[发明专利]基于协作量子粒子群算法的多阈值图像分割方法

说明书

技术领域

本发明属于图像处理领域，特别涉及一种基于协作量子粒子群算法的多阈值图像分割方法。

背景技术

阈值分割法作为一种基于区域的图像分割技术，其基本原理是：通过设定不同的特征阈值，把图像像素点分为若干类。常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。

最大类间方差阈值分割法作为阈值分割算法中的一种，它的基本思路是将直方图在某一闭值处理分割成两组，计算两组的方差信息，因方差是灰度分布均匀性的一种度量，方差值越大，说明构成图像的两部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的分割意味着错分概率最小，此时的阈值即为最佳阈值。根据以上的定义，最大类间方差法可以很简单地扩充到多阈值分割，但这种算法对于每一灰度值都要反复计算其对应方差，计算量较大，例如对于灰度为256级的图像而言，为了获得阈值，设每计算一个方差的时间为t，则总的方差运算时间为256*t。因此，按传统的方法计算最大类间方差已经限制了这种算法的发展。

现有的基于最大类间方差的阈值分割法，包括遗传算法（GA）、蚁群算法以及微粒群算法和最大类间方差阈值分割法，将上述算法相结合，提出了基于群体智能算法的最大类间方差阈值分割法，以加快最大类间方差方法求最优解的速度。上述算法各有优点，但也存在不足之处。具体地说，以上这些算法都没有考虑克服遗传算法、蚁群算法以及微粒群算法本身的局限，如遗传算法、蚁群算法收敛速度低；粒子群算法（PSO）虽然收敛速度快，但有着易于陷入局部最小的缺点；基于量子粒子群算法（QPSO）虽然全局搜索能力强，但仍然有着维数束缚的问题。考虑PSO和QPSO的运行过程可以看出，算法在每一步更新解向量时，所有维向量被同时更新，这就可能出现向量中的某些部分更接近真实解，但是同样可能的是，其余部分解有可能远离了真实解。而QPSO以及PSO算法只是考虑一种全局上的变化，忽略了局部维上解出现倒退的情况，因此有着受维数束缚的缺陷。

发明内容

本发明的目的，在于提供一种基于协作量子粒子群算法的多阈值图像分割方法，其可提高基于最大类间方差的目标函数的多阈值求解速度，提高分割速度的效率。

为了达成上述目的，本发明的解决方案是：

一种基于协作量子粒子群算法的多阈值图像分割方法，包括如下步骤：

（1）根据最佳分割阈值，建立并初始化第一代粒子群；

（2）根据多阈值分割的适应度函数，计算每个粒子的适应度值，并计算每个粒子的个体最优位置以及所有粒子的全局最优位置；

（3）利用协作量子粒子群迭代公式更新所述每个粒子的位置向量，以及所述每个粒子的个体最优位置和所有粒子的全局最优位置；

（4）重复执行步骤（2）至（3），直至满足所述粒子群迭代公式的迭代次数u=U_max，U_max为所述粒子群迭代公式的最大迭代次数。

上述步骤（1）中，最佳分割阈值的计算方法是：设图像被{t_{_1},t_{_2},...,t_{_M-1}}个阈值分割为(M-1)个部分，则最佳分割阈值{t^*_{_1},t^*_{_2},...,t^*_{_M-1}}需满足如下条件：