本發(fā)明屬于金屬微滴圖像處理和計算機視覺技術領域，具體涉及一種基于植物根系覓食優(yōu)化的多閾值金屬微滴圖像分割方法。

背景技術：

對納米金屬微滴流體特性的研究是基于噴墨打印式的印制電子系統(tǒng)的核心內(nèi)容。納米金屬微滴流的狀態(tài)，如液滴體積、流速度、噴射角度等信息，代表了微滴噴射系統(tǒng)的性能指標。但由于納米金屬微滴的流動性特點和明顯的團聚、沉淀效應，很難采用常規(guī)技術手段直接測量微滴的幾何參數(shù)(體積、表面積、表面張力、接觸角體積等)。因此需要通過圖像采集液滴生長過程中的輪廓變化情況，通過圖像智能分割與特征提取技術，提取液滴的邊緣輪廓，才能計算得到液滴的幾何和物理參數(shù)。

然而提取微滴圖像的計算復雜度是在實際應用中需要關注的一個重要問題，特別是在高清晰度、高速度的微滴射流圖像中，圖像的灰度、像素都較為龐大，如一個灰度級為256，大小為500×500的圖像包含250000個像素。但現(xiàn)如今常用的otsu法是基于遍歷窮舉搜索方式的，一旦遇到灰度特征不明顯或閾值數(shù)目過多的圖像分割問題時，閾值的選取成為計算瓶頸，其計算復雜度將呈指數(shù)級上升，耗時較多，極大地限制了實際應用。

技術實現(xiàn)要素：

針對現(xiàn)有技術的不足，本發(fā)明提出一種基于植物根系覓食優(yōu)化的多閾值金屬微滴圖像分割方法。

一種基于植物根系覓食優(yōu)化的多閾值金屬微滴圖像分割方法，包括以下步驟：

步驟1：獲取待分割的金屬微滴流源圖像；

步驟2：隨機初始化圖像分割閾值的根種群g＝{xi}，初始化各根的營養(yǎng)素濃度設定最大迭代次數(shù)limitc、分支閾值branchg、向重力性生長的最大值growmax、營養(yǎng)素濃度下限閾值nmority，其中，xi為根種群中的第i個根，即第i組圖像分割閾值，i∈[1，num]，num為種群大??；

步驟3：初始化迭代次數(shù)iteration＝0；

步驟4：根據(jù)待分割的金屬微滴流源圖像的灰度直方圖和當前圖像分割閾值根種群的各根的營養(yǎng)素濃度計算當前圖像分割閾值根種群的各根的適應度和生長素濃度

步驟4.1：根據(jù)待分割的金屬微滴流源圖像的灰度直方圖采用最大類間方差法計算當前圖像分割閾值根種群的各根的適應度

所述根據(jù)待分割的金屬微滴流源圖像的灰度直方圖采用最大類間方差法計算當前圖像分割閾值根種群的第i個根的適應度的計算公式如下所示：

其中，xi＝{xi1，xi2，...，xim-1}為m-1維向量，即將待分割金屬微滴流源圖像順序分割成m個類的第i組圖像分割閾值，為第k-1類圖像像素數(shù)占整個圖像總像素數(shù)的概率，p(j)為待分割金屬微滴流源圖像中灰度值為j的像素的概率密度，為在待分割金屬微滴流源圖像中灰度值中灰度xik與xi(k-1)之間的灰度均值，j∈[0，l-1]，為待分割金屬微滴流源圖像的總像素，k∈[1，m]；

步驟4.2：對當前圖像分割閾值根種群的各根的營養(yǎng)素濃度和各根的適應度進行歸一化處理，得到歸一化后的各根的營養(yǎng)素濃度和歸一化后的各根的適應度

