[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

说明书

本发明涉及一种基于自适应布谷鸟优化法的图像多阈值分割方法，由获得需要处理的灰度图像、设定目标函数、用自适应布谷鸟优化法寻找最佳阈值、图像多阈值分割步骤组成。鸟窝的初始位置分布在灰度图的像素大小边界值范围内，以最大熵作为本方法的适应度函数，以适应度值的大小来评价每个鸟窝所在位置的优劣，通过不断经历莱维飞行和随机偏好游动迭代环节更新鸟窝位置，快速准确地找到全局最优阈值，对图像进行分割。本发明与现有技术相比，具有分割阈值精准度高，较好的实时性等优点，可用于彩色图像和灰度图像分割。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于自适应布谷鸟优化法的图像多阈值分割方法。

背景技术

图像分割本质上是一个分类问题，目的是将一幅图像划分成若干个具有某种均匀一致性的区域，从而提取出图像中的一个或多个目标。阈值分割法是一种传统的图像分割方法，其具有物理意义明确、易于实现的特点。当扩展到图像多阈值分割时，搜索空间大，计算复杂度高和计算时间长，则传统的穷举法不能达到良好的实时性。

最大熵阈值法是使得分割后的图像目标类和背景类的总熵值最大，即用几个阈值将图像的灰度直方图分成独立的类，使得各类的总熵最大。因此可以被视为一个优化问题。目前很多学者将智能优化算法如粒子群优化方法、萤火虫优化方法等应用于图像多阈值求解。但是仍存在搜索速度慢、精度不高等问题。

布谷鸟算法(Cuckoo Search,简称CS)模拟了布谷鸟独特的寻窝产卵行为，并引入自然界鸟类、果蝇运动轨迹的Lêvy飞行机制，能够快速有效地寻找到最优解。但同其他群智能算法一样，也存在后期易陷入局部最优、搜索精度低等缺点。所以引入一种自适应步长的改进布谷鸟(Adaptive Cuckoo Search，简称ACS)优化法来改善布谷鸟算法的局部寻优能力，并将其应用到以最大熵为准则函数的灰度图像多阈值分割中，来提高其分割质量和速度。

发明内容

本发明要解决的技术问题是：提供一种基于自适应布谷鸟优化法的图像多阈值分割方法，解决传统最大熵法耗时长、精度不高的问题。

解决上述问题所采用的技术方案是由下述步骤组成：

(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