[发明专利]基于蝙蝠算法和二维信息熵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，尤其涉及一种基于二维信息熵的红外图像分割方法及系统。

背景技术

传统的分割算法往往因阈值选取的误差使得背景与目标的分割界限不精确，存在较大的过分割和欠分割效果。然而若采用手动选取感兴趣区域的方法，则会使分割时间相对过久，不能满足故障设备实时诊断的需求。针对电力设备红外图像感兴趣区域提取难题，现有技术中有学者提出了一种基于FAsT-Match算法的电力设备红外图像分割方法，通过目标在可见光中的近似位置，利用可见光和红外图像之间的近似仿射变换求出目标在红外图像中的近似区域，再用分割算法求得近似区域分割结果。此外还有学者提出采用加权切比雪夫距离的K-means算法和形态学分割方法，提出一种自适应的变电站电气设备红外图像分割方法。

上述方法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，但存在仅将目标设备与背景区分开来，而阈值分割精度及分割速度通常难以满足后续设备红外温度场实时特征提取与分析的需求的问题。

发明内容

本发明的目的之一是提供一种基于蝙蝠算法和二维信息熵的红外图像分割方法，其能快速精确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二维信息熵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：将二维信息熵函数作为蝙蝠算法的目标函数，将所述二维信息熵函数中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二维信息熵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用于二维信息熵函数的寻优计算能提高分割阈值的选取速度，加上二维信息熵函数采用二维分割阈值，其分割精度更高，从而能快速精确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二维信息熵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二维信息熵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二维信息熵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二维信息熵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二维信息熵的红外图像分割方法中，所述步骤S20中的二维信息熵函数为：

其中P_A1、P_A2分别为背景区域和目标区域在图像中所占比例，H_A1、H_A2分别为背景区域和目标区域所对应的信息熵，P_s,t为(s,t)像素点在图像中所占比例，L为图像灰度级，(s,t)为像素点灰度值—平均灰度，(S,T)为二维分割阈值，S为像素点灰度值，T为像素点8邻域内的平均灰度。

更进一步地，上述基于蝙蝠算法和二维信息熵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二维信息熵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。

更进一步地，上述基于蝙蝠算法和二维信息熵的红外图像分割方法中，所述步骤S30中还更新迭代各蝙蝠参数，并基于目标函数的值判断各蝙蝠优劣，更新全局最优蝙蝠。