步驟4.3：根據(jù)當前圖像分割閾值根種群的歸一化后的各根的營養(yǎng)素濃度和歸一化后的各根的適應度計算各根的生長素濃度

所述根據(jù)當前圖像分割閾值根種群的歸一化后的各根的營養(yǎng)素濃度和歸一化后的各根的適應度計算第i個根的生長素濃度的計算公式如下：

其中，ξ為在(0，1)之間均勻分布的隨機數(shù)。

步驟5：根據(jù)當前圖像分割閾值根種群的各根的生長素濃度將當前圖像分割閾值根種群的各根分為主根和側根：即將當前圖像分割閾值根種群的各根的生長素濃度按照從大到小進行排序，并將其中前sum個根作為主根，執(zhí)行步驟6，其余根作為側根，執(zhí)行步驟7；

步驟6：對當前圖像分割閾值根種群的主根進行向水性自生長操作和向重力性自生長操作，更新各主根的適應度和營養(yǎng)素濃度并采用貪心算法計算各主根xi當前的最優(yōu)適應度并對滿足分支條件的主根進行分支操作，計算當前圖像分割閾值根種群的各主根xi的分支數(shù)并確定分支后的各根位置；

步驟6.1：對當前圖像分割閾值根種群的主根進行更新：對主根進行向水性自生長操作和向重力性自生長操作；

步驟6.1.1：選取前一半主根進行向水性自生長操作，得到受向水性影響的主根xi在t+1時刻的位置

步驟6.1.2：初始化向重力性自生長的增長角度將未進行向水性自生長的后一半主根進行向重力性自生長操作，得到受向重力性影響的主根xi在t+1時刻的位置受向重力性影響的主根xi在t時刻的增長角度

步驟6.2：計算進行向水性自生長操作和向重力性自生長操作后的主根的適應度并采用貪心算法求取各主根xi當前的最優(yōu)適應度

步驟6.3：更新當前圖像分割閾值根種群的各主根的營養(yǎng)素濃度：若當前圖像分割閾值根種群的主根在t+1時刻的適應度小于該主根在t時刻的適應度，則令該主根的營養(yǎng)素濃度若當前圖像分割閾值根種群的主根在t+1時刻的適應度大于該主根在t時刻的適應度，則令該主根的營養(yǎng)素濃度

步驟6.4：判斷當前圖像分割閾值根種群的各主根是否滿足分支條件：若當前圖像分割閾值根種群的主根的營養(yǎng)素濃度大于分支閾值branchg，則執(zhí)行步驟6.5，否則，執(zhí)行步驟8；

步驟6.5：對主根進行分支操作，得到主根xi的分支在t+1時刻的位置以及主根xi的分支在t+1時刻的增長角度并計算當前圖像分割閾值根種群的各主根xi的分支數(shù)執(zhí)行步驟8。

步驟7：對當前圖像分割閾值根種群的側根進行自生長操作，更新各側根的適應度和營養(yǎng)素濃度并采用貪心算法計算各側根xi當前的最優(yōu)適應度

步驟7.1：初始化自生長的增長角度對當前圖像分割閾值根種群的側根進行自生長操作，得到自生長的側根xi在t+1時刻的位置以及自生長的側根xi在t+1時刻的增長角度

步驟7.2：計算自生長操作后的側根的適應展并采用貪心算法求取各側根xi當前的最優(yōu)適應度

步驟7.3：更新當前圖像分割閾值根種群的各側根的營養(yǎng)素濃度：若當前圖像分割閾值根種群的側根在t+1時刻的適應度小于該側根在t時刻的適應度，則令該側根的營養(yǎng)素濃度若當前圖像分割閾值根種群的側根在t+1時刻的適應度大于該側根在t時刻的適應度，則令該側根的營養(yǎng)素濃度

步驟8：根據(jù)當前圖像分割閾值根種群的各根的營養(yǎng)素濃度消除冗余根：若當前圖像分割閾值根種群的根xi的營養(yǎng)素濃度大于分支閾值branchg，則更新后根xi的數(shù)量為若當前圖像分割閾值根種群的根xi的營養(yǎng)素濃度小于營養(yǎng)素濃度下限閾值nmority，則更新后根xi的數(shù)量為否則，根xi的數(shù)量不變；

