[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

摘要

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。

主权项

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，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kmax、发现概率pa∈[0,1]，将N个鸟窝随机分布在灰度图像最大灰度值Lmax和最小灰度值Lmin之间。2)确定适应度函数值根据公式(1)和鸟窝初始位置Xi，确定适应度函数值Hi。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Xbest，满足：H(Xbest)＝max(Hi)     (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，k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r>p_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_amax‑(p_amax‑p_amin)×exp(‑η(k/k_max)^θ)，k为当前迭代次数，k_max为设置的最大迭代次数，η和θ为常数，p_amax和p_amin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kmax，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。