CN116051591B - 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法 - Google Patents

一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法 Download PDF

Info

Publication number
CN116051591B
CN116051591B CN202310318062.6A CN202310318062A CN116051591B CN 116051591 B CN116051591 B CN 116051591B CN 202310318062 A CN202310318062 A CN 202310318062A CN 116051591 B CN116051591 B CN 116051591B
Authority
CN
China
Prior art keywords
algorithm
strip steel
optimal
value
steel 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.)
Active
Application number
CN202310318062.6A
Other languages
English (en)
Other versions
CN116051591A (zh
Inventor
岳晓峰
田云胜
张洪博
朱娟
刘智博
王震
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.)
Changchun University of Technology
Original Assignee
Changchun University of Technology
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 Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN202310318062.6A priority Critical patent/CN116051591B/zh
Publication of CN116051591A publication Critical patent/CN116051591A/zh
Application granted granted Critical
Publication of CN116051591B publication Critical patent/CN116051591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，属于图像处理技术领域。输入待分割的带钢图像，将类间方差用作适应度函数，用适应度值表示鸟巢位置的好坏，在偏好随机游走中引入智能感知策略，并对算法的迭代过程进行了修改、与入侵杂草算法融合、在搜索过程中提出分组交叉策略，通过改进的布谷鸟搜索算法获得全局最优阈值，利用全局最优阈值对带钢图像进行分割。本发明应用于带钢图像分割，与现有技术相比，能够以更高的搜索性能找出全局最优阈值，实现准确的带钢图像阈值分割。

