CN109949312A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109949312A CN109949312A CN201910106860.6A CN201910106860A CN109949312A CN 109949312 A CN109949312 A CN 109949312A CN 201910106860 A CN201910106860 A CN 201910106860A CN 109949312 A CN109949312 A CN 109949312A
- Authority
- CN
- China
- Prior art keywords
- particle
- component
- search
- boundary
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000006978 adaptation Effects 0.000 title claims abstract description 37
- 238000005192 partition Methods 0.000 title claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 154
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000003709 image segmentation Methods 0.000 claims abstract description 18
- 230000008901 benefit Effects 0.000 claims description 36
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 17
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008707 rearrangement Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 240000005636 Dryobalanops aromatica Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 235000020985 whole grains Nutrition 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了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，所述方法包括：计算待分割图像的灰度直方图；根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值；根据所述最优灰度阈值对所述待分割图像进行分割。本发明通过对算法在搜索过程中产生的信息本身进行分析，避免了需要对搜索过程中违反排序的个体进行重新排序修复的问题，因而避免了耗费额外的运算资源，并且保留了搜索过程中产生的优秀个体的分量序列，从而有效提高了算法的搜索效率，进而改进图像分割方法，有效提升了图像分割技术的优化效率。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及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。
背景技术
人类从外部获取信息，绝大部分是通过视觉，而通过视觉获得的信息主要包括各类图像和视频等，因此相应的图像图形处理对于人类的信息交换具有重要的意义。
图像特征提取和识别等的前期重要处理包括图像分割，对图像进行分割后，才能有效开展后期的图像分析和图像理解等工作。图像分割有多种方法，其中的阈值分割法因实现简单、运算效率高而成为一种被广泛使用的图像分割方法，而阈值的确定是阈值分割法的最终分割效果的关键。
在一幅图像的多峰直方图的全灰度范围内搜索一个最佳的多阈值组合能使得分割结果更准确，但是采用常规的穷举搜索的过程需要消耗大量的时间和运算资源，这无法满足图像分割对实时性的要求，严重地阻碍了阈值分割法的进一步发展。因此，现有的基于最大类间方差等各种准则的阈值分割方法，采用了包括遗传算法、蚁群算法、粒子群算法等启发式算法来搜索满足相应准则的搜索方法，这样虽然不一定能搜索到全局最优解，但是能以较少的时间得到一个次优解，这在大部分应用中都是可以接受的。然而目前基于这些启发式算法的多阈值分割方法存在着或收敛速度慢，或容易早熟收敛等缺陷。
