度函数值的变化
迭代次数 NACA QSFLA-NSM ACA-IQPSO TQSFLA CPSO TQPSO
1 2.34 2.18 2.00 1.96 1.79 2.07
2 2.45 2.18 2.00 2.08 1.95 2.07
3 2.53 2.21 2.00 2.08 2.10 2.17
4 2.53 2.21 2.13 2.31 2.10 2.17
5 2.56 2.21 2.13 2.34 2.16 2.17
6 2.58 2.43 2.13 2.34 2.23 2.17
7 2.58 2.43 2.27 2.34 2.23 2.18
8 2.58 2.43 2.27 2.34 2.25 2.21
9 2.58 2.43 2.27 2.34 2.25 2.21
10 2.58 2.43 2.27 2.34 2.25 2.21
本发明提出的NACA算法可以从复杂的背景区中更好的分割出目标高亮区和阴影区，有效 的保留水下声纳图像的边缘信息。尽管图23D和图23F中，QSFLA-NSM和TQSFLA算法的分 割结果也可以在一定程度上分割出目标高亮区和阴影区，但是未能对阴影区进行准确分割。 在图23E、图23G和图23H中，算法仅仅在一定程度上分割出部分目标高亮区，目标分割结 果存在大量的噪声，未能获得理想的目标分割结果。本发明提出的NACA算法在第一次迭代后 的适应度函数值远大于其他算法，进一步证明本发明提出的基于数据场理论的自适应初始化 种群空间算法可以更有效的降低陷入局部最优解的概率，增大寻找全局最优解的可能性，有 效避免算法出现早熟现象。
图25A、25B、25C是海底海床的分割结果图图像尺寸为259×368。其中，图25A是原始 水下声纳图像，图25B是本发明提出去噪方法的去噪结果，图25C是本发明提出NACA的水下 目标分割结果。图26A、26B、26C是海底沉船的分割结果图图像尺寸为393×218。其中，图26A是原始水下声纳图像，图26B是本发明提出去噪方法的去噪结果，图26C是本发明提出NACA的水下目标分割结果。图27A、27B、27C是水下沉底目标的分割结果图图像尺寸为203×101。其中，图27A是原始水下声纳图像，图27B是本发明提出去噪方法的去噪结果，图 27C是本发明提出NACA的水下目标分割结果。
本发明提出NACA算法可以有效去除水下声纳图像上的噪声，并能相对精确的分割出目标 高亮区和阴影区，具有一定的有效性和适应性。因此，通过以上实验分析可得，本发明提出 一种新的自适应文化算法的水下声纳图像目标分割方法，能在有效去除水下声纳图像噪声的 基础上，较好的完成水下声纳图像的目标分割，具有更好的寻优能力和提高搜索效率，能更 好的提高分割精度，能为后续的特征提取和识别提供更好的前提条件。
本发明提供的是一种新的自适应文化算法的水下声纳图像目标分割方法。包括如下步骤： (1)基于黄金分割率的自适应过滤度参数选择的非局部空间信息平滑去噪处理；(2)在文化 算法的种群空间中，提出基于数据场理论的自适应初始化种群空间算法，并将一种基于新搜 索机制的量子衍生混合蛙跳算法作为种群空间的更新策略；(3)在文化算法的信念空间中， 将自适应收缩扩张系数的量子粒子群算法作为信念空间的更新策略，并利用形势知识、规范 知识和领域知识作为信念空间的知识更新；(4)调整交流机制，使得算法对种群空间和信念 空间的进化信息利用程度增加，能完成较精确的水下声纳图像目标分割。本发明为了取得更 好的水下声纳图像目标的分割效果，提出一种新的自适应文化算法的水下声纳图像目标分割 方法。