[发明专利]基于生物启发运算的彩色图像分割方法

说明书

技术领域

    本发明涉及一种图像分割方法，特别是涉及基于生物启发运算的彩色图像分割方法。

背景技术

图像分割是图像处理的重要内容，图像分割结果优劣直接影响后续图像分析的质量。目前，传统的图像分割方法具有运算量大，运算时间长等缺点，脉冲耦合神经网络方法是一种不同于传统人工神经网络的新型神经网络，具有传统方法无法比拟的优越性。但是，为了实现最佳图像分割，需要通过多次实验来设置其数学模型中的各个参数。不同类型的图像要求不同的分割参数，不同的参数对图像分割结果影响很大，大大限制脉冲耦合神经网络方法的使用。

发明内容

本发明的目的在于提供一种基于生物启发运算的彩色图像分割方法，采用脉冲耦合神经网络方法分割彩色图像，然后将改进的粒子群算法PS²O用于自动设置脉冲耦合神经网络方法模型参数，使分割的性能可自适应调整。提高了算法整体运行速度，同时能够提高彩色图像的分割精度。为分析复杂问题提供了新思路，在图像处理、图像识别、通讯和决策优化等方面具有广泛的应用前景。

本发明的目的是通过以下技术方案实现的：

基于生物启发运算的彩色图像分割方法，所述方法采用算法是优化的人工智能算法，按如下步骤进行：

步骤1：输入原始图像，将RGB图像转换到HSV空间上；

步骤2：读入HSV三个分量，分别采用基于生物启发运算的PS²O优化算法得到相应的分割图：

（1）初始化脉冲耦合神经网络参数。设置的基本参数。设置最大迭代次数；

（2）对粒子个体进行解码，代入脉冲耦合神经网络标准模型，并将计算得到的图像熵值作为粒子个体的适应度函数；

（3）启动循环操作；

（4）更新粒子个体的位置和速度；

（5）重复计算，直到最大迭代次数达到或满足所需的系统要求；输出相应的分割结果；

步骤3：将HSV三个分量的分割结果合并得到最后的分割图。

本发明的优点与效果是：

1.减少计算量和算法执行时间，不仅提高算法运行效率，且不影响算法收敛性，提高了图像的处理效率。

2.通过基于生物启发运算的PS²O优化算法的自动寻优，实现了脉冲耦合神经网络图像处理自动化。

3.利用图像熵值和基于生物启发运算的PS²O优化算法的收敛准则的结合，提高了图像分割精度。

附图说明

图1为彩色图像分割优化方法流程图；

图2为一种基于生物启发运算的PS²O优化算法流程图；

图3为原始图像；

图4为H分量的分割结果；

图5为S分量的分割结果；

图6为V分量的分割结果；

图7为H分量、S分量、V分量合并得到最后的分割图。

具体实施方式

下面结合附图所示实施例，对本发明作进一步详述。

参照图1与2描述根据本申请实施方式的彩色图像分割优化方法流程图及基于生物启发运算的PS²O优化算法流程图。

步骤1：参照图1描述，输入原始图像，将RGB图像转换到HSV空间上。彩色图像常用R,G,B三分量的值来表示。RGB三分量之间常有很高的相关性,直接利用这些分量常常不能得到所需的效果。为了降低彩色特征空间中各个特征分量之间的相关性以及为了使所选的特征空间更方便于彩色图像分割方法的具体应用,实际上常需要将 RGB图像变换到其他的彩色特征空间中去。HSV (色度，饱和度，亮度)空间比较接近人对颜色视觉的感知。其中，V表示颜色的明暗程度, 主要受光源强弱影响。S表示不同颜色,如黄,红,绿。H表示颜色的深浅。RGB转换为HSV的转换公式如下：

步骤2：读入HSV三个分量，分别采用得到相应的分割图。

参照图2描述基于生物启发运算的PS²O的彩色图像分割优化方法。

（1）初始化脉冲耦合神经网络参数。设置的基本参数。设置最大迭代次数。