另一方面，在采用整数编码时，每一个维度的分量代表一个阈值，而由于阈值之间虽然要满足顺序排列的条件，但是由于其取值并不存在确定的边界值，然而现有的方法都将每一维的阈值取值范围都设定为图像灰度的全范围，显而易见地，这样会在搜索过程中产生违反顺序排列的个体而需要进行重新排序来修复，这不但会消耗额外的时间，而且容易破坏优秀个体在某些维度上的稳定性，尤其是在阈值数较大时，算法的搜索效率较低，因此在大量的图像并行处理时存在明显的劣势。
综上，目前基于启发式算法来实现图像多阈值分割的技术存在着优化效率不高的缺陷。
发明内容
本发明实施例提供了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，以解决现有的图像分割方法优化效率不高的技术问题，从而改进图像分割方法，以提升图像分割技术的优化效率。
为了解决上述技术问题，本发明实施例提供了一种基于搜索边界自适应调整算法的图像分割方法，包括以下步骤：
计算待分割图像的灰度直方图；
根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值；
根据所述最优灰度阈值对所述待分割图像进行分割。
进一步地，所述根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值，具体包括：
根据所述灰度直方图初始化粒子群；
在根据预设的迭代次数进行迭代运算时，判断当代的粒子群最优位置相比于上一代的粒子群最优位置是否更优，若是，则将当代的粒子群最优位置添加到优势解集合；
根据所述优势解集合中每一个体的目标函数值，对粒子的分量的搜索边界值进行设定；
根据所述每一粒子的分量的搜索边界值，采用标准粒子群算法对每一粒子的位置矢量、粒子个体最优位置和粒子群最优位置进行更新，并计算每一粒子的目标函数值；
在粒子群迭代运算中，以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值；
当迭代次数达到预设的最大迭代次数时，根据最终代的粒子群最优位置，获取图像的最优灰度阈值。
进一步地，所述根据所述优势解集合中每一个体的目标函数值，对粒子的分量的搜索边界值进行设定，具体包括：
根据所述优势解集合中个体的目标函数值的排序，按预设的比例筛选出优秀粒子；
计算所述优秀粒子的每一分量的最大值、加权平均值和最小值；
将所述优秀粒子的每一分量的上界设为该分量的最大值，将所述优秀粒子的每一分量的下界设为该分量的最小值；
当低位分量的上界和高位分量的下界之间存在空当时，则通过随机分割的方式将所述空当分为两部分，将所述低位分量的上界对应上移以及将所述高位分量的下界对应下移，以对所述空当进行填补；
当低位分量的上界和高位分量的下界之间存在交叠时，则通过平均分割的方式将所述低位分量的加权平均值与所述高位分量的加权平均值之间的距离分为两部分，将所述高位分量的下界对应上移以及将所述低位分量的上界对应下移，以去除所述交叠。
进一步地，所述以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值，具体包括：
在以预设的概率允许粒子突破边界进行搜索时，判断搜索到的结果是否相比于当前粒子群最优位置更优，若是，则继续以预设的概率允许粒子突破边界进行搜索，并根据搜索到的结果更新粒子群最优位置；
将得到的若干个互不相同的粒子群最优位置添加到所述优势解集合；
根据所述优势解集合对粒子的分量的搜索边界值进行重新设定。
为了解决相同的技术问题，本发明还提供了一种基于搜索边界自适应调整算法的图像分割系统，包括计算模块、算法模块和分割模块；
所述计算模块，用于计算待分割图像的灰度直方图；
所述算法模块，用于根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值；
所述分割模块，用于根据所述最优灰度阈值对所述待分割图像进行分割。
进一步地，所述算法模块包括：
初始化模块，用于根据所述灰度直方图初始化粒子群；
优势解集添加模块，用于在根据预设的迭代次数进行迭代运算时，判断当代的粒子群最优位置相比于上一代的粒子群最优位置是否更优，若是，则将当代的粒子群最优位置添加到优势解集合；
边界设定模块，用于根据所述优势解集合中每一个体的目标函数值，对粒子的分量的搜索边界值进行设定；
数据更新模块，用于根据所述每一粒子的分量的搜索边界值，采用标准粒子群算法对每一粒子的位置矢量、粒子个体最优位置和粒子群最优位置进行更新，并计算每一粒子的目标函数值；
边界调整模块，用于在粒子群迭代运算中，以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值；
获取模块，用于当迭代次数达到预设的最大迭代次数时，根据最终代的粒子群最优位置，获取图像的最优灰度阈值。
进一步地，所述边界设定模块包括：
筛选单元，用于根据所述优势解集合中个体的目标函数值的排序，按预设的比例筛选出优秀粒子；
计算单元，用于计算所述优秀粒子的每一分量的最大值、加权平均值和最小值；
