[发明专利]基于改进人工蜂群算法的图像分割方法

说明书

技术领域

本发明涉及图像处理领域，具体涉及基于改进人工蜂群算法的灰度图像分割方法。

背景技术

在图像处理过程中人们通常只对图像中的某些部分感兴趣。例如红外图像中，亮度较高的区域是红外传感器检测到热目标，其余部分对于红外图像来说就是背景。为了保留这部分有价值区域，可以考虑将目标区域从图像中分割出来，为后续的图像融合、目标检测、目标跟踪等做准备，而图像分割的准确性和分割效果的鲁棒性均会对后续的图像处理产生直接影响，因此开展图像分割技术的研究具有较大的应用价值。

图像分割的方法可分为阈值法、分水岭分割法、区域生长法、聚类法等。其中聚类法是将图像像素的特征作为样本，根据样本空间中的相似性完成归类，实现图像分割。这种方法属于无监督分类，无需训练样本，众多聚类算法中基于K均值聚类的分割方法应用最为广泛，其具有算法简单、高效的优点，适合处理大规模的数据聚类问题。但是K均值聚类易受初始值影响，导致分割效果不稳定，并且算法易于陷入局部最优，影响分割的准确性。因此需要更先进的聚类方法处理图像分割问题。

人工蜂群算法是由Karaboga于2005年提出的一种优化函数数值的智能算法。这种方法模拟蜜蜂采蜜过程，蜜源位置对应所求问题的可行解，蜜蜂寻找蜜源可以理解为是寻找最优解的过程，具有误差小、鲁棒性强的特点，比传统的优化方法更适合处理多维、大规模、非线性的复杂问题，且受人为主观因素的影响较小。

基于这个特点，本发明提出了一种基于改进人工蜂群算法的图像分割方法，提高图像分割的鲁棒性和准确性。

发明内容

鉴于上述现有技术存在的问题，本发明提供基于改进人工蜂群算法的图像分割方法。

本发明解决技术问题采用如下技术方案：基于改进人工蜂群算法的图像分割方法，基于改进人工蜂群算法的图像分割方法，包括：步骤1.输入待分割的灰度图像；步骤2.设置参数并完成可行解矩阵初始化，将所述图像中包含的不同灰度值作为样本，聚类中心值作为算法的解，依次设置蜂群数量ColonySize、最大循环次数MaxCycles、可行解维数Dim以及取值范围、“开采”失败次数上限limit、目标函数，在可行解取值范围内初始化大小为ColonySize*Dim的可行解矩阵，在聚类数取值范围[2,k_max]内，选择最高的平均sil值对应的聚类数k作为改进人工蜂群算法中可行解的维数Dim，待分割灰度图像的最大、最小灰度值规定了可行解的取值范围，将误差和函数作为目标函数；步骤3.构造新解并记录较优的解信息，构造新解v_i，并求适应度值，若新解适应度值更优则替换原解，否则解不变，limit的值加一；步骤4.观察蜂选择蜜源，计算信息素，将灵敏度与信息素比较，观察蜂选择蜜源并更新，若新解的适应度值更优则替换原解，limit置零，否则解不变，limit的值再加一；步骤5.根据limit的值判断是否舍弃某解，若某个解的limit的值超过预先设置的limit上限，则按步骤2中初始化可行解的方法产生新的蜜源，蜜源对应的limit值置零，并重新计算适应度值，若limit的值未达到上限，则不进行操作；步骤6.替换最差解，更新每代循环中适应度值最小的解，计算新解的适应度值，若优于原解的适应度值，则替换原解，对应的limit置零，否则解不变；步骤7.更新全局最优解，将本次迭代最优解与全局最优解比较，若适应度值更高，则更新全局最优解，否则全局最优解不变，所述本次迭代最优解具有最高适应度值；步骤8.判断是否结束循环，判断迭代次数是否达到预先设置的最大循环次数，若达到则结束循环并输出全局最优解，否则回到步骤3，迭代次数加一；以及步骤9.得到分割图像。

可选的，可行解矩阵初始化的方法为：其中可行解x_i表示一个蜜源，也就是矩阵中的第i行，x_ij表示蜜源i的j位置，i＝1,2,...,ColonySize，j＝1,2,...,Dim，和分别表示j维可行解的下界和上界，rand为一个0-1之间的随机数。

可选的，聚类数为k时对应的Silhouette值计算方法为：

其中，a(i,C_i)表示样本i与所在聚类C_i中其余样本的平均距离，b(i,C_j)表示样本i与另一聚类C_j中所有样本的平均距离，i≠j,j∈[1,k]，b(i)＝min{b(i,C_j)}。Sil取值范围是[-1,1]。Sil的平均值越高说明当前聚类数额取值越合适。