CN111932556A - 一种多级阈值图像分割方法 - Google Patents
一种多级阈值图像分割方法 Download PDFInfo
- Publication number
- CN111932556A CN111932556A CN202010799487.XA CN202010799487A CN111932556A CN 111932556 A CN111932556 A CN 111932556A CN 202010799487 A CN202010799487 A CN 202010799487A CN 111932556 A CN111932556 A CN 111932556A
- Authority
- CN
- China
- Prior art keywords
- wolf
- iteration
- image
- individual
- gray
- 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 78
- 238000003709 image segmentation Methods 0.000 title claims abstract description 38
- 241000282461 Canis lupus Species 0.000 claims abstract description 96
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 239000002245 particle Substances 0.000 claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000001143 conditioned effect Effects 0.000 claims 1
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 43
- 238000012360 testing method Methods 0.000 description 18
- 238000005457 optimization Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 239000011435 rock Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000717544 Aconitum lycoctonum subsp. vulparia Species 0.000 description 1
- 101710200331 Cytochrome b-245 chaperone 1 Proteins 0.000 description 1
- 102100037186 Cytochrome b-245 chaperone 1 Human genes 0.000 description 1
- 101710119396 Cytochrome b-245 chaperone 1 homolog Proteins 0.000 description 1
- 241001505295 Eros Species 0.000 description 1
- ULGZDMOVFRHVEP-RWJQBGPGSA-N Erythromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=O)[C@H](C)C[C@@](C)(O)[C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 ULGZDMOVFRHVEP-RWJQBGPGSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- 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
- G06T7/10—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种多级阈值图像分割方法,首先,初始化灰狼群体;然后计算每个灰狼个体的适应度,并确定α狼、β狼及δ狼的位置;进而根据剩余灰狼个体与α狼、β狼及δ狼的距离,更新α狼、β狼及δ狼的位置,并通过粒子群算法,更新剩余灰狼个体的位置,最终通过多次迭代,获取最优阈值,进行图像分割。
Description
技术领域
本发明涉及航空航天技术领域,特别涉及一种多级阈值图像分割方法。
背景技术
深空探测任务中,探测器需要在复杂地形区域着陆,因此在轨快速障碍检测技术至关重要,基于光学图像的障碍检测是当前行星着陆过程中的重要导航算法之一。障碍检测算法是指基于视觉图像与地表检测算法,其可实现对岩石、沟壑等障碍物的在线快速检测,为着陆避障及路径规划奠定基础。