初始设定单元，用于将所述优秀粒子的每一分量的上界设为该分量的最大值，将所述优秀粒子的每一分量的下界设为该分量的最小值；
第一调整单元，用于当低位分量的上界和高位分量的下界之间存在空当时，则通过随机分割的方式将所述空当分为两部分，将所述低位分量的上界对应上移以及将所述高位分量的下界对应下移，以对所述空当进行填补；
第二调整单元，用于当低位分量的上界和高位分量的下界之间存在交叠时，则通过平均分割的方式将所述低位分量的加权平均值与所述高位分量的加权平均值之间的距离分为两部分，将所述高位分量的下界对应上移以及将所述低位分量的上界对应下移，以去除所述交叠。
进一步地，所述以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值，具体包括：
在以预设的概率允许粒子突破边界进行搜索时，判断搜索到的结果是否相比于当前粒子群最优位置更优，若是，则继续以预设的概率允许粒子突破边界进行搜索，并根据搜索到的结果更新粒子群最优位置；
将得到的若干个互不相同的粒子群最优位置添加到所述优势解集合；
根据所述优势解集合对粒子的分量的搜索边界值进行重新设定。
相比于现有技术，本发明具有如下有益效果：
本发明提出了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，所述方法包括步骤：计算待分割图像的灰度直方图；根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值；根据所述最优灰度阈值对所述待分割图像进行分割。本发明通过对算法在搜索过程中产生的信息本身进行分析，避免了需要对搜索过程中违反排序的个体进行重新排序修复的问题，因而避免了耗费额外的运算资源，并且保留了搜索过程中产生的优秀个体的分量序列，从而有效提高了算法的搜索效率，进而改进图像分割方法，有效提升了图像分割技术的优化效率。
附图说明
图1是本发明实施例一提供的基于搜索边界自适应调整算法的图像分割方法的流程示意图；
图2是本发明实施例一提供的粒子位置矢量示意图；
图3是本发明实施例一提供的传统阈值边界设置示意图；
图4是本发明实施例一提供的另一阈值边界设置示意图；
图5是本发明实施例一提供的基于搜索边界自适应调整算法的图像分割方法的另一流程示意图；
图6是本发明实施例一提供的基于搜索边界自适应调整算法的图像分割系统的结构示意图；
图7是本发明实施例一提供的基于搜索边界自适应调整算法的图像分割系统的另一结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，本发明优选实施例提供了一种基于搜索边界自适应调整算法的图像分割方法，包括：
步骤S1、计算待分割图像的灰度直方图；
步骤S2、根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值；
步骤S3、根据所述最优灰度阈值对所述待分割图像进行分割。
在本发明实施例中，需要说明的是，在现有的用于灰度阈值搜索的算法设计中，忽略了搜索过程中产生的信息，而实际上，通过对搜索过程中产生的信息本身进行分析，能够避免一些消耗计算资源的频繁的运算，并且能够对搜索过程中产生的优秀个体的某些分量序列进行保留。本发明正是采用了高效率的搜索边界自适应调整粒子群算法来搜索图像的灰度阈值，从而有效提升了图像分割技术的优化效率。
在本发明实施例中，可以理解的是，粒子群算法是仿真鸟群觅食的过程，其同时存在多个潜在解并且互相协作，每个潜在解被称为一个粒子，这些粒子在问题的决策空间进行飞行搜索以期找到最优的位置。每个粒子在飞行过程中基于自身及其它粒子的搜索经历来不断调整自身的位置。具体而言，粒子在搜索空间的状态可以用两个矢量来表示：当前位置的D维矢量x＝(x1,x2,…,xD)和当前速度的D维矢量v＝(v1,v2,…,vD)，粒子在每次迭代中的位置更新基于以下两个方程：
其中i＝1,2,…,N(N是种群大小)，及分别是粒子i在第t代的速度及位置向量。及gbestt分别是在第t代的粒子i的粒子个体最优位置和粒子群最优位置。c1及c2是两个分别被称为认知权重和社会权重的正整数系数。r1及r2是两个均匀分布在[0,1]之间的随机D维矢量参数，ω是惯性权重。
在本发明实施例中，需要说明的是，在采用粒子群算法来求解相应的图像多阈值分割问题，首先要选取分割准则，本发明选用了kapur熵作为分割准则。
在本发明实施例中，对于一个给定的图像，考虑其具有L个灰度级，从0到L-1。并且设h(i)为灰度i在图像中出现的次数，N是图像的像素总和，设灰度值i的出现概率：
pi＝h(i)/N
假设有m个阈值t＝[t1，t2，…，tm]，t1＜t2＜t3＜…＜tm，而这m个阈值会将目标图像分割成m+1个类：C0,C1,C2,…,Cm，而kapur熵准则是将下列式子进行最大化：
f(t1，t2，…，tm)＝H0+H1+…+Hm (1)
其中：