步驟9：更新當前圖像分割閾值根種群的種群大小

步驟10：判斷當前圖像分割閾值根種群的迭代次數(shù)iteration是否達到最大迭代次數(shù)limitc，若是，執(zhí)行步驟11，否則，令iteration＝iteration+1，返回步驟4；

步驟11：將當前圖像分割閾值根種群的各主根的最優(yōu)適應度和各側根的最優(yōu)適應度進行比較，將其中最優(yōu)適應度最小的根對應的一組閾值作為待分割的金屬微滴流源圖像的分割閾值組；

步驟12：采用步驟11獲得的分割閾值組對待分割的金屬微滴流源圖像進行分割。

本發(fā)明的有益效果：

本發(fā)明提出一種基于植物根系覓食優(yōu)化的多閾值金屬微滴圖像分割方法，應用于otsu分割中，選取分割圖像的最佳閾值組合；在保證精度的前提下大大提高了圖像分割效率；將所提多閾值分割算法應用于實際的金屬微滴圖像特征提取過程中，為進一步提取金屬微滴噴射系統(tǒng)中的金屬微滴輪廓、體積及速度等關鍵參數(shù)提供了有效的圖像測量數(shù)據(jù)。

附圖說明

圖1為真實的植物生長過程示意圖；

圖2為本發(fā)明具體實施方式中基于植物根系覓食優(yōu)化的多閾值金屬微滴圖像分割方法的流程圖；

圖3為本發(fā)明具體實施方式中3d電子打印裝置示意圖；

圖4為本發(fā)明具體實施方式中獲取的金屬微滴源圖像；

圖5為本發(fā)明具體實施方式中獲取的金屬微滴源圖像的灰度直方圖；

圖6為本發(fā)明具體實施方式中降噪處理后的金屬微滴源圖像進行圖像；

圖7為本發(fā)明具體實施方式中多閾值分割后的金屬微滴圖像。

具體實施方式

下面結合附圖對本發(fā)明具體實施方式加以詳細的說明。

植物根系覓食行為通過形態(tài)、生理的可塑性來反應個體生長、根系密度以及群落結構，其理論建模源于l系統(tǒng)形態(tài)發(fā)生模型和生物mtv覓食理論，如圖1所示為真實的植物生長過程，植物根系逐漸向土壤中營養(yǎng)素最高點生長。l系統(tǒng)模型是一個著名生物學實例，利用復雜動力系統(tǒng)的理論為植物根系生長復雜過程建模。植物根系覓食算法就是在l系統(tǒng)基礎上建立以根節(jié)點生長規(guī)則為基礎的植物系統(tǒng)演繹方式和以植物根系生長趨向模型(向水性、向營養(yǎng)性)，兩者結合所形成的優(yōu)化模式，就是實現(xiàn)人工植物在優(yōu)化問題解空間中從初始狀態(tài)到完整形式的終態(tài)(沒有新的根莖生長)的過程。

根據(jù)土壤資源分布的復雜性，植物根系生長操作包括分支，自生長、死亡和趨向。與其他傳統(tǒng)生物啟發(fā)式計算模型相比，該植物根系覓食模型(簡稱prfm)的創(chuàng)新性體現(xiàn)在以下幾個方面：

1)一類新的覓食策略，即根系覓食，提供了一個開放的框架。它基于植物形態(tài)學的根系覓食行為理論，模擬植物根系趨向生長機制，建立根系生長動力學機制迅速獲取全局最優(yōu)解，從一個新的視角來設計解決復雜優(yōu)化問題的優(yōu)化算法。

2)新型的信息調(diào)控機制，即生長素濃度調(diào)控。通過生長素濃度來確定如何選擇新的生長點和根的分支數(shù)。

3)均衡的探索/開發(fā)開銷策略。主根自生長算子采用較大的伸長單位來探索優(yōu)化空間中沒有掃描的陌生區(qū)域，而側根采用較小的伸長單位來執(zhí)行局部最優(yōu)的微調(diào)尋優(yōu)。