早期行星着陆障碍检测研究都是面向大行星及尺寸较大的小行星,以特征明显的陨石坑作为地表特征来引导着陆制导与控制,而对陨石坑的识别则是通过人工方式来判读飞行器获取的影像数据。随着小行星着陆任务的提出,仅以陨石坑作为地表特征,难以满足需求,其还须考虑岩石、陡坡等因素,同时由于深空探测任务存在通信延时,这就使得人工识别的方法已经无法满足任务需求。
针对这一问题,一方面,学者们开始了基于形态拟合的数字图像分析方法的研究,以提取陨石坑,例如Magee等人提出的基于互相关的模板匹配方法;Alexander等提出通过边缘长度、光照方位等约束条件对属于同一个陨石坑的边缘进行配对,把配对成功的边缘通过椭圆拟合提取出陨石坑;冯军华等通过最小二乘法拟合边缘的方法实现对嫦娥一号CCD图像中的撞击坑提取;Yang Cheng等人提出的二次曲线拟合陨石坑方法;以及Weismuller等提出的一种基于霍夫变换的检测方法等。
另一方面,学者们也开始了岩石的自动检测算法的研究。岩石的自动检测的关键技术在于图像分割,传统图像分割主要根据图像的灰度直方图变化选择阈值,并且按照阈值的个数可以分为单阈值分割与多阈值分割。其中,单阈值分割指的是将图像分成目标和背景两大类,将图像中每个像素的灰度值与该阈值进行比较;以及多阈值分割指的是选取多个阈值将图像中的多个目标分开。基于阈值分割技术,常见的岩石自动检测算法包括基于模板的方法,基于立体几何算法,以及使用边缘检测器查找闭合轮廓的方法。这些算法可以检测出岩石,但因为地表质地不均匀,它们的颜色和反照率都存在差异,对于非陨石坑地表,很难找到它们的实际边界轮廓。此外,由于阈值分割的结果非常依赖于阈值的选择,传统方法主要通过穷举进行最佳阈值搜索,耗用时间长、计算量大,因此,无法处理复杂内容图像。
发明内容
针对现有技术中的部分或全部问题,本发明提供一种多级阈值图像分割方法,其将粒子群算法及灰狼算法相结合,以确定图像分割的阈值,所述方法包括:
初始化灰狼群体,包括提供群体规模N、每个灰狼个体的位置Xi、初始化速度以及最大迭代次数;
计算每个灰狼个体的适应度,将适应度排名前三的灰狼个体依次记为α狼、β狼及δ狼,并将α狼的位置记为初始最优解;
分别计算剩余灰狼个体与α狼、β狼及δ狼的距离,并更新α狼、β狼及δ狼的位置;
通过粒子群算法,更新剩余灰狼个体的位置;
更新系数因子,进行迭代,直至达到终止条件。
进一步地,所述适应度基于信息熵构造的适应度函数计算得到。
进一步地,所述信息熵为二维Tsallis熵或指数熵。
进一步地,所述终止条件为迭代次数等于最大迭代次数。
本发明提供的一种多级阈值图像分割方法,其将粒子群算法及狼群算法进行了混合优化,并考虑了图像能量分布,以信息熵为适应度函数。其针对不同情景,可以通过改变种群初始条件来自定义阈值级数,同时在位置更新过程中,增加了扰动算子扩大全局搜索的范围,提升了寻优的速度和精度。所述方法能够快速地寻找到最佳图像的分割阈值,相对于灰度直方图不呈现双峰的复杂图像分割效果较好,能够得到地表岩石分布图,较传统方法有明显改善,为后期的避碍任务奠定了基础。
附图说明
为进一步阐明本发明的各实施例的以上和其它优点和特征,将参考附图来呈现本发明的各实施例的更具体的描述。可以理解,这些附图只描绘本发明的典型实施例,因此将不被认为是对其范围的限制。在附图中,为了清楚明了,相同或相应的部件将用相同或类似的标记表示。
图1示出灰狼算法的等级制度示意图;
图2示出本发明一个实施例的一种多级阈值图像分割方法的流程示意图;
图3a示出一测试图像的原始图像及分别采用单阈值分割方法、最大类间方差分割方法以及本发明一个实施例的一种多级阈值图像分割方法进行分割的结果示意图;
图3b示出图3a中原始图像的灰度直方图;
图3c示出图3a中原始图像的共生概率图;
图4a示出又一测试图像的原始图像及分别采用单阈值分割方法、最大类间方差分割方法以及本发明一个实施例的一种多级阈值图像分割方法进行分割的结果示意图;
图4b示出图4a中原始图像的灰度直方图;
图4c示出图4a中原始图像的共生概率图;
图5a示出另一测试图像的原始图像及分别采用单阈值分割方法、最大类间方差分割方法以及本发明一个实施例的一种多级阈值图像分割方法进行分割的结果示意图;
图5b示出图5a中原始图像的灰度直方图;
图5c示出图5a中原始图像的共生概率图;以及
图6示出一测试图像的分割细节的原图以及分别采用单阈值分割方法、最大类间方差分割方法以及本发明一个实施例的一种多级阈值图像分割方法进行分割的结果示意图。
具体实施方式
以下的描述中,参考各实施例对本发明进行描述。然而,本领域的技术人员将认识到可在没有一个或多个特定细节的情况下或者与其它替换和/或附加方法、材料或组件一起实施各实施例。在其它情形中,未示出或未详细描述公知的结构、材料或操作以免模糊本发明的发明点。类似地,为了解释的目的,阐述了特定数量、材料和配置,以便提供对本发明的实施例的全面理解。然而,本发明并不限于这些特定细节。此外,应理解附图中示出的各实施例是说明性表示且不一定按正确比例绘制。