本发明的粒子群算法是通过求解一个最优的阈值向量[t1,t2,…,tm]来将(1)式进行最大化。
粒子群算法中每个粒子的位置向量如图2所示，包含m个阈值。
请参见图3，需要说明的是，现有技术是采用整数编码使得位置矢量中的任意成员都是一个整数，通过反复的更新个体并计算其适应度值(目标函数值)。采用这种传统的阈值边界设置方法，粒子的位置矢量的分量边界是全部一致的，如图3所示，图中包含四个阈值(分量)的个体，其每个分量的上界和下界分别用黑色线条(较粗的线条)和灰色线条(较细的线条)来表示，每个分量的上界和下界都设定为阈值的全局最大值和全局最小值。这样在搜索过程中，会出现不满足约束条件t1<t2<t3<…<tm的情况，虽然可以通过重新将粒子的位置矢量进行排序来解决这个问题，但是如此一来就需要用到额外的排序时间，并且某些个体中具有一定优秀特性的部分阈值序列可能被打乱，从而导致搜索效率低下。
在本发明实施例中，进一步地，步骤S2具体包括：
步骤S210、根据所述灰度直方图初始化粒子群；
步骤S220、在根据预设的迭代次数进行迭代运算时，判断当代的粒子群最优位置相比于上一代的粒子群最优位置是否更优，若是，则将当代的粒子群最优位置添加到优势解集合；
步骤S230、根据所述优势解集合中每一个体的目标函数值，对粒子的分量的搜索边界值进行设定；
步骤S240、根据所述每一粒子的分量的搜索边界值，采用标准粒子群算法对每一粒子的位置矢量、粒子个体最优位置和粒子群最优位置进行更新，并计算每一粒子的目标函数值；
步骤S250、在粒子群迭代运算中，以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值；
步骤S260、当迭代次数达到预设的最大迭代次数时，根据最终代的粒子群最优位置，获取图像的最优灰度阈值。
请参见图4，需要说明的是，为了解决上述搜索效率低下的问题，本发明将每个阈值的上界和下界设置成了不同的边界。其中黑色的线条(较粗的线条)是相应位置分量的上界，而灰色线条(较细的线条)是相应位置分量的下界。由图4可以看出，每个分量的搜索空间是整个搜索空间的一个子集，并且相邻两个分量的搜索空间的边界没有重叠。这样的设置有三个好处：一是使得每个分量的搜索范围减小，尽快地搜索到优秀的可行解；二是使得搜索过程中的阈值能直接满足约束条件t1<t2<t3<…<tm，而不需要重新进行排序；三是避免了打乱原有的具有优秀特性的部分阈值序列。
在本发明实施例中，进一步地，步骤S230具体包括：
步骤S231、根据所述优势解集合中个体的目标函数值的排序，按预设的比例筛选出优秀粒子；
步骤S232、计算所述优秀粒子的每一分量的最大值、加权平均值和最小值；
步骤S233、将所述优秀粒子的每一分量的上界设为该分量的最大值，将所述优秀粒子的每一分量的下界设为该分量的最小值；
步骤S234、当低位分量的上界和高位分量的下界之间存在空当时，则通过随机分割的方式将所述空当分为两部分，将所述低位分量的上界对应上移以及将所述高位分量的下界对应下移，以对所述空当进行填补；
步骤S235、当低位分量的上界和高位分量的下界之间存在交叠时，则通过平均分割的方式将所述低位分量的加权平均值与所述高位分量的加权平均值之间的距离分为两部分，将所述高位分量的下界对应上移以及将所述低位分量的上界对应下移，以去除所述交叠。
在本发明实施例中，需要说明的是，由于每个目标图像的最优分割阈值都不相同，因此这些阈值的边界需要采用自适应的动态调整，否则很可能搜索不到满意的解。
请参见图5，具体地：
(1)在初始化种群时，仍然是采用传统的阈值边界设置方法，此时阈值的边界设为全搜索范围。然后对计算得到的个体(粒子)的目标函数值进行排序，选择若干优秀的个体(粒子)，并对这些个体的每个分量进行综合分析，得到该分量的最大值、加权平均值和最小值；
在选择阈值的搜索下界时，先将其设置为最小值，若该下界与低位阈值(即如当前阈值为ti+1，则低位阈值为ti，高位阈值为ti+2)的上界之间还有空当，则采用随机分割的方式将空当分为两部分，并分别将当前阈值的下界下移及将低位阈值的上界上移以填补空当；若该下界和低位阈值的上界出现交叠的情况，则根据两个阈值的加权平均值的距离，采用平均分割的方式，将当前阈值的下界上移及将低位阈值的上界下移以去除交叠；
同理，在选择阈值的搜索上界时，先将其设置为最大值，若该上界和高位阈值的下界之间还有空当，则采用随机分割的方式，分别将当前阈值的上界上移及将高位阈值的下界下移来填补空当；若该上界和高位阈值的下界出现交叠的情况，则根据两个阈值的加权平均值的距离，采用平均分割的方式，将当前阈值的上界下移及将高位阈值的下界上移来去除交叠。
(2)利用上述(1)步骤所获得的阈值边界值作为每个个体的相应分量的搜索边界值，开始进行搜索，然后采用标准粒子群算法来更新粒子的位置矢量、计算每个粒子的目标函数值、更新每个粒子的pbest和种群的gbest等。