即采用基于黄金分割率的自适应过滤度参数选择的非局部空间信息去噪方法完成水下 声纳图像的平滑去噪处理；在此基础上，在文化算法的种群空间中，建立数据场，根据数据 场自适应寻找最优阈值对种群空间青蛙个体进行初始化，并采用基于新搜索机制的量子衍生 混合蛙跳算法作为种群空间的更新策略；在文化算法的信念空间中，利用自适应收缩扩张系 数的量子粒子群算法作为信念空间的更新策略，并利用形势知识、规范知识和领域知识作为 信念空间的知识更新；针对交流机制，调整接受函数和影响函数，最终完成较精确的水下声 纳图像目标分割。本发明提出一种新的自适应文化算法的水下声纳图像目标分割方法，能在 有效去除水下声纳图像噪声的基础上，较好的完成水下声纳图像的目标分割，具有更好的寻 优能力和提高搜索效率，能更好的提高分割精度，有一定的有效性和适应性。
本发明的目的是这样实现的：包括如下步骤：
(1)提出采用基于黄金分割率的自适应过滤度参数选择的非局部空间信息去噪方法完成 水下声纳图像的平滑去噪处理；
(2)在文化算法的种群空间中，提出基于数据场理论的自适应初始化种群空间算法，并 将一种基于新搜索机制的量子衍生混合蛙跳算法作为种群空间的更新策略；
(3)在文化算法的信念空间中，将自适应收缩扩张系数的量子粒子群算法作为信念空间 的更新策略，并利用形势知识、规范知识和领域知识作为信念空间的知识更新；
(4)调整交流机制：①在接受函数中，采用基于种群空间青蛙个体自身经验的自适应接 受比率，实现接受比率的动态调节；②在影响函数中，结合信念空间的形势知识、规范知识 和领域知识改进影响函数，实现了信念空间对种群空间青蛙个体进化的精确指导；③最终完 成较精确的水下声纳图像目标分割。
本发明还可以包括：
1、在步骤(1)中对于每一幅水下声纳图像都存在过滤度参数集合H＝{hi|i∈NU}，hi为 第i个像素点对应的过滤度参数值，NU为图像上所有像素点的序号集合。设阈值[hmin,hmax] 范围内过滤度参数所在集合为H'，满足条件H'＝{hi|i∈NU∧hi≥hmin∧hi≤hmax}。
2、所述步骤(1)中集合H'的势与集合H的势的比值η表示为当采用20幅不同水下声纳图像对应的η作为原始数据进行线性拟合时，拟合曲线方程为 y＝7.14e-06x+0.613，η的拟合结果近似分布在0.613附近，在误差允许的范围内，过度参 数分布的统计规律满足黄金分割率。
3、所述步骤(1)中水下声纳图像第i个像素点对应的过滤度参数值hi为x(Nj)表示邻域窗口Nj中所有灰度值组成的向量，x(Np)表示邻域窗口Np中所有灰度值组成的向量，表示权重欧式距离。
4、在步骤(2)中文化算法的种群空间提出建立数据场，根据数据场自适应寻找最优阈 值对种群空间青蛙个体进行初始化。
5、所述步骤(2)中文化算法的种群空间将量子粒子群算法的量子机制与传统混合蛙跳 算法相结合，对局部吸引点和更新公式进行改进，利用基于新搜索机制的量子衍生混合蛙跳 算法作为种群空间的更新策略。
6、所述步骤(2)中文化算法种群空间的具体更新公式为子种群的局部吸引点为Mw(t)是子种群最差青蛙个体，Mb(t)是子种群最优青蛙个体，Mg(t)是全局最优青蛙个体，t为当前局部迭代次数，μ1、μ2和μ3是区间[0,1]内均匀分布的随机数，β称为收缩扩张系数。
7、在步骤(3)中文化算法的信念空间，为提高粒子对于知识的利用程度以及算法收敛 的精度，将信念空间中粒子的适应度函数值以及迭代次数一并作为调整收缩扩张系数的控制 因素，利用自适应收缩扩张系数的量子粒子群算法作为信念空间的更新策略。
8、所述步骤(3)中文化算法信念空间的具体更新公式为粒子的局部吸引点为Ri(t)是信念空间中第i个粒子历史最优位置，G(t) 是信念空间中全局最优位置，mbest(t)是所有粒子的平均最优位置，自适应收缩扩张系数为 T为全局最大迭代次数，t为当前全局迭代次数，fpg为信念空间中全局 最优位置的适应度函数值，fpi为第i个粒子的适应度函数值，为信念空间中所有粒子平均 适应度函数值，fpw为信念空间中最差粒子的适应度函数值，k为参数，对粒子的收敛速度有 重要影响。