Description

一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法。
背景技术
工业生产中的带钢表面常常存在多种类型的缺陷，利用图像阈值分割方法对带钢表面缺陷进行检测是一种新兴的技术手段。图像的阈值分割方法具有简单、直观和易于实现的优点，然而，当带钢图像需要进一步分割或包含多个待检测缺陷目标时，就需要通过多阈值分割方法完成带钢图像的分割任务，采用传统的穷举方法进行多阈值选择时，计算量会随阈值数量的增加而增大，导致出现分割速度慢和效率低的问题，此外，图像阈值分割的关键技术是寻找适当的阈值对像素进行分类，其本质是对所选取的阈值进行优化，属于一类优化问题。
布谷鸟搜索(CS)算法是近年来提出的一种新的元启发式优化方法，该方法通过模拟布谷鸟的莱维飞行机制和巢寄生产卵行为来进行全局搜索和局部寻优，使得整个搜索空间得到更有效的探索，从而以更高的概率找到全局最优解。CS算法具有参数少、计算速度快和易实现的优点。然而，作为一种全新的群智能优化算法，CS算法的搜索性能还有一定的提升空间，对于传统的CS算法，种群个体采用莱维飞行机制随机游走搜索来寻找最优值，搜索具有很大的盲目性，采用寻巢式的飞行方式在各个方向上进行搜寻，并且在搜索后期收敛速度慢，全局优化能力弱，稳定性难以得到保障，容易陷入局部最优的问题仍然存在，同时，单一的搜索策略在解决复杂的多维空间优化问题时，往往难以兼顾全局搜索和局部寻优的能力。因此，通过提供智能感知策略、分组交叉策略，并与入侵杂草算法相融合，有效提高算法的收敛速度和全局优化能力，快速搜索全局最优阈值，对于提升图像阈值分割的效果具有重要意义。
发明内容
本发明的目的在于提供了一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，对布谷鸟算法的改进具有探索和开发能力强，收敛速度快且避免算法陷入局部最优解的特点，将其应用于带钢图像分割，有效提升了阈值选取的准确性和效率，能够精确的把带钢表面缺陷从背景中分割出来。
本发明所采取的技术方案是，一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，具体实施步骤为：
步骤1 输入待分割的带钢图像；
步骤2 初始化最大迭代次数
Figure SMS_1
，种群数量为/>
Figure SMS_2
的鸟巢数量，发现概率/>
Figure SMS_3
，以及宿主鸟巢的初始位置/>
Figure SMS_4
；
步骤3 计算初始最优阈值，根据初始鸟巢位置和类间方差公式计算适应度函数
Figure SMS_5
，并计算每个鸟巢的适应度值/>
Figure SMS_6
，得到当前最优适应度值/>
Figure SMS_7
和当前最优阈值；
步骤4 通过莱维飞行生成新解
Figure SMS_8
，计算新解的最优适应度值/>
Figure SMS_9
；
步骤5 新解的最优适应度值
Figure SMS_10
与上一代最优适应度值进行比较，保留更好的解；
步骤6 寻找全局最优阈值，根据发现概率
Figure SMS_11
丢弃部分解，用随机数/>
Figure SMS_12
与/>
Figure SMS_13
进行比较，若/>
Figure SMS_14
，保留原始解，反之，舍弃原始解，利用智能感知策略修改偏好随机游走，并用修改后的偏好随机游走产生新解/>
Figure SMS_15
，计算新解的最优适应度值/>
Figure SMS_16
，与上一代最优解的适应度值再次比较，最后保留最好的一组解；
步骤7 进一步搜索全局最优阈值，将原始CS算法与入侵杂草(IWO)算法相融合，并引入分组交叉策略；
步骤8 更新最优鸟巢位置, 获取全局最优阈值；
步骤9 若未达到最大迭代次数或最小误差要求，则返回步骤4，否则，继续进行下一步；
步骤10 输出全局最优阈值，利用最优阈值对带钢图像进行分割；
步骤 11 输出分割后的带钢图像。
本发明的特点在于：
步骤3 中，使用类间方差作为适应度函数，类间方差可表示为：
Figure SMS_17
,
对于多阈值分割，用
Figure SMS_35
这/>
Figure SMS_39
个阈值将图像划分成/>
Figure SMS_43
、/>
Figure SMS_19
、…、/>
Figure SMS_23
区域，其中，/>
Figure SMS_27
灰度值范围为/>
Figure SMS_31
，/>
Figure SMS_37
灰度值范围为/>
Figure SMS_41
，/>
Figure SMS_45
灰度值范围为
Figure SMS_48
，/>
Figure SMS_46
是图像最大灰度；/>
Figure SMS_49
，/>
Figure SMS_50
和/>
Figure SMS_51
分别为/>
Figure SMS_36
，/>
Figure SMS_40
和/>
Figure SMS_44
所占比例，上述公式中，
Figure SMS_47
,/>
Figure SMS_18
,/>
Figure SMS_24
;/>
Figure SMS_28
，/>
Figure SMS_32
和/>
Figure SMS_20
分别为/>
Figure SMS_25
，/>
Figure SMS_29
和/>
Figure SMS_33
