[发明专利]应用适应性高斯人工蜂群算法的多阈值图像分割方法

摘要

本发明公开了一种应用适应性高斯人工蜂群算法的多阈值图像分割方法，利用适应性高斯人工蜂群算法优化多阈值图像分割的阈值。在适应性高斯人工蜂群算法的雇佣蜂搜索操作中，利用时间加权的历史缩放因子均值适应性地产生当前代的缩放因子，提高算法的搜索效率；此外，在观察蜂搜索过程中将最优个体与精英个体的信息融合到高斯变异策略中，从而实现局部搜索能力与种群多样性之间的平衡。本发明能够提高图像分割的精度，提高图像分割的实时性。

主权项

一种应用适应性高斯人工蜂群算法的多阈值图像分割方法，其特征在于：包括以下步骤：步骤1，用户初始化参数，所述初始化参数包括图像分割阈值数量D，种群大小Popsize，最大未改善次数Limit，最大评价次数MAX_FEs；步骤2，令当前演化代数t＝0，并令当前评价次数FEs＝0；步骤3，随机产生初始种群其中：个体下标i＝1,2,...,Popsize，并且种群Pt中的第i个个体为其随机产生方式为：Bi,jt=rand(0,1)×255,]]>其中维数下标j＝1,2,...,D；存储了分割图像的D个阈值，rand(0,1)是在[0,1]之间产生随机实数的函数；步骤4，计算种群Pt中每个个体的适应值其中个体下标i＝1,2,...,Popsize；步骤5，令种群Pt中每个个体的未改善次数其中个体下标i＝1,2,...,Popsize；步骤6，令当前评价次数FEs＝FEs+Popsize；步骤7，设置历史均值列表HUL的大小为Popsize，并令HULk＝0.5，其中历史均值下标k＝1,2,...,Popsize；步骤8，保存种群Pt中的最优个体Bestt；步骤9，雇佣蜂执行基于适应性缩放系数的搜索操作，具体步骤如下：步骤9.1，令均值因子步骤9.2，令计数器im＝1，并令缩放因子列表GRFList为空；步骤9.3，令新个体步骤9.4，以FU为均值，0.1为标准差产生一个高斯随机实数GRF，然后令缩放系数RRF＝GRF×2‑1；步骤9.5，在[1，D]之间产生一个随机正整数RJ；步骤9.6，在[1,Popsize]之间产生两个不相同的随机正整数RS1和RS2；步骤9.7，令步骤9.8，计算新个体EMUt的适应值Fit(EMUt)；步骤9.9，如果新个体EMUt比个体更优，则将GRF添加到缩放因子列表GRFList中，否则令GRF＝0.5；步骤9.10，在个体与新个体EMUt之间执行选择算子，然后计算个体的未改善次数步骤9.11，令计数器im＝im+1；步骤9.12，如果计数器im小于或等于Popsize，则转到步骤9.3，否则转到步骤9.13；步骤9.13，计算缩放因子列表GFList中数据的平均值MeanGF；步骤9.14，将MeanGF添加到HUL的末尾，然后删除HUL中的第一个数据；步骤9.15，转到步骤10；步骤10，根据种群Pt中个体的适应值计算所有个体的选择概率；步骤11，观察蜂根据种群Pt中每个个体的选择概率选择出个体执行精英高斯变异算子生成新个体，然后执行选择操作并计算个体的未改善次数，具体步骤如下：步骤11.1，令计数器ik＝1；步骤11.2，根据种群Pt中每个个体的选择概率采用轮盘赌策略选择出个体并令新个体步骤11.3，令精英个体数量EIN＝max(2,Popsize×re)，实数re为[0.05,0.2]之间随机产生的一个实数，其中max为取最大值函数；步骤11.4，采用二元锦标赛选择方法从种群Pt中选择出EIN个精英个体；步骤11.5，计算EIN个精英个体的平均值MeanEI；步骤11.6，在[1,D]之间产生一个随机正整数RJ1；步骤11.7，在[0,1]之间产生一个随机实数REW；步骤11.8，令均值步骤11.9，令标准差其中abs表示取绝对值的函数；步骤11.10，以GLMean为均值，GLSD为标准差产生一个高斯随机实数GLTV；步骤11.11，令步骤11.12，计算新个体OLUt的适应值Fit(OLUt)；步骤11.13，在个体与新个体OLUt之间执行选择操作，然后计算个体的未改善次数步骤11.14，令计数器ik＝ik+1；步骤11.15，如果计数器ik小于或等于Popsize，则转到步骤11.2，否则转到步骤12；步骤12，令当前评价次数FEs＝FEs+Popsize×2；步骤13，执行侦察蜂的搜索操作算子；步骤14，保存种群Pt中最优个体Bestt；步骤15，令当前演化代数t＝t+1；步骤16，重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束，执行过程中得到的最优个体Bestt即为图像分割的D个阈值，然后利用得到的D个阈值对图像进行分割。