[发明专利]基于蝙蝠算法和大津算法的红外图像分割方法及系统

说明书

技术领域

本发明涉及红外图像分割技术，尤其涉及一种基于大津算法的红外图像分割方法及系统。

背景技术

电力设备红外图像是伪彩色图像，具有强度集中和对比度低等特性，传统的图像分割算法往往不能很好地将目标与背景分离。若采用人为圈定感兴趣区域，显然会大大降低智能诊断系统的效率。图像阈值自动选取方法的研究长期以来吸引着众多学者，寻找简单实用、自适应强的阈值自动选取方法是这些研究者们的共同目标。Otsu在1979年提出的大津算法(也称为最大类间方差法或Otsu方法)一直被认为是阈值自动选取方法的最优方法之一，该方法计算简单，在一定条件下不受图像对比度与亮度变化的影响，因而在一些实时图像处理系统中得到了广泛的应用。

然而，在实际图像中，大津算法虽然分割性能较好,但计算量非常巨大。大津算法虽然有效解决了红外图像二值化分割过程中阈值选取困难的问题，但在阈值分割速度上往往不能满足后续设备红外温度场实时特征提取与分析的需求。

发明内容

本发明的目的之一是提供一种基于蝙蝠算法和大津算法的红外图像分割方法，其能快速地对待分割的红外图像进行分割，从而满足后续设备红外温度场实时特征提取与分析的需求。

基于上述目的，本发明提供了一种基于蝙蝠算法和大津算法的红外图像分割方法，其包括步骤：

S10：获取待分割的红外图像；

S20：将大津算法中的类间方差函数作为蝙蝠算法的目标函数，将所述类间方差函数对应的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量；

S30：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域。

本发明所述的基于蝙蝠算法和大津算法的红外图像分割方法中，蝙蝠算法是Yang教授基于群体智能提出的启发式搜索算法，是一种搜索全局最优解的有效方法。该算法是一种基于迭代的优化技术，与其他算法相比在准确性和有效性方面远优于其他算法，且没有许多参数要进行调整，大大降低了计算量，因此其通过所述步骤S20和S30用于大津算法中类间方差函数的寻优计算能提高分割阈值的选取速度，从而能快速地对待分割的红外图像进行分割，进而满足后续设备红外温度场实时特征提取与分析的需求。

进一步地，本发明所述的基于蝙蝠算法和大津算法的红外图像分割方法中，所述步骤S20中还对所述蝙蝠算法的参数进行初始化，所述蝙蝠算法的参数包括蝙蝠参数和迭代参数。

更进一步地，上述基于蝙蝠算法和大津算法的红外图像分割方法中，所述蝙蝠参数包括蝙蝠的初始位置和初始速度。

更进一步地，上述基于蝙蝠算法和大津算法的红外图像分割方法中，所述蝙蝠的初始位置和初始速度均为随机生成。

更进一步地，上述基于蝙蝠算法和大津算法的红外图像分割方法中，所述蝙蝠参数还包括蝙蝠的初始脉冲频度r⁰、脉冲频度增加系数θ、初始响度A⁰、响度递减系数ξ、最小声波频率f_min以及最大声波频率f_max中的至少其中之一。

进一步地，本发明所述的基于蝙蝠算法和大津算法的红外图像分割方法中，所述步骤S20中的类间方差函数为：

σ_B＝w_F(u_F-u_T)²+w_B(u_B-u_T)²，

其中σ_B为类间方差，w_F和w_B分别为所述待分割的红外图像中目标像素和背景像素所占比例，u_F和u_B分别为目标像素和背景像素灰度值均值，u_T为所述待分割的红外图像中所有像素的灰度值均值,其中u_T＝w_Fu_F+w_Bu_B。

更进一步地，上述基于蝙蝠算法和大津算法的红外图像分割方法中，所述蝙蝠为蝙蝠种群，所述蝙蝠参数包括蝙蝠数量和蝙蝠编号。

更进一步地，上述基于蝙蝠算法和大津算法的红外图像分割方法中，所述步骤S30中基于目标函数的值判断各蝙蝠优劣，找出全局最优蝙蝠。