[发明专利]连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法

摘要

本发明属于计算机视觉模式识别、图像理解领域，涉及一种连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法。本发明包括：建立演化脉冲耦合神经网络系统参数的自动图像分割的最小组合加权熵模型；初始化连续量子雁群种群空间；利用模拟量子旋转门对每个大雁位置进行更新；每个大雁新位置都对应一个脉冲耦合神经网络系统参数，激活脉冲耦合神经网络系统进行图像分割，计算第i个大雁新位置的适应度值；对所有大雁历史最优量子位置和历史最优位置进行更新；检查是否到达最大迭代代数；代入脉冲耦合神经网络模型对图像进行分割并输出分割后的图像。本发明具有计算量小，收敛速度快，寻优能力强的优点。

主权项

连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法，其特征在于：(1)建立演化脉冲耦合神经网络系统参数的自动图像分割的最小组合加权熵模型：H＝d1·H1+d2·H2+d3·H3，H2＝1/H4、H3＝H1/H4，其中H是分割后图像的组合加权熵，H1是分割后图像的交叉熵，H2是分割后图像的香农熵的倒数，H3是分割后图像的比熵,H4是分割后图像的香农熵,d1、d2、d3是加权系数；(2)初始化连续量子雁群种群空间，其中量子雁群算法的种群规模为M和最大迭代代数为N，种群中第i个大雁采用结构表示，i＝1,2,…,M，其中表示第t代种群的第i个大雁的当前位置，是第t代第i个大雁位置的适应度值，是第t代时第i个大雁的历史最优位置，是第t代第i个大雁的历史最优适应度值，表示第t代第i个大雁的当前量子位置，为第t代第i个大雁的历史最优量子位置：2.1)初始化和在定义域范围内随机产生初始种群，种群中第i个大雁当前位置为其中，是的第j个变量，aj、cj分别是的下限和上限，D是位置向量的维数，对于PCNN分割是D维向量，D≥3，脉冲耦合神经网络参数连接系数β、幅度系数Vθ、衰减系数αθ为必求变量，m×m维矩阵ωi,j中的变量采用固定矩阵或变量优化得到，对于初始种群，即t＝1时，初始化第i个大雁历史最优位置为2.2)求第i个大雁位置适应度值将大雁位置所对应的参数带入脉冲耦合神经网络模型对图像进行分割，计算出分割后图像的组合加权熵H，组合加权熵H值即为此大雁位置的适应度值求出所有大雁位置的适应度值，初始化当t＝1时，2.3)初始化和所有大雁按其历史最优位置的适应度值由小到大的顺序排序，进行编号，将第i个大雁位置映射为该位置的量子位置，即其中e是位置向量各个变量取值区间长度组成的向量e＝[e1,e2,…,eD]；(3)利用模拟量子旋转门对每个大雁位置进行更新：3.1)计算所有大雁历史最优量子位置的均值：3.2)根据头雁引领策略和非头雁跟随策略更新量子旋转角：3.2.1)排序为第一的大雁的量子位置根据下式计算量子旋转门旋转角度：其中其中第一项是群体历史经验对头雁飞行的影响，第二项指头雁自身历史最优量子位置对其飞行的影响，是第t代大雁最优量子位置的第j个变量的量子旋转角，是第t代所有大雁的历史最优量子位置的均值的第j个变量，是第t代全局最优量子位置的第j个变量，是第t代排序为第一的大雁的量子位置的第j个变量，ε随机地取+1或‑1，γ均是在[0,1]内的随机数，δ是惯性系数，随着迭代代数t增加δ逐渐减小，N是最大迭代代数，为排序第一的头雁的量子位置，为头雁的历史最优量子位置；3.2.2)对于其它大雁的量子位置根据下式计算量子旋转角：其中第一项是雁群群体历史经验对第i个大雁位置更新的影响，第二项是第i‑1个大雁历史最优量子位置，即第i‑1个大雁局部最优量子位置对大雁位置更新的影响，是第t代第i个大雁的第j个变量的量子旋转角，是第t代第i‑1个大雁历史最优量子位置的第j个变量，是第t代第i个大雁量子位置的第j个变量，量子雁群在解空间中不断变换位置搜索最优解；3.3)利用模拟量子旋转门对头雁量子位置进行更新：3.3.1)根据头雁引领策略利用模拟量子旋转门对头雁量子位置进行更新：其中，是更新后的第1个大雁量子位置的第j个变量，是更新前的全局最优量子位置的第j个变量，头雁在自身历史最优量子位置的邻域飞行；3.3.2)根据非头雁跟随策略利用模拟量子旋转门对非头雁量子位置进行更新：xi,jt+1=|1-(vi,jt)2·sin(θi,jt)+vi,jt·cos(θi,jt)|,]]>其中，是更新后第i个大雁量子位置的第j个变量，是更新前的第i个大雁历史最优量子位置的第j个变量，每个非全局最优的大雁的量子位置在其前一个大雁的历史最优量子位置确定的量子旋转角的基础上进行更新；3.4)将更新后的量子位置还原为大雁的位置，即uit+1=[xi,1t+1·e1,xi,2t+1·e2,...,xi,Dt+1·eD]=[ui,1t+1,ui,2t+1,...,ui,Dt+1],(i=1,2,...,M);]]>(4)每个大雁新位置都对应一个脉冲耦合神经网络系统参数，激活脉冲耦合神经网络系统进行图像分割，计算第i个大雁新位置的适应度值(5)对所有大雁历史最优量子位置和历史最优位置进行更新：将第i个大雁位置的适应度与其历史最优适应度进行比较，若当前位置适应度优于其自身历史最优适应度即当时，则将当前适应度作为该大雁的历史最优适应度将当前位置作为此大雁的历史最优位置，将当前量子位置设置为历史最优量子位置，否则历史最优位置、历史最优量子位置及其适应度保持不变，即对所有大雁根据其历史最优位置的适应度值由小到大的顺序排列，并根据优劣依次编号，排在第一的大雁的历史最优位置即为本次迭代的最优位置，也是全局最优位置，将其适应度存入向量y中的yt中，其中yt是第t代最优解的适应度值，y是记录各代最优解的向量y＝(y1,y2,...,yt,...,yN)；(6)检查是否到达最大迭代代数，若已经到达，则输出y和否则令t＝t+1，返回步骤(3)；(7)全局最优位置即为量子雁群算法所搜索到的最优脉冲耦合神经网络系统参数，将中的D个参数代入脉冲耦合神经网络模型对图像进行分割并输出分割后的图像。