[发明专利]一种基于自适应布谷鸟优化法的图像多阈值分割方法

权利要求书

1.一种基于自适应布谷鸟优化法的图像多阈值分割方法，其特征在于，由下述步骤组成：

(1)图像预处理

读入需要处理的灰度图即待分割图像，确定阈值个数；

(2)设定目标函数

选取最大熵法作为目标函数，最大熵法如下：

对于灰度范围为{0,1,…,L-1}的图像，L为图像的灰度级，设有k个阈值将图像划分为k+1类，有

其中，H_i(t₁,t₂,…,t_k)为第i个个体的适应度函数值，i为有限的正整数，t₁,t₂,…,t_k为分割阈值，p_i为第i个灰度出现的概率，最佳阈值为使得总熵取得最大值，即

(3)用自适应布谷鸟优化法寻找最佳阈值

1)设置参数

随机生成N个鸟窝且N为正整数，最大迭代次数为iter_max、发现概率p_a∈[0,1]，将N个鸟窝随机分布在灰度图像最大灰度值L_max和最小灰度值L_min之间；

2)确定适应度函数值

根据公式(1)和鸟窝初始位置X_i，确定适应度函数值H_i；

3)莱维飞行更新鸟窝位置

根据适应度函数值的大小，保留当前迭代次数中全局最优鸟窝，记为X_best，满足：

H(X_best)＝max(H_i) (2)

其他鸟窝采用改进的莱维飞行(式(3))进行更新为：

其中，和分别表示第(t+1)代和第t代的位置，α表示步长，为点对点乘法，iter是当前迭代次数，为随机搜索路径，并且与时间t的关系服从分布，即

为了便于计算，采用式(5)计算随机数：

式中μ、ν服从标准正态分布，β为常数且

其中，Γ为伽玛函数， 因此，在莱维飞行环节中ACS算法采用公式(7)生成新的解

4)偏好随机游走更新鸟窝位置

通过位置更新后，用随机数r∈[0,1]与p_a对比，若rp_a，则对采用偏好随机游动生成相同数量的新解，偏好随机游动如式(8)所示：

其中，r是压缩因子，为(0,1)区间的均匀分布随机数，和为第t代的两个随机解，且p_a＝p_{a max}-(p_{a max}-p_{a min})×exp(-η(iter/iter_max)^θ)，iter为当前迭代次数，iter_max为设置的最大迭代次数，η和θ为常数，p_{a max}和p_{a min}是p_a的上下限；w＝1-0.2(H_i-H_min)/(H_max-H_min)H_i、H_min和H_max分别为每代种群中第i个个体、最差个体以及最优个体的适应度；

5)更新全局最佳阈值

重复上述1)～4)步骤，获得全局最优值，比较新一组的全局最优值的适应度值与原全局最优值的适应度值的大小，若新的适应度值大于原适应度值，更新全局最优值，直到达到最大迭代次数iter_max，此时的全局最优值即为图像多阈值分割的最佳阈值；

(4)图像多阈值分割

根据搜索的最佳阈值对待分割的灰度图像进行多阈值分割，得到分割后的图像。

2.根据权利要求1所述的一种基于自适应布谷鸟优化法的图像多阈值分割方法，其特征在于：在步骤(2)中，所述的k是阈值个数，k的取值范围为5～11。