在本说明书中,对“一个实施例”或“该实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。在本说明书各处中出现的短语“在一个实施例中”并不一定全部指代同一实施例。
需要说明的是,本发明的实施例以特定顺序对工艺步骤进行描述,然而这只是为了阐述该具体实施例,而不是限定各步骤的先后顺序。相反,在本发明的不同实施例中,可根据工艺的调节来调整各步骤的先后顺序。
图像阈值分割是一种基于区域的图像分割技术,通过设定不同的特征阈值,把图像像素点分为若干类。对于图像阈值分割而言,分割结果非常依赖于阈值的选择,因此,如何更快更准确的确定阈值,对于提高分割结果的效率至关重要。
粒子群算法起源于鸟群的简化模型,其它通过模拟鸟群中的鸟类彼此直接交流信息,在解空间中随机初始化一群候选粒子,通过简单地调整每个个体自身最优位置与其它粒子最优位置在每一次迭代的位置来寻得全局最优解。所述粒子群算法首先初始化粒子群参数,确定初始粒子位置和速度、适应度函数等相关参数,接着计算每个粒子的适应度值来判断是否更新个体最佳位置以及全局最佳位置,再更新粒子的位置和速度,以此步骤进行迭代更新,直到满足最大迭代次数则停止评价,输出全局最优值。因此,粒子群算法具有较强的全局搜索能力。
而灰狼算法则通过模拟自然界中灰狼的等级制度,基于群体协作的机制来达到优化的目的。在等级模型中,定义适应度最好的三匹灰狼为α狼、β狼及δ狼,剩余部分称为ω狼。如图1所示,等级制度第一层为群体的领导者定义为α,在群体中决策性作用最高;当整个群体的α出现缺失时,β则接替α,其决策权仅次于α;群体中适应度不好的α、β将退化为δ。灰狼算法可以在同一时间从多个点出发进行搜索,搜索过程具有并行性。
此外,由于信息熵在信息论中用于度量信息量,图像像素的灰度分布具有随机性,是一种特殊的信息来源,因此,构造图像二维熵可以在图像所包含信息量的前提下,突出反映图像中像素位置的灰度信息和像素邻域内灰度分布的综合特征。
基于粒子群算法及灰狼算法的特点,本发明提出一种多级阈值图像分割方法,将二者进行混合优化,并基于图像能量分布完成图像分割,使得阈值局部寻优与全局搜索之间达成了平衡,从而提高了算法性能。下面结合实施例附图对本发明的方案做进一步描述。
图2示出本发明一个实施例的一种多级阈值图像分割方法的流程示意图。如图2所示,一种多级阈值图像分割方法,包括:
首先,在步骤201,初始化灰狼群体。所述灰狼群体也作为粒子群,灰狼个体即粒子群中的一个粒子,因此,所述初始化包括:确定群体规模N,确定每个灰狼个体的初始化位置Xi以及初始化速度Vi,以及最大迭代次数;在本发明的一个实施例中,所述初始化位置随机选定;在本发明的又一个实施例中,所述初始化位置根据经验确定;
接下来,在步骤202,确定α狼、β狼及δ狼。计算每个灰狼个体的适应度,将适应度排名前三的灰狼个体依次记为α狼、β狼及δ狼,α狼、β狼及δ狼的位置分别为Xα、Xβ以及Xδ,则Xα为初始最优解;
所述适应度根据基于信息熵构造的适应度函数计算得到,在本发明的一个实施例中,所述适应度函数基于二维Tsallis熵构造得到:
其中,
在本发明的又一个实施例中,所述适应度函数基于指数熵构造得到:
E(s,t)=E1(s,t)+E2(s,t),
其中,
应当理解的是,在本发明的其他实施例中,也可以基于对数熵等其他信息熵构造适应度函数;
接下来,在步骤203,进行追捕。所述追捕包括:
首先,分别计算剩余灰狼个体与α狼、β狼及δ狼的距离:
其中,X为灰狼个体所在的位置,C1、C2、C3为系数因子,其为随机向量,Ci=2·r2,其中r2的模取[0,1]之间的随机数;
然后,根据下式,更新α狼、β狼及δ狼的位置:
其中,A1、A2、A3为系数因子,其为随机向量,Ai=2a·r1-a,其中,r1的模取[0,1]之间的随机数,a为收敛因子,随着迭代次数从2线性减小到0;在迭代的过程中,通过调节Ai、Ci来控制群体与目标值分离,当|Ai|>1时,灰狼将分散搜索最优解,当|Ai|<1时,则集中搜索某些区域的最优解。Ci值表示狼所在位置对目标值影响的随机权重,当|Ci|>1,表示影响大。所述系数因子保证了在优化过程中避免陷入局部最优解;
然后,根据粒子群算法,更新各个灰狼个体的位置:
Xik(t+1)=Xik(t)+Vik(t+1)+ρ,
其中,
Xik(t)指第t次迭代中,第i个灰狼个体位置矢量的第k维,ρ为补偿系数,
指第t+1次迭代中,第i个灰狼个体速度矢量的第k维,其中,w为惯性权重,其取值越大,全局搜索能力越强,c1、c2为加速因子,r1、r2为随机函数,取值[0,1]之间的随机数,Pik(t)指第t次迭代中,第i个灰狼个体的个体最优位置的第k维,所述个体最优位置是指适应度值最高的位置,Pgk(t)指第t次迭代中,群体最优位置,即Xα的第k维;以及
最后,在步骤204,判断迭代是否结束:
若结束,则输出当前Xα的值,作为图像分割阈值,并根据所述图像分割阈值进行图像分割;以及
若未结束,则更新系数因子Ai、Ci,返回步骤202;在本发明的一个实施例中,迭代终止条件为迭代次数等于最大迭代次数,在本发明的又一个实施例中,迭代终止条件为达到最小精度要求。