9、在步骤(4)中，调整交流机制，使得算法对种群空间和信念空间的进化信息利用程 度增加，能完成较精确的水下声纳图像目标分割。
10、所述步骤(4)中接受函数采用基于种群空间青蛙个体自身经验的自适应变化接受比 率，将种群空间质量与接受比率联系起来，使得接受比率自适应变化，实现接受比率的动态 调节。将信念空间的形势知识、规范知识和领域知识作为影响种群空间青蛙个体更新的控制 因素，并根据各知识的特性，改进影响函数，实现了信念空间对种群空间青蛙个体进化的精 确指导。
11、所述步骤(4)中自适应变化的接受比率为 为种群空间中所有青 蛙个体平均适应度函数值，ffw为种群空间中最差青蛙个体的适应度函数值，ffi为第i个青蛙 个体的适应度函数值，N为种群空间青蛙个体总数。
12、所述步骤(4)中影响函数的具体表达式为S为形式知识，GT为领域知识存储信念空间粒子的重心位置，Mi(t)为种群空间中第i个青蛙个体，t为当前全局迭代次数，μ5和μ6均为区间[0,1]内均匀分布的随机数，bound1和bound2为信念空间粒子搜索到的位置边界，fl为规范知识的下限，fu为规范知识的上限。
本发明与现有技术相比的优点在于：a.提出采用基于黄金分割率的自适应过滤度参数选 择的非局部空间信息去噪方法完成水下原始声纳图像的平滑去噪处理。在非局部空间信息的 计算过程中，过滤度参数h的设置非常重要，h控制着非局部空间信息中权重函数的衰减， 进而影响非局部空间信息的计算结果。如果选择的过滤度参数值h太大，会造成声纳图像细 节信息丢失；若选择的过滤度参数值h过小，则无法有效地消除声纳图像中的噪声。为解决 这一问题，应根据声纳图像过滤度参数分布的统计规律自适应的设置阈值，去除过大或过小 的过滤度参数。本发明采用20幅不同水下原始声纳图像对应的集合H'的势与集合H的势的 比值η作为原始数据进行线性拟合，拟合曲线方程为y＝7.14e-06x+0.613，η的拟合结果近似 分布在0.613附近，在误差允许的范围内，验证过滤度参数分布的统计规律满足黄金分割率， 完成基于黄金分割率的自适应过滤度参数选择非局部空间信息的声纳图像平滑去噪处理。平 滑去噪后的声纳图像比原始声纳图像其目标高亮区和阴影区相对于海底混响区更加突出，有 利于后续的分割。b.在文化算法的种群空间中，提出基于数据场理论的自适应初始化种群空 间算法，解决当初始值设定不当，会造成算法在迭代过程中陷入局部最优值，从而出现“早 熟”现象，进而提高最终的分割精度。c.将量子粒子群算法的量子机制与传统混合蛙跳算法 相结合，对局部吸引点和更新公式进行改进，利用基于新搜索机制的量子衍生混合蛙跳算法 作为种群空间的更新策略，提高寻优能力。d.在文化算法的信念空间中，为提高粒子对于知 识的利用程度以及算法收敛的精度，将信念空间中粒子的适应度函数值以及迭代次数一并作 为调整收缩扩张系数的控制因素，利用自适应收缩扩张系数的量子粒子群算法作为信念空间 的更新策略。e.针对交流机制，在接受函数中，采用基于种群空间青蛙个体自身经验的自适 应变化接受比率，将种群空间质量与接受比率联系起来，使得接受比率自适应变化，实现接 受比率的动态调节。在影响函数中，将信念空间的形势知识、规范知识和领域知识作为影响 种群空间青蛙个体更新的控制因素，并根据各知识的特性，改进影响函数，实现了信念空间 对种群空间青蛙个体进化的精确指导。调整交流机制，使得算法对种群空间和信念空间的进 化信息利用程度增加，能完成较精确的水下声纳图像目标分割。

