[发明专利]应用适应性高斯和声搜索的柚子图像分割方法

摘要

本发明公开了一种应用适应性高斯和声搜索的柚子图像分割方法。本发明利用适应性高斯和声搜索算法来优化柚子图像分割类别的聚类中心。在适应性高斯和声搜索算法中，首先执行适应性高斯搜索操作算子生成新个体，然后根据搜索过程中生成新个体的适应值动态地调整控制参数，以此提高算法的搜索性能。本发明能够减少陷入局部极值的概率，提高柚子图像的分割精度。

主权项

一种应用适应性高斯和声搜索的柚子图像分割方法，其特征在于，包括以下步骤：步骤1，利用图像采集装置采集一幅柚子图像IMG，然后将图像IMG转换为YCrCb颜色空间的图像IMGN，并提取图像IMGN的Cb颜色分量作为聚类数据；步骤2，用户初始化参数，设置和声库的大小HMS，分割类别数量D，最大评价次数MAX_FEs；步骤3，令当前演化代数t＝0，当前评价次数FEs＝0，选取概率HMCRt＝0.9，扰动概率PARt＝0.5；步骤4，随机产生初始和声库其中：个体下标i＝1,2,...,HMS；个体为和声库Mt中的第i个个体，并且个体存储了D个分割类别的聚类中心；为个体中的第j个分割类别的聚类中心，并按公式(1)对进行初始化：Ai,jt=255×rand(0,1);---(1)]]>其中维度下标j＝1,2,...,D；rand为服从均匀分布的随机实数产生函数；步骤5，计算和声库Mt中每个个体的适应值，并令当前评价次数FEs＝FEs+HMS，然后保存和声库Mt中的最优个体Bestt及最差个体Worstt；步骤6，令适应性因子paw＝rand(0,1)×0.1；步骤7，在[0,1]之间随机产生两个实数pk1和pk2，然后按公式(2)计算当前选取概率NHMCR和当前扰动概率NPAR：步骤8，执行适应性高斯搜索操作产生一个新个体Ut，具体操作如下：步骤8.1，令计数器tj＝1；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tml；步骤8.4，如果tml小于NHMCR，则转到步骤8.5，否则转到步骤8.13；步骤8.5，在[1,HMS]之间随机产生一个正整数TR1；步骤8.6，令步骤8.7，在[0,1]之间随机产生两个实数TPAR和TRW；步骤8.8，如果TPAR小于NPAR，则转到步骤8.9，否则转到步骤8.18；步骤8.9，按公式(3)计算高斯均值gcu和高斯标准差gsd：gcu=Besttjt+ATR1,tjt2gsd=|Besttjt-ATR1,tjt|;---(3)]]>步骤8.10，令采样值UK＝NMRand(gcu,gsd)，其中NMRand是高斯随机实数产生函数；步骤8.11，令反向值其中LAtj为和声库Mt中第tj维的最小值，UBtj为和声库Mt中第tj维的最大值；步骤8.12，令然后转到步骤8.18；步骤8.13，在[1,HMS]之间随机产生两个不相等的正整数TR2和TR3；步骤8.14，按公式(4)计算高斯均值rmu和高斯标准差rsd：rmu=ATR2,tjt+ATR3,tjt2rsd=|ATR2,tjt+ATR3,tjt|;---(4)]]>步骤8.15，在[0,1]之间随机产生两个实数PW和RF；步骤8.16，令导向值步骤8.17，随机生成一个以rmu为均值，rsd为标准差的高斯随机实数GSV，然后令步骤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；步骤10，按公式(5)更新选取概率HMCRt+1和扰动概率PARt+1：步骤11，如果个体Ut的适应值优于Worstt的适应值，则在和声库Mt中用个体Ut替换Worstt，否则保持Worstt不变；步骤12，令当前评价次数FEs＝FEs+1；步骤13，令当前演化代数t＝t+1；步骤14，保存和声库Mt中的最优个体Bestt；步骤15，保存和声库Mt中的最差个体Worstt；步骤16，重复步骤6至步骤15，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，利用得到的D个分割类别的聚类中心，即可实现柚子图像的分割。