为了验证本发明实施例中的方法在小行星地表图像分割上的有效性,选取小行星eros软着陆阶段拍摄的地表图像作为测试图像进行性能分析,所选取的图像都具有障碍物与背景区域颜色近似、光照不均匀等现象,如图3a、图4a及图5a中第一幅图像所示,测试在matlab2014a上进行,分别采用了单阈值分割方法、最大类间方差分割方法以及本发明实施例中的多级阈值图像分割方法进行分割:
单阈值分割方法基于灰度直方图进行,当灰度直方图具有双峰特性时,选取两峰之间的谷对应的灰度级作为阈值,该方法对于存在单目标和简单背景、且两者对比明显的图像,准确性较高。由图3b、图4b及图5b中的灰度直方图可以看出,地表图像由于突发噪声、照明不均匀等因素的影响,其灰度直方图并不存在明显双峰。如果仍采用单一的阈值去处理每一个像素,可能会将目标和背景区域错误划分,无法分割出石头光亮区域,所以单阈值分割会忽略更多的细节,采用单阈值分割方法的分割结果如图3a、图4a及图5a中第二幅图像所示;
最大类间方差分割方法同时考虑像素的灰度值分布和它们邻域像素的平均灰度值分布,如图3c、图4c及图5c所示,在目标和背景的分界邻域,像素的灰度值和邻域的平均灰度值差距较大,在目标和背景处,像素的灰度值和邻域的平均灰度值接近,因此目标和背景中的像素将出现在对角线周围。该方法取这两类的类内方差最小和类间方差最大的时候对应的阈值进行图像分割。最大类间方差方法尽量减少了噪声的污染,但是地表图像复杂、颜色相近,此时该方法效果不佳,采用最大类间方差分割方法的分割结果如图3a、图4a及图5a中第三幅图像所示;以及
本发明实施例中的多级阈值图像分割方法在考虑图像能量分布的前提下,可以针对不同情景通过改变算法的初始条件来自定义阈值级数Th值,并可以选取不同的适应度函数;图3a、图4a及图5a中第四幅图像示出了采用本发明实施例中的多级阈值图像分割方法所得到图像分割结果。且表1示出了Th取值不同数值时,得到的阈值:
表1
表2示出了分别采用单阈值分割方法、最大类间方差分割方法以及本发明实施例中的多级阈值图像分割方法所得到的阈值结果对比,其中,本发明实施例中的多级阈值图像分割方法的Th值取值为2,分别以对数熵、指数熵、T熵为适应度函数进行了测试:
表2
图6示出测试图像的分割细节,从左到右依次为:原图、采用单阈值分割方法、最大类间方差分割方法以及本发明一个实施例的一种多级阈值图像分割方法进行分割的结果示意图。结合图6可以看出,单阈值分割方法无法分割出光亮区域,将目标和背景区域错误划分,忽略了更多的细节。而最大类间方差分割方法则使得光亮面与背景融合在一起,分割效果不够好。采用本发明实施例中的多级阈值图像分割方法得到的分割结果图像中,岩石阴影面、光亮面、背景各自具有相同的灰度值,实现了三个区域的区分,其提升了寻优精度,分割效果较传统方法有明显改善。
为了更好的衡量本发明实施例中的多级阈值图像分割方法的算法准确性以及稳定性,使用3组单峰基准测试函数、3组多峰基准测试函数、3组固定维度多峰基准函数为测试函数。算法独立运行10次,取平均值表示算法准确性,取标准偏差表示算法稳定性。其中,所述单峰基准测试函数如表3所示,所述多峰基准测试函数如表4所示,所述固定维度多峰基准函数如表4所示,以及测试得到的平均值及标准偏差分别如表6及表7所示。
表3
表4
表5
表6
表7
在单峰基准测试函数中,本发明实施例中的算法搜寻结果更接近于真实值。这是因为本发明实施例中的算法在位置更新过程中融合粒子群更新思想,并添加动态权重调节群体全局搜索能力与局部搜索能力。同时与其它主流群体智能算法对比,本发明实施例中的算法仍然表现较好,所以对于单峰基准函数来说,混合优化策略对算法有一定的提升。
与单峰函数相反,多峰基准函数、固定维度多峰基准函数具有许多局部最优解,仿真结果显示,传统PSO、DE算法、GSA算法在寻优过程中容易陷入局部最优解,但是本发明实施例中的算法依旧表现较好的搜索能力,寻优结果优于传统群智能算法。
在单峰基准测试数,本发明实施例中的算法稳定性远优于其他对比算法,体现了改进算法在提升寻优能力的同时保持较高稳定性。在多维基准测试函数f5、f6,固定多维基准测试函数f7、f9中,本发明实施例中的算法表现较稳定。综合算法稳定性与准确性结果,可以看出改进算法在寻优能力上具有一定的优势。
尽管上文描述了本发明的各实施例,但是,应该理解,它们只是作为示例来呈现的,而不作为限制。对于相关领域的技术人员显而易见的是,可以对其做出各种组合、变型和改变而不背离本发明的精神和范围。因此,此处所公开的本发明的宽度和范围不应被上述所公开的示例性实施例所限制,而应当仅根据所附权利要求书及其等同替换来定义。
Claims (8)
1.一种多级阈值图像分割方法,其特征在于,包括步骤:
初始化灰狼群体,包括:提供群体规模N、每个灰狼个体的初始位置Xi以及初始化速度Vi、以及最大迭代次数;
计算每个灰狼个体的适应度,将适应度排名前三的灰狼个体依次记为α狼、β狼及δ狼,其中α狼、β狼及δ狼的位置分别记为Xα、Xβ、Xδ,并将Xα记为初始最优解;
分别计算剩余灰狼个体与α狼、β狼及δ狼的距离,并更新α狼、β狼及δ狼的位置;
