[发明专利]一种基于粒子群算法的图像分割方法及系统

说明书

技术领域

本发明涉及图像处理领域，尤其涉及一种基于粒子群算法的图像分割方法及系统。

背景技术

在日常生活中，人们往往仅对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有独特性质的区域。而图像分割的目的就是将图像分成各具特性的区域并提取出感兴趣目标的技术过程。近年来，对图像分割的研究一直是图像处理技术研究中的热点，人们对其关注和投入不断提高，它是图像处理过程中的一个重要步骤。

阈值分割法因实现简单、运算效率高而成为一种有效的图像分割方法，其中阈值的确定是阈值法图像分割的关键。

并行区域分割技术是一种阈值分割法，对于一幅灰度图像，该技术会根据预先确定的一个处于图像灰度取值范围中的灰度阈值将所有像素归为两大类，灰度值大于阈值的像素为一类，灰度值小于阈值的像素归为一类，灰度值等于阈值的像素可视情况归为前面两类当中的任意一类。通常情况下，两类像素分属于图像中的两类区域，从而根据阈值分类完成了对图像的分割。但该技术需要基于先验知识来确定图像的灰度阈值，先验知识往往是基于以往的经验总结出来的，并不能很好地适应不同的情况，其处理结果很大程度上依赖预设的灰度阈值，因此并行区域分割技术的自适应性和稳定性往往不尽人意。

传统的OTSU阈值法，因其算法简单、稳定，被广发应用于把图像分成目标和背景区域的图像分割处理中。在实际应用中，由于图像往往包含多类目标，只进行单阈值的图像分割，已不能满足需求，需要进行多阈值分割。传统的OSTU法能够容易地推广到多阈值分割的情况，但是时间复杂度过大，算法执行时间过长，无法满足图像分割对实时性的要求。

因此需要一种不依赖先验知识，具有较强的自适应，又能够高效快捷的求解多阈值图像分割问题的方法。

发明内容

本发明的目的是提供一种基于粒子群算法的图像分割方法及系统，不仅不依赖先验知识，而且具有较强的自适应能力，具有较高的运行效率。

本发明提供的技术方案如下：

一种基于粒子群算法的图像分割方法，包括：步骤S100获取待分割图像的灰度值范围；步骤S200根据所述图像的灰度值范围，采用粒子群算法得到图像分割的最佳阈值；步骤S300根据所述图像分割的最佳阈值，对待分割图像进行分割。

在上述技术方案中，采用了粒子群算法，该算法首先随机初始化一群粒子，通过粒子的自适应学习，逐步找到图像分割的最佳阈值，因此本方案具有不依赖先验知识，有较强的自适应能力的特点；由于粒子群算法具有较强的并发性，所以本方案不仅能够获取较优的分割效果，而且具有较高的运行效率。

进一步，所述步骤S200包括：步骤S210根据所述图像的灰度值范围，初始化第一代粒子群，得到第一代粒子群每个粒子的飞行速度、位置、局部最优解，以及第一代粒子群的全局最优解；步骤S220将第一代粒子群作为当前粒子群，以及，设置当前迭代次数为1；步骤S230选择一个在下一代粒子群中的位置尚未计算出来的粒子；步骤S231根据选择的所述粒子在当前粒子群中的飞行速度、位置、局部最优解和当前粒子群的全局最优解，计算所述粒子在下一代粒子群中的备选飞行速度和备选位置；步骤S240根据所述粒子在下一代粒子群中的备选位置，计算对应的适应度值；步骤S241判断计算的所述适应度值是否大于所述粒子在当前粒子群中的局部最优解所对应的适应度值；步骤S243若否，所述粒子在下一代粒子群中的位置为所述粒子在当前粒子群中的位置，以及，所述粒子在下一代粒子群的飞行速度为所述粒子在当前粒子群中的飞行速度，以及，所述粒子在下一代粒子群中的局部最优解为所述粒子在当前粒子群中的局部最优解；步骤S250轮循步骤S230-S243，直至所有粒子在下一代粒子群中的位置都已计算出来；步骤S260根据每个粒子在下一代粒子群中的局部最优解，得到下一代粒子群的全局最优解；步骤S270将下一代粒子群作为当前粒子群，以及，更新当前迭代次数；步骤S280判断当前迭代次数是否达到预设的最大迭代次数，若否，则返回步骤S230；步骤S290若是，则当前粒子群的全局最优解为所述图像分割的最佳阈值。

在上述技术方案中，描述了粒子群算法的流程，并对基本粒子群算法做了改进，即当粒子在更新到下一代粒子群中的位置过程中，先尝试更新到备选位置，如果其适应度值未提高，则粒子在下一代粒子群中的位置恢复到更新之前的位置；通过这种方式，阻止了算法搜寻质量的退化，从而降低算法在迭代过程中陷入局部最优解的可能。