一种基于综合学差分演化算法的多阈值图像分割方法

摘要

本发明公开了一种基于综合学差分演化算法的多阈值图像分割方法，本发明在差分演化算法的变异操作过程中，采用二元锦标赛选择方法随机从种群中选择出一个个体，并将它与最优个体生成一个综合个体，再以该综合个体为基础个体执行变异操作生成变异个体，以此在保持种群多样性的同时尽可能加快搜索速度，然后执行传统差分演化算法的杂交、选择操作算子；同时，根据当前的搜索反馈信息适应性地调整缩放因子和杂交概率的值，以此增强算法的鲁棒性；重复执行上述步骤直至满足终止条件，在计算过程中得到的最优个体，即为图像最终的分割阈值；本发明能够减少陷入局部最优的概率，提高图像分割的精度，加快分割的速度，提高分割的实时性。

主权项

一种基于综合学习差分演化算法的多阈值图像分割方法，其特征在于，包括以下步骤：步骤1，用户初始化参数，所述初始化参数包括分割阈值数量D，种群大小Popsize，最大评价次数MAX_FEs；步骤2，当前演化代数t＝0，并设置综合学习率Pr_i^t＝0.5，杂交率Cr_i^t＝0.9，缩放因子F_i^t＝0.5，其中下标i＝1,...,Popsize，当前评价次数FEs＝0；步骤3，随机产生初始种群其中:下标i＝1,...,Popsize，并且为种群P_t中的第i个个体，其随机初始化公式为：$A_{i,j}^t=(j-1)\times 255.0/D+rand(0,1)·(255.0/D-1.0)$其中下标j＝1,...,D，并且D为分割阈值数量；为在种群P_t中的第i个个体，存储了D个分割阈值；rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数；步骤4，计算种群P_t中每个个体的适应值，其中适应值越大则表明个体越优秀，对于任意一个个体的适应值按以下公式计算：$Fit\left(A_i^t\right)=\underset{k=0}{\overset{D}{\Sigma }}{H}_k,$其中H_k为第k个图像灰度值区间的熵，按如下公式计算：$p_j=\frac{h\left(j\right)}{\underset{j=0}{\overset{255}{\Sigma }}h\left(j\right)},$当k＝0时，当下标k＝1,2,...,D‑1时当k＝D时其中h(j)为第j个图像灰度值在图像中的像素总数，p_j为第j个图像灰度值在图像中的概率；为向下取整运算符；w₀为区间的图像灰度值的累加概率和，H₀为区间的图像灰度值的熵，w_k为区间的图像灰度值的累加概率和，下标k＝1,2,…D‑1，H_k为区间的图像灰度值的熵，w_D为区间的图像灰度值的累加概率和，H_D为区间的图像灰度值的熵；然后当前评价次数FEs＝FEs+Popsize，并保存种群P_t中适应值最大的个体为最优个体Best^t；步骤5，令计数器i＝1；步骤6，如果计数器i大于种群大小Popsize，则转到步骤15，否则转到步骤7；步骤7，计算个体的当前综合学习率NPr_i^t，计算公式如下:其中r1为在[0,1]之间随机产生的实数；步骤8，根据个体的当前综合学习率NPr_i^t，对个体产生一个综合学习个体其步骤如下:步骤8.1，令计数器j＝1；步骤8.2，如果计数器j大于D，则转到步骤9，否则转到步骤8.3；步骤8.3，在[0，1]之间产生一个随机实数r2；如果r2小于个体的当前综合学习率NPr_i^t则转到步骤8.7，否则转到步骤8.4；步骤8.4，在[1,Popsize]之间随机产生两个不相等的正整数RI1,RI2；步骤8.5，如果个体的适应值大于个体的适应值，则否则步骤8.6，令计数器j＝j+1，转到步骤8.2；步骤8.7，令计数器j＝j+1，转到步骤8.2；步骤9，按以下公式计算个体的当前缩放因子NF_i^t和当前杂交率NCr_i^t:其中r3，r4都是在[0,1]之间随机产生的实数，randc(0.5,0.3)为以0.5作为位置参数，0.3作为尺度参数产生服从柯西分布的随机实数函数，rand(0,1)为在[0,1]之间产生服从均匀分布的随机实数函数；步骤10，以综合学习个体作为基础个体，并以NF_i^t为个体的当前缩放因子，NCr_i^t为个体的当前杂交率，产生个体的试验个体并计算试验个体的适应值其步骤如下:步骤10.1，令计数器j＝1；步骤10.2，在[1,D]之间随机产生一个正整数jRand；步骤10.3，在[1,Popsize]之间随机产生两个不相等的正整数RI3,RI4；步骤10.4，如果计数器j大于D，则转到步骤10.9，否则转到步骤10.5；步骤10.5，在[0，1]之间产生一个随机实数r5，如果r5小于个体的当前杂交率NCr_i^t或者jRand等于计数器j，则转到步骤10.6，否则转到步骤10.7；步骤10.6，转到步骤10.8；步骤10.7，步骤10.8，令计数器j＝j+1，转到步骤10.4；步骤10.9，计算试验个体的适应值转到步骤11；步骤11，按以下公式在个体与试验个体之间选择出个体进入下一代种群：步骤12，按以下公式更新个体的综合学习率缩放因子F_i^t，杂交率Cr_i^t：步骤13，令计数器i＝i+1；步骤14，转到步骤6；步骤15，当前评价次数FEs＝FEs+Popsize，保存种群P_t中适应值最大的个体为最优个体Best^t；当前演化代数t＝t+1；步骤16，重复步骤5至步骤15直至当前评价次数FEs达到MAX_FEs后结束，执行过程中得到的最优个体Best^t即为分割图像的D个分割阈值，并以得到的D个分割阈值对图像进行分割。