(3)设定一定概率允许已经搜索到较优位置的某些粒子突破边界进行搜索，如果搜索结果更优，则按该更优的搜索结果对阈值的边界进行调整。
在本发明实施例中，进一步地，所述以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值，具体包括：
在以预设的概率允许粒子突破边界进行搜索时，判断搜索到的结果是否相比于当前粒子群最优位置更优，若是，则继续以预设的概率允许粒子突破边界进行搜索，并根据搜索到的结果更新粒子群最优位置；
将得到的若干个互不相同的粒子群最优位置添加到所述优势解集合；
根据所述优势解集合对粒子的分量的搜索边界值进行重新设定。
请参见图6，在本发明实施例中，为了解决相同的技术问题，本发明还提供了一种基于搜索边界自适应调整算法的图像分割系统，包括计算模块、算法模块和分割模块；
所述计算模块10，用于计算待分割图像的灰度直方图；
所述算法模块20，用于根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值；
所述分割模块30，用于根据所述最优灰度阈值对所述待分割图像进行分割。
请参见图7，在本发明实施例中，进一步地，所述算法模块包括：
初始化模块21，用于根据所述灰度直方图初始化粒子群；
优势解集添加模块22，用于在根据预设的迭代次数进行迭代运算时，判断当代的粒子群最优位置相比于上一代的粒子群最优位置是否更优，若是，则将当代的粒子群最优位置添加到优势解集合；
边界设定模块23，用于根据所述优势解集合中每一个体的目标函数值，对粒子的分量的搜索边界值进行设定；
数据更新模块24，用于根据所述每一粒子的分量的搜索边界值，采用标准粒子群算法对每一粒子的位置矢量、粒子个体最优位置和粒子群最优位置进行更新，并计算每一粒子的目标函数值；
边界调整模块25，用于在粒子群迭代运算中，以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值；
获取模块26，用于当迭代次数达到预设的最大迭代次数时，根据最终代的粒子群最优位置，获取图像的最优灰度阈值。
在本发明实施例中，进一步地，所述边界设定模块包括：
筛选单元，用于根据所述优势解集合中个体的目标函数值的排序，按预设的比例筛选出优秀粒子；
计算单元，用于计算所述优秀粒子的每一分量的最大值、加权平均值和最小值；
初始设定单元，用于将所述优秀粒子的每一分量的上界设为该分量的最大值，将所述优秀粒子的每一分量的下界设为该分量的最小值；
第一调整单元，用于当低位分量的上界和高位分量的下界之间存在空当时，则通过随机分割的方式将所述空当分为两部分，将所述低位分量的上界对应上移以及将所述高位分量的下界对应下移，以对所述空当进行填补；
第二调整单元，用于当低位分量的上界和高位分量的下界之间存在交叠时，则通过平均分割的方式将所述低位分量的加权平均值与所述高位分量的加权平均值之间的距离分为两部分，将所述高位分量的下界对应上移以及将所述低位分量的上界对应下移，以去除所述交叠。
在本发明实施例中，进一步地，所述以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值，具体包括：
在以预设的概率允许粒子突破边界进行搜索时，判断搜索到的结果是否相比于当前粒子群最优位置更优，若是，则继续以预设的概率允许粒子突破边界进行搜索，并根据搜索到的结果更新粒子群最优位置；
将得到的若干个互不相同的粒子群最优位置添加到所述优势解集合；
根据所述优势解集合对粒子的分量的搜索边界值进行重新设定。
需要说明的是，本发明实施例提供的一种基于搜索边界自适应调整算法的图像分割系统使用上述基于搜索边界自适应调整算法的图像分割方法，其工作原理和有益效果一一对应，此处不再赘述。
综上，相比于现有技术，本发明有益效果在于：
本发明实施例公开了一种基于搜索边界自适应调整算法的图像分割方法与系统，所述方法包括：计算待分割图像的灰度直方图；根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值；根据所述最优灰度阈值对所述待分割图像进行分割。本发明通过对算法在搜索过程中产生的信息本身进行分析，避免了需要对搜索过程中违反排序的个体进行重新排序修复的问题，因而避免了耗费额外的运算资源，并且保留了搜索过程中产生的优秀个体的分量序列，从而有效提高了算法的搜索效率，进而改进图像分割方法，有效提升了图像分割技术的优化效率。
以上所述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，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种基于搜索边界自适应调整算法的图像分割方法，其特征在于，包括以下步骤：
计算待分割图像的灰度直方图；
