一种基于蝙蝠优化模糊聚类的图像分割方法

摘要

本发明提出了一种基于蝙蝠优化模糊聚类的图像分割的处理方法，蝙蝠算法作为一种性能优良的演化算法，可以很好地解决传统的FCM聚类分割方法过于依赖初始聚类中心的缺点，并在很大程度上提高其收敛到全局最优解的概率；蝙蝠算法可以直接采用十进制进行编码，相对于大部分演化算法采用二进制编码而言，计算过程更为方便，能在很大程度上提高聚类分割的效率。

主权项

一种基于蝙蝠优化模糊聚类的图像分割方法，其特征在于，包括下述步骤：步骤1，输入待分割图像，设定聚类数目c，模糊系数m，种群规模S以及停机条件；所述停机条件设置方式为：设置一个解集和一个计数变量m，将每次得到的全局最优解存入到所述解集中，在程序运行中，如果第i代所述全局最优解与上一代所述全局最优解相同的话，计数变量加1，如果连续m代所述全局最优解相同的话，即为满足停机条件；步骤2，依据设定图像聚类数目c和种群规模S，运行蝙蝠算法，初始种群的各变量，产生初始种群G_k，位置向量x_t表示数字图像的聚类中心，其取值范围为0到255，其中t的取值范围是1≤t≤S，S表示种群规模，速度v_t、声波频率f_t、脉冲响度A_t、发射速率r_t四个变量随机产生，k表示蝙蝠算法的运行代数，在初始条件下，令k＝0；步骤3，通过生成的初始种群，计算该种群中每个个体对应的像素的隶属度；采用FCM的隶属度计算公式计算个体的隶属度，FCM的隶属度计算公式如下：其中1≤i≤c,1≤j≤Nd_ij＝||X_j‑V_i||其中1≤i≤c,1≤j≤N其中，对于8位灰度图像一共有256个灰度级，N是样本图像的灰度级数，其取值固定为256，u_ij是灰度级为j的像素对于聚类中心V_i的隶属度，m是模糊系数，c是聚类数目，d_ij是灰度级为j的像素与聚类中心V_i之间的欧氏距离，且1≤i≤c,1≤j≤N；步骤4，计算种群中个体的适应度并找出其全局最优解；根据每个个体对应的像素的隶属度，计算每个个体的适应度值，J_q(t)表示每个个体的适应度值，其中1≤t≤S，将J_q(t)中最大的值fitness_generation作为种群的全局最优解，并存入最优解集；步骤5，采用蝙蝠算法对种群中各变量进行更新；调整声波频率ft产生新的解并更新速度v_t和位置x_t，更新公式如下：f_t＝f_min+(f_max‑f_min)^*βv_t^k＝v_t^k‑1+(x_t^k‑fitness_generation)^*f_tx_t^k＝x_t^k‑1+v_t^k其中，k表示蝙蝠算法的运行代数，f_min和f_max分别表示声波频率的范围，β∈[0,1]是一个随机向量，保证f_i在[f_min,f_max]范围内，fitness_generation表示种群的全局最优解，速度v_t可为正值或负值，位置向量x_t可任意方向移动；步骤6，从最优解集中选择一个解，并在该最优解附近形成一个局部解，进而在该局部解附近形成一个新解；若k＝1,局部解取步骤4中全局最优解所对应的位置变量，若k≠1，局部解直接取前一代个体适应度的全局最优解所对应的位置变量x_globalbest，新解的计算公式如下：x_new＝x_globalbest+ε^*avgA^k其中，x_new表示得到的新解，ε∈[‑1,1]是一个任意的实数，avgA^k是个体在当前代的平均脉冲响度，由脉冲响度A_i计算所得；步骤7，计算新解中个体的适应度；步骤8，判断是否对个体参数进行更新；用新解x_new中个体的适应度J_{q_new}(t)与最优解集中选定解的J_q(t)进行比较，其中，当k＝1时，J_q(t)取步骤4中全局最优解的个体适应度J_q(t)，当k≠1时，J_q(t)取算法上一代计算产生的最优解的个体适应度J_q(t)，若J_{q_new}(t)＞J_q(t)且脉冲响度A_t大于人为设定阈值R_A，其中1≤t≤S，阈值R_A＝1.5，则进入步骤9；否则，则进入步骤10；步骤9，对原解x中第t个个体的位置变量用新解x_new中第t个个体的位置变量进行替换并对脉冲响度A_t和发射速率r_t进行更新后，进入步骤10，脉冲响度A_t和发射速率r_t的更新公式如下；$A_t^{k+1}={\mathrm{\alpha A}}_t^k,r_t^{k+1}=r_t^0[1-\exp (-\gamma k)]$其中k表示蝙蝠算法的运行代数，exp表示以自然对数e为底的指数函数，α和γ是两个常量；步骤10，计算种群全局最优解，通过与先前全局最优解的比较，对全局最优解进行更新；计算种群中个体的适应度，得到当前的全局最优解fitness_{new_gen}与先前的fitness_generation进行比较，当k＝1时,先前的fitness_generation取步骤4中全局最优解的个体适应度fitness_generation；当k≠1时，先前的fitness_generation取算法上一代执行步骤10计算产生的最优解集的个体适应度fitness_generation；若fitness_{new_gen}>fitness_generation，则根据fitness_{new_gen}将其更新为种群新的全局最优解fitness_generation；否则，将保留原先的全局最优解fitness_generation；步骤11，判断是否满足停机条件，若是，则进入步骤12，否则返回步骤5；步骤12，输出最终分割图像。