[发明专利]基于反向和声搜索的脐橙图像分割方法

摘要

本发明公开了一种基于反向和声搜索的脐橙图像分割方法。本发明采用反向和声搜索来优化脐橙图像分割的聚类中心。在反向和声搜索中，首先执行基于反向学习策略的搜索操作产生新个体，然后将产生的新个体与和声库中的最差个体进行竞争，如此循环该搜索过程直到满足终止条件，最后把得到的最优个体解码为脐橙图像分割的聚类中心，即可实现脐橙图像的分割。本发明能够提高脐橙图像的分割精度。

主权项

一种基于反向和声搜索的脐橙图像分割方法，其特征在于，包括以下步骤：步骤1，输入一幅脐橙图像IM，然后将图像IM转换为YCrCb颜色空间的图像IMN，并提取图像IMN中每个像素的Cb颜色分量值作为脐橙图像分割数据；步骤2，用户初始化参数，设置脐橙图像分割类别数量D，和声库的大小HMS，和声库选取概率HMCR，扰动概率PAR，最大评价次数MAX_FEs；步骤3，令当前演化代数t＝0，并令当前评价次数FEs＝0；步骤4，随机产生初始和声库其中：个体下标i＝1,2,...,HMS，并且为和声库HMt中的第i个个体；个体存储了D个分割类别的聚类中心，其中为个体中的第j个聚类中心，其随机初始化公式为：Bi,jt=rand(0,1)×255]]>其中维度下标j＝1,2,...,D；rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数；步骤5，计算和声库HMt中每个个体的适应值；步骤6，令当前评价次数FEs＝FEs+HMS；步骤7，保存和声库HMt中的最优个体Bestt；步骤8，执行基于反向学习策略的搜索操作产生个体Ut，具体步骤如下：步骤8.1，令计数器tj＝0；步骤8.2，如果计数器tj小于或等于D，则转到步骤8.3，否则转到步骤9；步骤8.3，在[0,1]之间产生一个随机实数cR；步骤8.4，如果cR小于HMCR，则转到步骤8.5，否则转到步骤8.17；步骤8.5，在[1,HMS]之间随机产生一个正整数TR2；步骤8.6，令步骤8.7，在[0,1]之间产生一个随机实数Pcr；步骤8.8，如果Pcr小于PAR，则转到步骤8.9，否则转到步骤8.18；步骤8.9，在[0,1]之间产生一个随机实数Pmd；步骤8.10，如果Pmd小于0.5，则转到步骤8.11，否则转到步骤8.14；步骤8.11，在[1,HMS]之间随机产生一个不等于TR2的正整数TR3；步骤8.12，令步骤8.13，转到步骤8.18；步骤8.14，按以下公式计算和声库HMt中第tj维的下界和上界LOBtjt=min(Bi,tjt)]]>UOBtjt=max(Bi,tjt)]]>其中个体下标i＝1,2,...,HMS；min为取最小值函数；max为取最大值函数；步骤8.15，令其中反向因子OBW为[0,1]之间的随机实数，权值因子RBW为[0,1]之间的随机实数；步骤8.16，转到步骤8.18；步骤8.17，在[1,HMS]之间随机产生两个不相等的正整数TR4和TR5，然后令其中交叉因子RW为[0,1]之间的随机实数，步长因子RF为[0,1]之间的随机实数；步骤8.18，令计数器tj＝tj+1，转到步骤8.2；步骤9，计算个体Ut的适应值，然后在个体Ut与和声库中的最差个体这两者之间选择出更优个体进入新一代和声库；步骤10，令当前评价次数FEs＝FEs+1，并令当前演化代数t＝t+1；步骤11，保存和声库HMt中的最优个体Bestt；步骤12，重复步骤8至步骤11，直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Bestt解码为D个分割类别的聚类中心，利用这D个分割类别的聚类中心即可实现脐橙图像的分割。