Claims (7)

1.一种自适应文化算法的水下声纳图像目标分割方法，其特征是，包括以下步骤：
(1)提出采用基于黄金分割率的自适应过滤度参数选择的非局部空间信息去噪方法完成水下声纳图像的平滑去噪处理；
(2)在文化算法的种群空间中，提出基于数据场理论的自适应初始化种群空间算法，并将一种基于新搜索机制的量子衍生混合蛙跳算法作为种群空间的更新策略；
(3)在文化算法的信念空间中，将自适应收缩扩张系数的量子粒子群算法作为信念空间的更新策略，并利用形势知识、规范知识和领域知识作为信念空间的知识更新；
(4)在接受函数中，采用基于种群空间青蛙个体自身经验的自适应接受比率，实现接受比率的动态调节；在影响函数中，结合信念空间的形势知识、规范知识和领域知识改进影响函数。
2.根据权利要求1所述的一种自适应文化算法的水下声纳图像目标分割方法，其特征是：所述的步骤(1)中对于每一幅水下声纳图像都存在过滤度参数集合H＝{hi|i∈NU}，hi为第i个像素点对应的过滤度参数值，NU为图像上所有像素点的序号集合；设阈值[hmin,hmax]范围内过滤度参数所在集合为H'，满足条件H'＝{hi|i∈NU∧hi≥hmin∧hi≤hmax}，集合H'的势与集合H的势的比值η表示为采用20幅不同水下声纳图像对应的η作为原始数据进行线性拟合，拟合曲线方程为y＝7.14e-06x+0.613，η的拟合结果近似分布在0.613附近，在误差允许的范围内，过度参数分布的统计规律满足黄金分割率；水下声纳图像第i个像素点对应的过滤度参数值hi为 x(Nj)表示邻域窗口Nj中所有灰度值组成的向量，x(Np)表示邻域窗口Np中所有灰度值组成的向量，表示权重欧式距离。
3.根据权利要求1所述的一种自适应文化算法的水下声纳图像目标分割方法，其特征是：在步骤(2)中文化算法的种群空间提出建立数据场，根据数据场自适应寻找最优阈值对种群空间青蛙个体进行初始化；文化算法的种群空间将量子粒子群算法的量子机制与传统混合蛙跳算法相结合，对局部吸引点和更新公式进行改进，利用基于新搜索机制的量子衍生混合蛙跳算法作为种群空间的更新策略；文化算法种群空间的具体更新公式为子种群的局部吸引点为Mw(t)是子种群最差青蛙个体，Mb(t)是子种群最优青蛙个体，Mg(t)是全局最优青蛙个体，t为当前局部迭代次数，μ1是区间[0,1]内均匀分布的第一随机数，μ2是区间[0,1]内均匀分布的第二随机数，μ3是区间[0,1]内均匀分布的第三随机数，β称为收缩扩张系数。
4.根据权利要求1所述的一种自适应文化算法的水下声纳图像目标分割方法，其特征是：在步骤(3)中文化算法的信念空间，为提高粒子对于知识的利用程度以及算法收敛的精度，将信念空间中粒子的适应度函数值以及迭代次数一并作为调整收缩扩张系数的控制因素，利用自适应收缩扩张系数的量子粒子群算法作为信念空间的更新策略；文化算法信念空间的具体更新公式为粒子的局部吸引点为Ri(t)是信念空间中第i个粒子历史最优位置，G(t)是信念空间中全局最优位置，mbest(t)是所有粒子的平均最优位置，自适应收缩扩张系数为T为全局最大迭代次数，t为当前全局迭代次数，fpg为信念空间中全局最优位置的适应度函数值，fpi为第i个粒子的适应度函数值，为信念空间中所有粒子平均适应度函数值，fpw为信念空间中最差粒子的适应度函数值，k为第一参数。
5.根据权利要求1所述的一种自适应文化算法的水下声纳图像目标分割方法，其特征是：在步骤(4)中，调整交流机制，使得算法对种群空间和信念空间的进化信息利用程度增加。
6.根据权利要求1或5所述的一种自适应文化算法的水下声纳图像目标分割方法，其特征是：所述步骤(4)中接受函数采用基于种群空间青蛙个体自身经验的自适应变化接受比率，将种群空间质量与接受比率联系起来，使得接受比率自适应变化，实现接受比率的动态调节；将信念空间的形势知识、规范知识和领域知识作为影响种群空间青蛙个体更新的控制因素，并根据各知识的特性，改进影响函数。
7.根据权利要求1或6所述的一种自适应文化算法的水下声纳图像目标分割方法，其特征是：所述步骤(4)中自适应变化的接受比率为 为种群空间中所有青蛙个体平均适应度函数值，ffw为种群空间中最差青蛙个体的适应度函数值，ffi为第i个青蛙个体的适应度函数值，N为种群空间青蛙个体总数；影响函数具体定义为S为形式知识，GT为领域知识存储信念空间粒子的重心位置，Mi(t)为种群空间中第i个青蛙个体，t为当前全局迭代次数，μ5和μ6均为区间[0,1]内均匀分布的随机数，bound1和bound2为信念空间粒子搜索到的位置边界，fl为规范知识的下限，fu为规范知识的上限。
CN201811086885.6A 2018-09-01 2018-09-18 一种自适应文化算法的水下声纳图像目标分割方法 Pending CN109447997A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811017329 2018-09-01
CN2018110173293 2018-09-01