根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值；
根据所述最优灰度阈值对所述待分割图像进行分割。
2.如权利要求1所述的基于搜索边界自适应调整算法的图像分割方法，其特征在于，所述根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值，具体包括：
根据所述灰度直方图初始化粒子群；
在根据预设的迭代次数进行迭代运算时，判断当代的粒子群最优位置相比于上一代的粒子群最优位置是否更优，若是，则将当代的粒子群最优位置添加到优势解集合；
根据所述优势解集合中每一个体的目标函数值，对粒子的分量的搜索边界值进行设定；
根据所述每一粒子的分量的搜索边界值，采用标准粒子群算法对每一粒子的位置矢量、粒子个体最优位置和粒子群最优位置进行更新，并计算每一粒子的目标函数值；
在粒子群迭代运算中，以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值；
当迭代次数达到预设的最大迭代次数时，根据最终代的粒子群最优位置，获取图像的最优灰度阈值。
3.如权利要求2所述的基于搜索边界自适应调整算法的图像分割方法，其特征在于，所述根据所述优势解集合中每一个体的目标函数值，对粒子的分量的搜索边界值进行设定，具体包括：
根据所述优势解集合中个体的目标函数值的排序，按预设的比例筛选出优秀粒子；
计算所述优秀粒子的每一分量的最大值、加权平均值和最小值；
将所述优秀粒子的每一分量的上界设为该分量的最大值，将所述优秀粒子的每一分量的下界设为该分量的最小值；
当低位分量的上界和高位分量的下界之间存在空当时，则通过随机分割的方式将所述空当分为两部分，将所述低位分量的上界对应上移以及将所述高位分量的下界对应下移，以对所述空当进行填补；
当低位分量的上界和高位分量的下界之间存在交叠时，则通过平均分割的方式将所述低位分量的加权平均值与所述高位分量的加权平均值之间的距离分为两部分，将所述高位分量的下界对应上移以及将所述低位分量的上界对应下移，以去除所述交叠。
4.如权利要求2所述的基于搜索边界自适应调整算法的图像分割方法，其特征在于，所述以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值，具体包括：
在以预设的概率允许粒子突破边界进行搜索时，判断搜索到的结果是否相比于当前粒子群最优位置更优，若是，则继续以预设的概率允许粒子突破边界进行搜索，并根据搜索到的结果更新粒子群最优位置；
将得到的若干个互不相同的粒子群最优位置添加到所述优势解集合；
根据所述优势解集合对粒子的分量的搜索边界值进行重新设定。
5.一种基于搜索边界自适应调整算法的图像分割系统，其特征在于，包括计算模块、算法模块和分割模块；
所述计算模块，用于计算待分割图像的灰度直方图；
所述算法模块，用于根据所述灰度直方图，利用搜索边界自适应调整粒子群算法获取最优灰度阈值；
所述分割模块，用于根据所述最优灰度阈值对所述待分割图像进行分割。
6.如权利要求5所述的基于搜索边界自适应调整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，用于根据所述灰度直方图初始化粒子群；
优势解集添加模块，用于在根据预设的迭代次数进行迭代运算时，判断当代的粒子群最优位置相比于上一代的粒子群最优位置是否更优，若是，则将当代的粒子群最优位置添加到优势解集合；
边界设定模块，用于根据所述优势解集合中每一个体的目标函数值，对粒子的分量的搜索边界值进行设定；
数据更新模块，用于根据所述每一粒子的分量的搜索边界值，采用标准粒子群算法对每一粒子的位置矢量、粒子个体最优位置和粒子群最优位置进行更新，并计算每一粒子的目标函数值；
边界调整模块，用于在粒子群迭代运算中，以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值；
获取模块，用于当迭代次数达到预设的最大迭代次数时，根据最终代的粒子群最优位置，获取图像的最优灰度阈值。
7.如权利要求6所述的基于搜索边界自适应调整算法的图像分割系统，其特征在于，所述边界设定模块包括：
筛选单元，用于根据所述优势解集合中个体的目标函数值的排序，按预设的比例筛选出优秀粒子；
计算单元，用于计算所述优秀粒子的每一分量的最大值、加权平均值和最小值；
初始设定单元，用于将所述优秀粒子的每一分量的上界设为该分量的最大值，将所述优秀粒子的每一分量的下界设为该分量的最小值；
第一调整单元，用于当低位分量的上界和高位分量的下界之间存在空当时，则通过随机分割的方式将所述空当分为两部分，将所述低位分量的上界对应上移以及将所述高位分量的下界对应下移，以对所述空当进行填补；
第二调整单元，用于当低位分量的上界和高位分量的下界之间存在交叠时，则通过平均分割的方式将所述低位分量的加权平均值与所述高位分量的加权平均值之间的距离分为两部分，将所述高位分量的下界对应上移以及将所述低位分量的上界对应下移，以去除所述交叠。