通过粒子群算法,更新剩余灰狼个体的位置;
判断迭代是否结束;
若迭代结束,则输出当前Xα的值,作为图像分割阈值;以及
使用所述图像分割阈值进行图像分割。
2.如权利要求1所述的方法,其特征在于,所述适应度基于信息熵构造的适应度函数计算得到。
7.如权利要求1所述的方法,其特征在于,剩余灰狼个体的位置更新根据如下公式计算得到:
Xik(t+1)=Xik(t)+Vik(t+1)+ρ,
其中,
Xik(t)指第t次迭代中,第i个灰狼个体位置矢量的第k维,ρ为补偿系数,
Vik(t+1)=wVik(t)+c1rand1(Pik(t)-Xik(t))+c2rand2(Pgk(t)-Xik(t)),指第t+1次迭代中,第i个灰狼个体速度矢量的第k维,其中,
w为惯性权重;
c1、c2为加速因子;
r1、r2为随机函数,取值[0,1]之间的随机数;
Pik(t)指第t次迭代中,第i个灰狼个体的个体最优位置的第k维;以及
Pgk(t)指第t次迭代中,群体最优位置的第k维。
8.如权利要求1所述的方法,其特征在于,所述迭代是否结束的判断条件为:迭代次数等于最大迭代次数,则迭代结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010799487.XA CN111932556A (zh) | 2020-08-11 | 2020-08-11 | 一种多级阈值图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010799487.XA CN111932556A (zh) | 2020-08-11 | 2020-08-11 | 一种多级阈值图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111932556A true CN111932556A (zh) | 2020-11-13 |
Family
ID=73307445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010799487.XA Pending CN111932556A (zh) | 2020-08-11 | 2020-08-11 | 一种多级阈值图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932556A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132911A (zh) * | 2020-11-25 | 2020-12-25 | 恒银金融科技股份有限公司 | 一种用于红外数字图像检测的阈值自适应方法 |
CN112767432A (zh) * | 2021-02-24 | 2021-05-07 | 长沙民政职业技术学院 | 基于差分变异灰狼优化的核直觉模糊聚类图像分割方法 |
CN116894851A (zh) * | 2023-09-11 | 2023-10-17 | 吉林农业大学 | 一种土壤ct图像孔隙提取方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169983A (zh) * | 2017-04-13 | 2017-09-15 | 西安电子科技大学 | 基于交叉变异人工鱼群算法的多阈值图像分割方法 |
CN109886976A (zh) * | 2019-02-19 | 2019-06-14 | 湖北工业大学 | 一种基于灰狼优化算法的图像分割方法及系统 |
CN110827299A (zh) * | 2019-11-07 | 2020-02-21 | 陕西师范大学 | 一种基于哈里斯鹰优化算法的图像分割方法 |
CN110969639A (zh) * | 2019-11-21 | 2020-04-07 | 陕西师范大学 | 一种基于lfmvo优化算法的图像分割方法 |
-
2020
- 2020-08-11 CN CN202010799487.XA patent/CN111932556A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169983A (zh) * | 2017-04-13 | 2017-09-15 | 西安电子科技大学 | 基于交叉变异人工鱼群算法的多阈值图像分割方法 |
CN109886976A (zh) * | 2019-02-19 | 2019-06-14 | 湖北工业大学 | 一种基于灰狼优化算法的图像分割方法及系统 |
CN110827299A (zh) * | 2019-11-07 | 2020-02-21 | 陕西师范大学 | 一种基于哈里斯鹰优化算法的图像分割方法 |
CN110969639A (zh) * | 2019-11-21 | 2020-04-07 | 陕西师范大学 | 一种基于lfmvo优化算法的图像分割方法 |
Non-Patent Citations (1)
