[发明专利]基于竹子定律和熵的哈里斯鹰机制图像分割方法

权利要求书

1.基于竹子定律和熵的哈里斯鹰机制图像分割方法，其特征在于，步骤如下：

步骤一：输入图像，灰度化图像并转换为伪彩色图；

步骤二：设置聚类数，进行K-means聚类方法的建模；

步骤三：初始化哈里斯鹰种群中每个个体的位置和猎物能量，将K-means聚类方法的损失函数作为基于竹子定律和熵的哈里斯鹰机制的适应度函数，计算适应度值，获得猎物的初始位置；

步骤四：过渡阶段，使用竹子定律改进猎物的能量，通过猎物能量判断哈里斯鹰种群将进入全局探索阶段还是局部开发阶段；

步骤五：全局探索阶段，利用熵变异哈里斯鹰种群的全局位置，每只哈里斯鹰在给定的区间范围内搜寻最优解；

步骤六：局部开采阶段，在局部开采阶段，哈里斯鹰将根据猎物的能量|E^t|和猎物逃脱的概率进行软围攻、硬围攻、渐进式快速俯冲软围攻和渐进式快速俯冲硬围攻四种不同的围攻策略选取；

步骤七：计算每只哈里斯鹰更新位置后的适应度，更新猎物位置；

将第t+1次迭代中第i只哈里斯鹰的位置代入适应度函数中计算相应的适应度值，记录第t+1次迭代哈里斯鹰的最优位置；若第t+1次迭代哈里斯鹰的最优位置适应度值优于第t猎物的适应度值，则第t+1次迭代的猎物位置等于第t+1次迭代哈里斯鹰的最优位置；否则，则第t+1次迭代的猎物位置等于第t次迭代的猎物位置；

步骤八：判断是否达到其最大迭代次数T，若未达到，令t＝t+1，返回步骤四继续迭代；否则，输出最优位置；

步骤九：将最后一代的猎物位置作为K-means聚类方法的初始聚类中心，使用步骤二中所述的模型进行聚类，将每一聚类簇中的所有像素点以其聚类中心的灰度值来替代来重构该图像实现图像分割，并按照步骤一的映射规则将分割后的灰度图像转换为伪彩色图。

2.根据权利要求1所述的基于竹子定律和熵的哈里斯鹰机制图像分割方法，其特征在于，步骤一具体为：提取灰度图像中像素点的个数R_ow×C_ol和通道数C_type，设灰度级取值范围为[0,M-1]，第个像素点表示为其中R_ow和C_ol分别代表图像中像素点的行数和列数，M表示为灰度级的数目，L＝R_ow×C_ol表示全部像素点的个数；将图像数据类型转换为双精度浮点类型并归一化到[0,1]之间；每个通道通过对不同的灰度级采用不同的映射函数将灰度图像转换为伪彩色图。

3.根据权利要求1所述的基于竹子定律和熵的哈里斯鹰机制图像分割方法，其特征在于，步骤二具体为：设置聚类数为K，第次循环K均值聚类的聚类中心为为聚类模型中的循环次数；

(1)设样本集为I＝[m₁,m₂,…,m_L]，设置本模型中最大循环次数为T₁，允许最大误差为E_max，第j个聚类簇为C_j，j＝1,2,...,K，将聚类簇初始设置为为空集；

(2)对于计算第个像素点样本和第j个聚类中心的欧氏距离：设标记第次循环最小的所对应的类别为λ，λ∈{1,2,...,K}，则更新C_λ，令

(3)对C_j中所有的样本点重新计算第次循环的聚类中心为第j个聚类簇C_j所包含的样本数，计算误差

(4)若或结束聚类，输出聚类结果C＝{C₁,C₂,…,C_K}，否则令返回(2)继续循环，直到满足聚类结束的条件。