Publications (1)

Publication Number Publication Date
CN109447997A true CN109447997A (zh) 2019-03-08

Family

ID=65530402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811086885.6A Pending CN109447997A (zh) 2018-09-01 2018-09-18 一种自适应文化算法的水下声纳图像目标分割方法

Country Status (1)

Country Link
CN (1) CN109447997A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264471A (zh) * 2019-05-21 2019-09-20 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
CN110532867A (zh) * 2019-07-23 2019-12-03 浙江工业大学 一种基于黄金分割法的人脸图像聚类方法
CN111596683A (zh) * 2020-04-19 2020-08-28 西北工业大学 基于文化算法框架的多无人飞行器协同航迹双层优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105405118A (zh) * 2015-10-16 2016-03-16 哈尔滨工程大学 基于量子衍生混合蛙跳的水下声纳图像目标检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105405118A (zh) * 2015-10-16 2016-03-16 哈尔滨工程大学 基于量子衍生混合蛙跳的水下声纳图像目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WANG XINGMEI 等: "《Underwater Sonar Image Detection: A Novel Quantum-Inspired Shuffled Frog Leaping Algorithm》", 《CHINESE JOURNAL OF ELECTRONICS》 *
XINGMEI WANG 等: "《An Adaptive Cultural Algorithm with Improved Quantum-behaved Particle Swarm Optimization for Sonar Image Detection》", 《SCIENTIFIC REPORTS》 *
XINGMEI WANG 等: "《Underwater sonar image detection: A combination of non-local spatial information and quantum-inspired shuffled frog leaping algorithm》", 《PLOS ONE》 *
YI ZHANG等: "《Pixel-wise decay parameter adaption for nonlocal means image denoising》", 《JOURNAL OF ELECTRONIC IMAGING》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264471A (zh) * 2019-05-21 2019-09-20 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
WO2020233084A1 (zh) * 2019-05-21 2020-11-26 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
CN110532867A (zh) * 2019-07-23 2019-12-03 浙江工业大学 一种基于黄金分割法的人脸图像聚类方法
CN110532867B (zh) * 2019-07-23 2022-06-17 浙江工业大学 一种基于黄金分割法的人脸图像聚类方法
CN111596683A (zh) * 2020-04-19 2020-08-28 西北工业大学 基于文化算法框架的多无人飞行器协同航迹双层优化方法

Similar Documents

Publication Publication Date Title
CN110321813B (zh) 基于行人分割的跨域行人重识别方法
CN103871029B (zh) 一种图像增强及分割方法
Chander et al. A new social and momentum component adaptive PSO algorithm for image segmentation
CN110335290A (zh) 基于注意力机制的孪生候选区域生成网络目标跟踪方法
CN103996209B (zh) 一种基于显著性区域检测的红外舰船目标分割方法
CN109447997A (zh) 一种自适应文化算法的水下声纳图像目标分割方法
CN105405136A (zh) 一种基于粒子群算法的自适应脊柱ct图像分割方法
CN104182772A (zh) 一种基于深度学习的手势识别方法
CN113486764B (zh) 一种基于改进的YOLOv3的坑洼检测方法
CN104217422B (zh) 一种自适应窄带水平集的声纳图像检测方法
CN103761726B (zh) 基于fcm的分块自适应图像分割方法
CN109492636B (zh) 基于自适应感受野深度学习的目标检测方法
CN111860587B (zh) 一种用于图片小目标的检测方法
Liu et al. Exploiting sample correlation for crowd counting with multi-expert network
CN104134221A (zh) 一种基于自适应遗传算法和otsu算法的图像分割方法
Dey et al. Genetic algorithm-tuned entropy-based fuzzy C-means algorithm for obtaining distinct and compact clusters
CN116452862A (zh) 基于领域泛化学习的图像分类方法
Kanungo et al. Parallel genetic algorithm based adaptive thresholding for image segmentation under uneven lighting conditions
CN112053378B (zh) 一种改进的pso优化pcnn模型的图像分割算法
CN116935133B (zh) 一种基于spect图像识别的心血管病分类方法及系统
CN102184524B (zh) 基于规范切的邻域学习文化基因图像分割方法
CN106157278A (zh) 基于改进遗传算法的阈值图像分割方法
CN116433690A (zh) 一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法
CN109978218A (zh) 一种基于协同聚类策略的多模分布估计优化方法
Yang et al. A novel prototype reduction method for the K-nearest neighbor algorithm with K≥ 1

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: 20190308