8.如权利要求6所述的基于搜索边界自适应调整算法的图像分割系统，其特征在于，所述以预设的概率允许粒子突破边界进行搜索，并根据粒子的越界搜索结果动态调整对应粒子的搜索边界值，具体包括：
在以预设的概率允许粒子突破边界进行搜索时，判断搜索到的结果是否相比于当前粒子群最优位置更优，若是，则继续以预设的概率允许粒子突破边界进行搜索，并根据搜索到的结果更新粒子群最优位置；
将得到的若干个互不相同的粒子群最优位置添加到所述优势解集合；
根据所述优势解集合对粒子的分量的搜索边界值进行重新设定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910106860.6A CN109949312A (zh) | 2019-02-01 | 2019-02-01 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910106860.6A CN109949312A (zh) | 2019-02-01 | 2019-02-01 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109949312A true CN109949312A (zh) | 2019-06-28 |
Family
ID=67007556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910106860.6A Pending CN109949312A (zh) | 2019-02-01 | 2019-02-01 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109949312A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110706146A (zh) * | 2019-09-26 | 2020-01-17 | 北京机电工程研究所 | 图像处理方法和装置 |
| CN113744228A (zh) * | 2021-08-27 | 2021-12-03 | 南通大学 | 用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104037776A (zh) * | 2014-06-16 | 2014-09-10 | 国家电网公司 | 随机惯性因子粒子群优化算法的电网无功容量配置方法 |
| US8913311B1 (en) * | 2013-09-06 | 2014-12-16 | Xerox Corporation | Natural ink limit encoding for digital color managed workflow systems |
| CN107424165A (zh) * | 2017-08-11 | 2017-12-01 | 潘荣兰 | 一种有效的图像分割系统 |
| CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 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 |
| CN107730523A (zh) * | 2017-09-14 | 2018-02-23 | 上海斐讯数据通信技术有限公司 | 一种基于粒子群算法的图像分割方法及系统 |
| 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 |
-
2019
- 2019-02-01 CN CN201910106860.6A patent/CN109949312A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8913311B1 (en) * | 2013-09-06 | 2014-12-16 | Xerox Corporation | Natural ink limit encoding for digital color managed workflow systems |
| CN104037776A (zh) * | 2014-06-16 | 2014-09-10 | 国家电网公司 | 随机惯性因子粒子群优化算法的电网无功容量配置方法 |
| CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 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 |
| CN107424165A (zh) * | 2017-08-11 | 2017-12-01 | 潘荣兰 | 一种有效的图像分割系统 |