的平均灰度，上述公式中：/>
Figure SMS_30
,/>
Figure SMS_34
,/>
Figure SMS_38
;/>
Figure SMS_42
为图像的平均灰度，表示为：/>
Figure SMS_21
;其中，/>
Figure SMS_22
为第/>
Figure SMS_26
个灰度出现的概率，当满足如下公式时，即获得最优阈值：
Figure SMS_52
；
步骤6中，提供了智能感知策略，具体按照以下步骤实施：
提供了一种智能感知策略，用于修改原算法在偏好随机游走中的迭代过程，本发明引入的智能感知策略的数学模型为：
Figure SMS_53
，
其中，
Figure SMS_54
是/>
Figure SMS_59
次迭代的衰减系数值，/>
Figure SMS_61
是/>
Figure SMS_55
次迭代的衰减系数值，/>
Figure SMS_58
为常数，
Figure SMS_60
是/>
Figure SMS_62
次迭代的最优解，/>
Figure SMS_56
是/>
Figure SMS_57
次迭代的最优解；
根据所述的数学模型，修改后的迭代方程可表示为：
Figure SMS_63
，
式中，
Figure SMS_65
和/>
Figure SMS_69
分别表示第/>
Figure SMS_71
个鸟巢在第/>
Figure SMS_64
代和第/>
Figure SMS_67
代的位置向量，/>
Figure SMS_70
为比例因子，是/>
Figure SMS_72
区间的均匀分布随机数，/>
Figure SMS_66
和/>
Figure SMS_68
是随机生成的两个解；
步骤 7 中，将CS算法与IWO算法相融合，并利用分组交叉策略对原始CS算法进行改进，具体按照以下步骤实施：
步骤 7.1 利用IWO算法提高原始CS算法的搜索性能，设定适应度值较高的前三分之一的搜索个体将进入IWO操作，产生的种子数量表示为：
Figure SMS_73
，
其中，
Figure SMS_74
是第/>
Figure SMS_78
个杂草的种子，/>
Figure SMS_80
是第/>
Figure SMS_76
个杂草的适应度值，/>
Figure SMS_77
是最优适应度值，
Figure SMS_79
是最差适应度值，/>
Figure SMS_81
表示最大种子数，/>
Figure SMS_75
表示最小种子数，生成的种子是随机分布的，可表示为：
Figure SMS_82
，
其中，
Figure SMS_83
为当前迭代次数的标准差，/>
Figure SMS_84
是最大迭代次数，/>
Figure SMS_85
是当前迭代次数，/>
Figure SMS_86
是一个非线性指数，/>
Figure SMS_87
是初始标准差，/>
Figure SMS_88
为最终标准差；
步骤7.2 在搜索过程中，本发明提出在分组后进行交叉操作，即分组交叉策略，其数学模型可表示为：
Figure SMS_89
，
Figure SMS_90
，
其中，
Figure SMS_91
和/>
Figure SMS_92
是新生成的搜索个体，/>
Figure SMS_93
和/>
Figure SMS_94
为高质量搜索个体，即适应度值较高的个体位置， />
Figure SMS_95
和/>
Figure SMS_96
为低质量搜索个体，即适应度值较低的个体位置。
本发明的有益效果是：
本发明提供的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，对于原始布谷鸟算法的改进包括：首先，引入了智能感知策略，根据搜索状态更新值，并对算法的迭代过程进行了修改；其次，通过与IWO算法的融合，提高了CS算法的搜索性能和开发能力；最后，在搜索过程中，提出了一种分组交叉策略，以加快CS算法的收敛速度，避免算法陷入局部最优解；将改进的CS算法应用于带钢图像的阈值分割，不仅能够准确的搜索出全局最优阈值，还能提升搜索速度，获得更好的图像分割效果，从而有效的将表面缺陷从带钢图像中分割出来。
附图说明
图1是本发明的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法的流程图。
图2(a)是使用本发明方法对带有裂纹缺陷的带钢图像进行2阈值分割的效果图;图2(b)是使用本发明方法对带有裂纹缺陷的带钢图像进行3阈值分割的效果图; 图2(c)是使用本发明方法对带有裂纹缺陷的带钢图像进行4阈值分割的效果图; 图2(d)是使用本发明方法对带有裂纹缺陷的带钢图像进行5阈值分割的效果图。
图3(a)是使用本发明方法对带有划伤缺陷的带钢图像进行2阈值分割的效果图;图3(b)是使用本发明方法对带有划伤缺陷的带钢图像进行3阈值分割的效果图; 图3(c)是使用本发明方法对带有划伤缺陷的带钢图像进行4阈值分割的效果图; 图3(d)是使用本发明方法对带有划伤缺陷的带钢图像进行5阈值分割的效果图。
图4(a)是使用原始CS算法对带有裂纹缺陷的带钢图像进行5阈值分割的效果图；图4(b)是使用本发明改进的CS算法对带有裂纹缺陷的带钢图像进行5阈值分割的效果图。
图5(a)是使用原始CS算法对带有划伤缺陷的带钢图像进行5阈值分割的效果图；图5(b)是使用本发明改进的CS算法对带有划伤缺陷的带钢图像进行5阈值分割的效果图。
