[发明专利]一种基于改进的混沌粒子群的图像阈值分割方法

权利要求书

1.一种基于改进的混沌粒子群的图像阈值分割方法，其特征在于，包括：

步骤1，对图像进行预处理，获得灰度图像；

步骤2，初始化粒子群体，计算粒子个体的适应度值；

步骤3，基于粒子个体的适应度值，更新粒子的个体极值和粒子的全局极值；

步骤4，迭代更新粒子个体的位置和粒子个体的速度；

步骤5，计算粒子个体的阈值分割贡献度；

步骤6，根据粒子个体的阈值分割贡献度，筛选获得精英粒子；

步骤7，对精英粒子进行基于拟牛顿法加速的迭代混沌优化，对灰度图像进行阈值分割，获得最优适应度值；

步骤8，判断当前混沌迭代次数是否满足设定的最大混沌迭代次数或者混沌优化是否达到设定的精度，若当前混沌迭代次数满足设定的最大混沌迭代次数或者混沌优化达到设定的精度则进入步骤9，否则进入步骤7；

步骤9，将最优适应度值逆映射回粒子群集群中，计算粒子集群中所有粒子的适应度值，若满足设定的条件则输出最优解，否则进入步骤2。

2.根据权利要求1所述的一种基于改进的混沌粒子群的图像阈值分割方法，其特征在于，步骤2，初始化粒子群体，计算粒子个体的适应度值，通过以下步骤实现：

在D维的目标搜索空间中，初始化粒子群体的粒子个体总数m、粒子个体的位置和粒子个体的速度v_i＝(v_i1,v_i2,…,v_iD)；

划分灰度图像中的目标和背景，计算当前粒子个体的适应度值：

计算每个灰度级j在灰度图像中出现的概率U_j：

式中:L代表灰度级，其中L的范围[1,255]，n_j为第j个灰度级；

计算目标和背景的熵值：

式中，H₀表示目标的熵值，H₁表示背景的熵值，γ₀表示灰度图像中目标的像素累计概率，γ₁表示灰度图像中背景的像素累计概率，γ₀和γ₁两者之和为1，t为设定的阈值；

计算灰度图像的总熵H(t):

H(t)＝H₀+H₁，

将H(t)取得最大值时所对应的阈值t作为最优阈值；

将灰度图像中灰度大于最优阈值的像素作为目标，将灰度图像中灰度小于或等于最优阈值的像素作为背景；

设x_i＝(x_i2,x_i2,…,x_iD)为第i个粒子(i＝1,2,…,m)的D维位置矢量，将kapur熵函数作为适应度函数；

根据kapur熵函数，计算当前粒子个体的适应度值。

3.根据权利要求1所述的一种基于改进的混沌粒子群的图像阈值分割方法，其特征在于，步骤4，迭代更新粒子个体的位置和粒子个体的速度，通过以下步骤实现：

根据以下式子更新粒子个体的速度和粒子个体的位置：

其中，为第i个粒子个体的第k+1次迭代的速度，ω为惯性权重，为第i个粒子个体的第k+1次迭代的位置，i＝1,2,…,m，d＝1,2,…,D；p_i＝(p_i1,p_i2,…,p_id,…,p_iD)为第i个粒子个体的个体极值，p_g＝(p_g1,p_g2,…,p_gd,…,p_gD)为第g个全局极值，k为当前的迭代次数，r₁和r₂为[0,1]之间的随机数；c₁和c₂为学习因子，为第i个粒子个体的第k次迭代的位置；惯性权重ω的计算公式为：

式中，ω_max为最大的惯性权重值，ω_min为最小的惯性权重值，k_max为设定的迭代总次数。