[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

说明书

本发明公开一种基于改进的混沌粒子群的图像阈值分割方法，包括：初始化粒子群体，计算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；迭代更新粒子个体的位置和粒子个体的速度；计算粒子个体的阈值分割贡献度；根据粒子个体的阈值分割贡献度，筛选获得精英粒子；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；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。

技术领域

本发明涉及一种基于改进的混沌粒子群的图像阈值分割方法，属于数字图像分割技术领域。

背景技术

数字图像分割是图像处理过程中的重要技术，其目的是将图像中的目标区域从背景中分离出来，而在图像分割的众多方法中，阈值分割简单且性能稳定，是一种最流行、最基础的分割技术，它利用图像的灰度直方图，得到一个或多个图像分割阈值，接着通过这个分割阈值比较图像每个像素的灰度值，实现目标和背景的分离。近年来，国内外学者已提出众多的阈值图像分割法，比如Otsu最大类间方差法、最小交叉熵值法和kapur最大熵法等。其中，kapur熵函数凭借其简单易于实现和分割精度高等优点被广泛应用于阈值图像分割当中。但是当kapur熵函数处理复杂的图像时，会很难找到最大熵函数，大大增加了阈值分隔的时间，降低了图像处理的工作效率。

粒子群算法(PSO)是由Eberhart和kennedy于1995年提出的一种智能优化算法。由于PSO算法具体操作简单，参数少，易于实现等特点，因而自从PSO提出后得到了学者的认可，并迅速得到发展。但是标准的PSO算法在解决图像的阈值分割时易陷入局部最优的问题。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于改进的混沌粒子群的图像阈值分割方法，通过优化分割方式来提高图像处理的工作效率。

为达到上述目的，本发明提供一种基于改进的混沌粒子群的图像阈值分割方法，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。

优先地，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：