图6是使用本发明提供的方法和原始CS算法对带有裂纹缺陷的带钢图像进行5阈值分割的收敛曲线。
图7是使用本发明提供的方法和原始CS算法对带有划伤缺陷的带钢图像进行5阈值分割的收敛曲线。
实施方式
下面结合附图和实施例对本发明做进一步详细说明。
本发明公开了一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，所述的方法中，对原始布谷鸟搜索算法进行了三种策略的改进：第一，考虑了搜索状态，引入了智能感知策略，并对算法的迭代过程进行了修改；第二，通过与IWO算法的融合，提高了CS算法的搜索性能和开发能力；最后，在搜索过程中，提出了一种分组交叉策略，以加快CS算法的收敛速度，避免算法陷入局部最优解。使用改进的CS算法对带钢图像实施阈值分割，将类间方差用作适应度函数，通过这些策略的改进，本发明方法能够以更快的收敛速度搜索到更加精确的全局最优阈值，使用全局最优阈值实现带钢图像的准确分割，从而有效的将表面缺陷从带钢图像中分割出来。
本发明提供的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法流程如图1所示，具体按照以下步骤实施：
步骤1 输入待分割的带钢图像；
步骤2 对改进的布谷鸟搜索算法参数进行初始化，包括最大迭代次数
Figure SMS_97
，种群数量为/>
Figure SMS_98
的鸟巢数量，发现概率/>
Figure SMS_99
，以及宿主鸟巢的初始位置/>
Figure SMS_100
；
步骤3 建立用于带钢图像分割的适应度函数，计算初始最优阈值，根据初始鸟巢位置和类间方差公式计算适应度函数
Figure SMS_101
，并计算每个鸟巢的适应度值/>
Figure SMS_102
，得到当前最优适应度值/>
Figure SMS_103
和当前最优阈值；
在此步骤中，本发明使用类间方差作为带钢图像阈值分割的适应度函数，类间方差可表示为：
Figure SMS_104
,
对于多阈值分割，用
Figure SMS_123
这/>
Figure SMS_127
个阈值将图像划分成/>
Figure SMS_131
、/>
Figure SMS_107
、…、/>
Figure SMS_109
区域，其中，/>
Figure SMS_113
灰度值范围为/>
Figure SMS_118
，/>
Figure SMS_117
灰度值范围为/>
Figure SMS_121
，/>
Figure SMS_125
灰度值范围为
Figure SMS_129
，/>
Figure SMS_133
是图像最大灰度；/>
Figure SMS_136
，/>
Figure SMS_137
和/>
Figure SMS_138
分别为/>
Figure SMS_124
，/>
Figure SMS_128
和/>
Figure SMS_132
所占比例，上述公式中，
Figure SMS_135
,/>
Figure SMS_105
,/>
Figure SMS_112
;/>
Figure SMS_116
，/>
Figure SMS_119
和/>
Figure SMS_108
分别为/>
Figure SMS_110
，/>
Figure SMS_114
和/>
Figure SMS_120
的平均灰度，上述公式中：/>
Figure SMS_122
,/>
Figure SMS_126
,/>
Figure SMS_130
;/>
Figure SMS_134
为图像的平均灰度，表示为：/>
Figure SMS_106
;其中，/>
Figure SMS_111
为第/>
Figure SMS_115
个灰度出现的概率，当满足如下公式时，即获得最优阈值：
Figure SMS_139
；
步骤4 通过莱维飞行生成新解
Figure SMS_140
，计算新解的最优适应度值/>
Figure SMS_141
；
步骤5 新解的最优适应度值
Figure SMS_142
与上一代最优适应度值进行比较，保留更好的解；
步骤6 寻找全局最优阈值，根据发现概率
Figure SMS_143
丢弃部分解，用随机数/>
Figure SMS_144
与/>
Figure SMS_145
进行比较，若/>
Figure SMS_146
，保留原始解，反之，舍弃原始解，利用智能感知策略修改偏好随机游走，并用修改后的偏好随机游走产生新解/>
Figure SMS_147
，计算新解的最优适应度值/>
Figure SMS_148
，与上一代最优解的适应度值再次比较，最后保留最好的一组解；
其中，本发明公开的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法在此步骤的具体实施方式为：
在步骤6中，提供了一种智能感知策略，用于修改原算法在偏好随机游走中的迭代过程，原始CS算法的迭代过程为：
Figure SMS_149
，
其中，
Figure SMS_150
和/>
Figure SMS_154
分别表示第/>
Figure SMS_156
个鸟巢在第/>
Figure SMS_152
代和第/>
Figure SMS_155
代的位置向量，/>
Figure SMS_157
为比例因子，是/>
Figure SMS_158