Title |
---|
聂启颖 等: "面向深空探测图像分割的群智能混合优化算法", 《激光与光电子学进展》, pages 2 - 4 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132911A (zh) * | 2020-11-25 | 2020-12-25 | 恒银金融科技股份有限公司 | 一种用于红外数字图像检测的阈值自适应方法 |
CN112132911B (zh) * | 2020-11-25 | 2021-03-16 | 恒银金融科技股份有限公司 | 一种用于红外数字图像检测的阈值自适应方法 |
CN112767432A (zh) * | 2021-02-24 | 2021-05-07 | 长沙民政职业技术学院 | 基于差分变异灰狼优化的核直觉模糊聚类图像分割方法 |
CN116894851A (zh) * | 2023-09-11 | 2023-10-17 | 吉林农业大学 | 一种土壤ct图像孔隙提取方法和系统 |
CN116894851B (zh) * | 2023-09-11 | 2023-11-14 | 吉林农业大学 | 一种土壤ct图像孔隙提取方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN111932556A (zh) | 一种多级阈值图像分割方法 | |
Kavzoglu et al. | Parameter-based performance analysis of object-based image analysis using aerial and Quikbird-2 images | |
Caraffi et al. | Off-road path and obstacle detection using decision networks and stereo vision | |
CN110349160A (zh) | 一种基于超像素与模糊c均值聚类sar图像分割方法 | |
CN110992341A (zh) | 一种基于分割的机载LiDAR点云建筑物提取方法 | |
CN108229550A (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN106199557A (zh) | 一种机载激光雷达数据植被提取方法 | |
CN109409240A (zh) | 一种结合随机游走的SegNet遥感图像语义分割方法 | |
CN111339947A (zh) | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 | |
CN106683118A (zh) | 一种基于分层模型的无人机目标跟踪方法 | |
CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN115147746B (zh) | 基于无人机遥感图像的盐碱地质识别方法 | |
Hui et al. | An active learning method for DEM extraction from airborne LiDAR point clouds | |
CN110147816A (zh) | 一种彩色深度图像的获取方法、设备、计算机存储介质 | |
Liu et al. | Joint use of ICESAT/GLAS and Landsat data in land cover classification: A case study in Henan province, China | |
CN115344057B (zh) | 植被密集区航线规划方法、系统及存储介质、电子设备 | |
CN110363299A (zh) | 面向露头岩层分层的空间案例推理方法 | |
Vo et al. | Aerial laser scanning and imagery data fusion for road detection in city scale | |
CN111986223B (zh) | 一种基于能量函数的室外点云场景中树木提取方法 | |
CN110188811A (zh) | 基于赋范梯度特征与卷积神经网络的水下目标检测方法 | |
CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
CN113468982A (zh) | 一种城市功能区分类方法、装置及存储介质 | |
Sun et al. | A study on the classification of vegetation point cloud based on random forest in the straw checkerboard barriers area |
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 |