| CN107730523A (zh) * | 2017-09-14 | 2018-02-23 | 上海斐讯数据通信技术有限公司 | 一种基于粒子群算法的图像分割方法及系统 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 熊智挺等: "一种并行的自适应量子粒子群算法", 《计算机系统应用》, vol. 20, no. 08, 30 December 2011 (2011-12-30), pages 47 - 51 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110706146A (zh) * | 2019-09-26 | 2020-01-17 | 北京机电工程研究所 | 图像处理方法和装置 |
| CN113744228A (zh) * | 2021-08-27 | 2021-12-03 | 南通大学 | 用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109977943A (zh) | 一种基于yolo的图像目标识别方法、系统和存储介质 | |
| CN112749010B (zh) | 融合推荐系统的边缘计算任务分配方法 | |
| US9058540B2 (en) | Data clustering method and device, data processing apparatus and image processing apparatus | |
| CN106296728A (zh) | 一种基于全卷积网络的非限制场景中运动目标快速分割方法 | |
| CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
| CN111402126B (zh) | 一种基于分块的视频超分辨率方法和系统 | |
| CN113486764B (zh) | 一种基于改进的YOLOv3的坑洼检测方法 | |
| 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 | |
| CN108174394A (zh) | 一种5g网络切片的编排算法 | |
| CN107833224B (zh) | 一种基于多层次区域合成的图像分割方法 | |
| 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 | |
| CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
| CN109886979A (zh) | 基于改进布谷鸟优化法的图像多阈值分割方法 | |
| CN108183860A (zh) | 基于粒子群算法的二维片上网络自适应路由方法 | |
| CN106528705A (zh) | 一种基于rbf神经网络的重复记录检测方法和系统 | |
| CN107730523A (zh) | 一种基于粒子群算法的图像分割方法及系统 | |
| CN116503776A (zh) | 一种基于时间自适应的时空注意力视频行为识别方法 | |
| CN115115021A (zh) | 基于模型参数异步更新的个性化联邦学习方法 | |
| Nishii | A Markov random field-based approach to decision-level fusion for remote sensing image classification | |
| CN116935054A (zh) | 一种基于混合-解耦训练的半监督医学图像分割方法 | |
| CN112966748B (zh) | 基于边缘感知双分支fcn的极化sar图像分类方法 | |
| CN107564010A (zh) | 一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法 | |
| Park et al. | AN EFFECTIVE COLOR QUANTIZATION METHOD USING COLOR IMPORTANCE-BASED SELF-ORGANIZING MAPS. | |
| 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 |
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 |
Application publication date: 20190628 |
|
| RJ01 | Rejection of invention patent application after publication |