区间的均匀分布随机数，/>
Figure SMS_151
和/>
Figure SMS_153
是随机生成的两个解；原始CS算法的迭代过程忽略了算法的搜索状态，本发明引入的智能感知策略的数学模型为：
Figure SMS_159
，
其中，
Figure SMS_162
是/>
Figure SMS_165
次迭代的衰减系数值，/>
Figure SMS_167
是/>
Figure SMS_160
次迭代的衰减系数值，/>
Figure SMS_163
为常数，
Figure SMS_166
是/>
Figure SMS_168
次迭代的最优解，/>
Figure SMS_161
是/>
Figure SMS_164
次迭代的最优解；
根据所述的数学模型，修改后的迭代方程可表示为：
Figure SMS_169
；
步骤7进一步快速准确的搜索全局最优阈值，与IWO算法相融合，并引入分组交叉策略，具体按以下步骤实施：
步骤7.1 利用IWO算法提高原始CS算法的搜索性能，设定适应度值较高的前三分之一的搜索个体将进入IWO操作，以此来降低计算复杂度，在IWO中，适应度值越高的杂草产生的种子越多，适应度值越低的杂草产生的种子越少，产生的种子数量表示为：
Figure SMS_170
，
其中，
Figure SMS_173
是第/>
Figure SMS_174
个杂草的种子，/>
Figure SMS_176
是第/>
Figure SMS_172
个杂草的适应度值，/>
Figure SMS_175
是最优适应度值，
Figure SMS_177
是最差适应度值，/>
Figure SMS_178
表示最大种子数，/>
Figure SMS_171
表示最小种子数，生成的种子是随机分布的，可表示为：
Figure SMS_179
，
其中，
Figure SMS_180
为当前迭代次数的标准差，/>
Figure SMS_181
是最大迭代次数，/>
Figure SMS_182
是当前迭代次数，/>
Figure SMS_183
是一个非线性指数，/>
Figure SMS_184
是初始标准差，/>
Figure SMS_185
为最终标准差；
步骤7.2 在搜索过程中，适应度值较高的搜索个体以较高的概率接近理论最优解，而适应度值较低的搜索个体则距离理论最优解较远，本发明提出在分组后进行交叉操作，即分组交叉策略；高质量搜索个体之间的交叉操作对于提高搜索个体的收敛速度具有重要作用，另一方面，对低质量搜索个体的交叉操作可以防止算法陷入局部最优解，分组交叉策略的数学模型表示为：
Figure SMS_186
，
Figure SMS_187
，
其中，
Figure SMS_188
和/>
Figure SMS_189
是新生成的搜索个体，/>
Figure SMS_190
和/>
Figure SMS_191
为高质量搜索个体，即适应度值较高的个体位置，/>
Figure SMS_192
和/>
Figure SMS_193
为低质量搜索个体，即适应度值较低的个体位置；
步骤8 更新最优鸟巢位置，获取全局最优阈值；
步骤9 若未达到最大迭代次数或最小误差要求，则返回步骤4，否则，继续进行下一步；
步骤10 输出全局最优阈值，利用最优阈值对带钢图像进行分割；
步骤11 输出分割后的带钢图像。
针对带有裂纹缺陷的带钢图像，使用本发明提供的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，分别进行2阈值、3阈值、4阈值、5阈值的分割，分割效果如图2(a)、图2(b)、图2(c)、图2(d)所示；针对带有划伤缺陷的带钢图像，使用本发明提供的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，分别进行2阈值、3阈值、4阈值、5阈值的分割，分割效果如图3(a)、图3(b)、图3(c)、图3(d)所示。从分割效果可以看出，使用本发明方法对带钢图像进行分割，随着分割阈值数量的增加，带钢图像分割质量逐渐提高，表面缺陷的细节信息也被更好的分割出来，说明本发明提供的改进方法可以较好的解决带钢图像阈值分割问题。
针对带有裂纹缺陷的带钢图像进行5阈值分割，对比了如图4(a)所示的使用原始CS算法和如图4(b)所示的使用本发明提出的改进方法的分割效果；针对带有划伤缺陷的带钢图像进行 5阈值分割，对比了如图5(a)所示的使用原始CS算法和如图5(b)所示的使用本发明提出的改进方法的分割效果；对比效果表明了本发明提出的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法在带钢表面缺陷图像中的分割性能更好。
图6和图7分别是针对带有裂纹和划伤缺陷的带钢图像，使用本发明提供的改进CS方法和原始CS算法进行5阈值分割的收敛曲线，图中横坐标是算法的迭代次数，纵坐标表示平均适应度值，从图6和图7的收敛曲线可以看出，本发明提出的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法不仅收敛速度快，而且收敛精度高，证明了本发明提出的改进策略在解决带钢表面缺陷图像阈值分割问题中的优越性。
需要补充的是，上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (3)

