[发明专利]连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法

说明书

技术领域

本发明属于计算机视觉模式识别、图像理解领域，涉及一种连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法。

技术背景

图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。图像在分割后的处理,如特征提取、目标识别等都依赖图像分割的质量，所以图像分割一直是计算机视觉和模式识别领域的研究热点。

脉冲耦合神经网络（PCNN）是根据对猫的视觉皮层神经元脉冲串同步振荡现象的研究而得到的，由于其生物学背景，非常适合于图像处理。目前PCNN已被用于图像分割、图像融合、图像去噪、目标识别和边缘提取等，并取得了良好的效果。

当PCNN用于图像分割时其连接系数β、阈值的幅度系数V_θ、衰减系数α_θ和连接矩阵ω需要提前设定，四者的值决定图像分割效果，对于不同的图像，最佳分割参数不同，在用PCNN分割图像之前需要首先确定较优的PCNN系统参数以保证分割效果较好。

目前确定PCNN分割参数的方法主要有人工交互多次试验，智能进化算法搜索。人工交互多次试验无疑效率很低，智能进化算法能自动确定分割参数，相对于人工试验效率大大提高，目前利用智能进化算法自动确定PCNN参数的方法主要有：

1、卢桂馥等在《计算机工程与应用》（2010,46(13):145-146）上发表的“一种参数自动寻优的PCNN图像分割算法”利用粒子群优化算法，适应度函数选择改进的最大类间方差，对PCNN参数进行优化进而完成图像分割。

2、马义德等在《通信学报》（2002,23(1):46-51）上发表的“一种基于脉冲耦合神经网络和图像熵的自动图像分割方法”利用离散遗传算法，根据最大香农熵为适应度，对PCNN参数进行自动寻优进行图像分割。

3、哈尔滨工程大学硕士沈蔚在其2008年的学位论文“基于文化算法的PCNN参数标定的研究”中，以香农熵为适应度函数利用文化算法对PCNN参数进行自动寻优进行图像分割，分割效果好于遗传算法。

但PSO算法具有收敛速度较慢，容易陷入局部局极值等缺点。文化算法具有运算复杂，计算速度慢等缺点。现有智能确定PCNN参数的分割算法多使用离散优化算法，量化误差大，连续优化算法易陷入局部收敛。但现有的PCNN参数优化方法都有的一个不足是求解最优参数的优化目标熵准则单一，适用范围不够广泛。

发明内容

本发明的目的在于提出一种过计算量更小，寻优能力更强的连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法。

本发明的目的是这样实现的：

（1）建立演化脉冲耦合神经网络系统参数的自动图像分割的最小组合加权熵模型：H＝d₁·H₁+d₂·H₂+d₃·H₃，H₂＝1/H₄H₃＝H₁/H₄，其中H是分割后图像的组合加权熵，H₁是分割后图像的交叉熵，H₂是分割后图像的香农熵的倒数，H₃是分割后图像的比熵,H₄是分割后图像的香农熵,d₁、d₂、d₃是加权系数；

（2）初始化连续量子雁群种群空间，其中量子雁群算法的种群规模为M和最大迭代代数为N，种群中第i个大雁采用结构表示，i＝1,2,…,M，其中表示第t代种群的第i个大雁的当前位置，是第t代第i个大雁位置的适应度值，是第t代时第i个大雁的历史最优位置，是第t代第i个大雁的历史最优适应度值，表示第t代第i个大雁的当前量子位置，为第t代第i个大雁的历史最优量子位置：