1.一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，其特征在于，包括以下步骤：
步骤1输入待分割的带钢图像，用改进的布谷鸟搜索算法获取全局最优分割阈值；
步骤2初始化最大迭代次数itermax，种群数量为N的鸟巢数量，发现概率Pa，以及宿主鸟巢的初始位置Xi(i＝1,2,…,N)；
步骤3计算初始最优阈值，根据初始鸟巢位置和类间方差公式计算适应度函数F(Xi)，并计算每个鸟巢的适应度值fi＝F(Xi)，得到当前最优适应度值fbest和当前最优阈值；
步骤4通过莱维飞行生成新解Xnew，计算新解的最优适应度值fbest′＝F(Xnew)；
步骤5新解的最优适应度值fbest′与上一代最优适应度值进行比较，保留更好的解；
步骤6寻找全局最优阈值，根据发现概率Pa丢弃部分解，用随机数r∈[0,1]与Pa进行比较，若r≤Pa，保留原始解，反之，舍弃原始解，利用公式(1)所示的智能感知策略修改偏好随机游走，并用修改后的偏好随机游走产生新解Xnew′，计算新解的最优适应度值fbest″＝F(Xnew′)，与上一代最优解的适应度值再次比较，最后保留最好的一组解；
Figure FDA0004227921010000011
公式(1)中，αt+1是t+1次迭代的衰减系数值，αt是t次迭代的衰减系数值，c为常数，
Figure FDA0004227921010000012
是t+1次迭代的最优解，/>
Figure FDA0004227921010000013
是t次迭代的最优解；
步骤7进一步搜索全局最优阈值，与入侵杂草(IWO)算法相融合，设定适应度值较高的前三分之一的搜索个体将进入IWO操作，同时，引入公式(2)(3)所示的分组交叉策略；
Xnew1＝c1*Xbetter1+Xbetter2*(1-c1),c1＝rand(2)
Xnew2＝c2*Xlower1+Xlower2*(1-c2),c2＝rand(3)
公式(2)(3)中，Xnew1和Xnew2是新生成的搜索个体，Xbetter1和Xbetter2为高质量搜索个体，即适应度值较高的个体位置，Xlower1和Xlower2为低质量搜索个体，即适应度值较低的个体位置；
步骤8更新最优鸟巢位置，获取全局最优阈值；
步骤9若未达到最大迭代次数或最小误差要求，则返回步骤4，否则，继续进行下一步；
步骤10输出全局最优阈值，利用全局最优阈值对带钢图像进行分割；
步骤11输出分割后的带钢图像。
2.根据权利要求1所述的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，其特征在于，根据步骤6中所述的智能感知策略的数学模型，修改后的迭代方程可表示为：
Figure FDA0004227921010000021
公式(4)中，
Figure FDA0004227921010000022
和/>
Figure FDA0004227921010000023
分别表示第i个鸟巢在第t+1代和第t代的位置向量，r为比例因子，是(0,1)区间的均匀分布随机数，/>
Figure FDA0004227921010000024
和/>
Figure FDA0004227921010000025
是随机生成的两个解。
3.根据权利要求1所述的一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法，其特征在于，根据步骤7中所述的入侵杂草(IWO)算法和分组交叉策略，具体按照以下步骤实施：
步骤7.1在执行IWO算法时，设定适应度值较高的前三分之一的搜索个体将进入IWO操作；
步骤7.2使用分组交叉策略生成新的搜索个体，即根据适应度值的大小将个体进行分组，对适应度值较高的个体之间和适应度值较低的个体之间分别进行交叉操作。
CN202310318062.6A 2023-03-29 2023-03-29 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法 Active CN116051591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310318062.6A CN116051591B (zh) 2023-03-29 2023-03-29 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310318062.6A CN116051591B (zh) 2023-03-29 2023-03-29 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法

Publications (2)

Publication Number Publication Date
CN116051591A CN116051591A (zh) 2023-05-02
CN116051591B true CN116051591B (zh) 2023-06-16

Family

ID=86133538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310318062.6A Active CN116051591B (zh) 2023-03-29 2023-03-29 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法

Country Status (1)

Country Link
CN (1) CN116051591B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169557A (zh) * 2017-05-12 2017-09-15 淮阴师范学院 一种对布谷鸟优化算法进行改进的方法
CN108681771A (zh) * 2018-04-26 2018-10-19 红河学院 一种混合布谷鸟搜索算法
CN111931899A (zh) * 2020-07-31 2020-11-13 武汉烽火技术服务有限公司 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242878B (zh) * 2018-10-29 2020-06-05 安徽理工大学 一种基于自适应布谷鸟优化法的图像多阈值分割方法
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
CN113361034B (zh) * 2021-06-09 2022-11-01 郑州轻工业大学 基于觅食策略的改进樽海鞘算法的拉压弹簧设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169557A (zh) * 2017-05-12 2017-09-15 淮阴师范学院 一种对布谷鸟优化算法进行改进的方法
CN108681771A (zh) * 2018-04-26 2018-10-19 红河学院 一种混合布谷鸟搜索算法
CN111931899A (zh) * 2020-07-31 2020-11-13 武汉烽火技术服务有限公司 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法

Also Published As

Publication number Publication date
CN116051591A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
Papadopoulos et al. Network mapping by replaying hyperbolic growth
CN110473231B (zh) 一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法
US20190056423A1 (en) Adjoint analysis method and apparatus for data
CN107169557A (zh) 一种对布谷鸟优化算法进行改进的方法
CN109064471B (zh) 一种基于骨架的三维点云模型分割方法
Yu et al. Zinb-based graph embedding autoencoder for single-cell rna-seq interpretations
CN108320293A (zh) 一种结合改进粒子群算法的快速点云边界提取技术
CN112085125A (zh) 基于线性自学习网络的缺失值填补方法、存储介质及系统
CN110909172B (zh) 一种基于实体距离的知识表示学习方法
CN106557777A (zh) 一种基于SimHash改进的Kmeans聚类方法
CN107194818A (zh) 基于节点重要度的标签传播社区发现算法
CN113344256B (zh) 盾构姿态多自由度运动特性预测和控制性能评估系统及方法
CN116681104B (zh) 分布式空间图神经网络的模型建立及实现方法
CN107169594B (zh) 一种车辆路径问题的优化方法及装置
CN114936518A (zh) 一种拉伸/压缩弹簧设计参数求解方法
CN110852435A (zh) 一种基于神经进化计算模型
CN116051591B (zh) 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法
CN110070120B (zh) 基于判别采样策略的深度度量学习方法及系统
CN111353525A (zh) 一种不均衡不完整数据集的建模及缺失值填补方法
Feng et al. Profile of random exponential binary trees
CN114974400B (zh) 一种全局生物网络比对方法
CN110275972A (zh) 一种引入对抗训练的基于内容的实例检索方法
CN111709169B (zh) 基于条件传导概率的多点地质统计学随机模拟方法
CN115019083A (zh) 基于少样本学习的词嵌入图神经网络的细粒度图分类方法
CN113407669A (zh) 一种基于活动影响力的语义轨迹查询方法

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