本發(fā)明提出一種基于植物根系覓食優(yōu)化的多閾值金屬微滴圖像分割方法，如圖2所示，包括以下步驟：

步驟1：獲取待分割的金屬微滴流源圖像。

本實施方式中，對納米金屬微滴流源圖像進行分割，納米金屬微滴流源圖像用3d電子打印后獲取，基于噴墨打印的3d電子系統(tǒng)如圖3所示，決定整個系統(tǒng)性能指標的關鍵因素是工業(yè)噴頭，它利用壓電元件的變形驅動噴射金屬微滴，具有墨點形狀規(guī)則、墨點大小可控、定位準確等優(yōu)勢。本實驗采用日本konicakm1024工業(yè)噴頭，其具體性能指標為：點火頻率為12.5k，墨滴體積42pl，噴孔數(shù)量：1024，孔徑：26微米。納米銀墨水采用leed-pv公司，銀濃度為60％。視覺觀測系統(tǒng)，包括冷光源(xaolg150)和德國高速工業(yè)相機(svseco424，曝光時間為1us)，用來實時捕捉工業(yè)噴頭噴射的納米銀微滴流。噴頭驅動電壓波形采用雙極梯形電壓波形。

采用工業(yè)噴墨打印頭(噴孔直徑20微米以內(nèi))將皮升(pl)量級的納米金屬顆粒材料沉積在基板上形成電子電路與器件，具有非接觸加工、批量化、工藝簡單等優(yōu)勢，被認為是未來電子制造行業(yè)最有前景的革命性技術之一。其中一個關鍵問題是如何提取納米金屬微滴多元圖像的信息特征。對納米金屬微滴流體特性的研究是基于噴墨打印方式的印制電子系統(tǒng)的核心內(nèi)容。納米金屬微滴流的狀態(tài)，如液滴體積、流速度、噴射角度等信息，代表了微滴噴射系統(tǒng)的性能指標。由于納米金屬微滴的流動性特點和明顯的團聚、沉淀效應，很難采用常規(guī)技術手段直接測量微滴的幾何參數(shù)(體積、表面積、表面張力、接觸角體積等)。因此需要通過圖像采集液滴生長過程中的輪廓變化情況，通過圖像智能分割與特征提取技術，提取液滴的邊緣輪廓，才能計算得到液滴的幾何和物理參數(shù)。

本實施方式中，獲取的金屬微滴源圖像如圖4所示。

步驟2：隨機初始化圖像分割閾值的根種群g＝{xi}，初始化各根的營養(yǎng)素濃度設定最大迭代次數(shù)limitc、分支閾值branchg、向重力性生長的最大值growmax、營養(yǎng)素濃度下限閾值nmority，其中，xi為根種群中的第i個根，即第i組圖像分割閾值，i∈[1，num]，num為種群大小。

本實施方式中，利用隨機函數(shù)random()隨機初始化圖像分割閾值的根種群g＝{xi}。

設定的最大迭代次數(shù)limitc根據(jù)用戶需求設定，一般來說，在該算法收斂之前，該值越大，算法的解的精度越好，本實施方式中，最大迭代次數(shù)limitc＝1000。

分支閾值branchg設定范圍為5-40，本實施方式中設定的分支閾值branchg＝20。

向重力性生長的最大值growmax＝255，即源圖像灰度空間取值范圍最大值。

營養(yǎng)素濃度下限閾值nmority取值范圍為0-10，本實施方式中，nmority＝5。

步驟3：初始化迭代次數(shù)iteration＝0。

步驟4：根據(jù)待分割的金屬微滴流源圖像的灰度直方圖和當前圖像分割閾值根種群的各根的營養(yǎng)素濃度計算當前圖像分割閾值根種群的各根的適應度和生長素濃度

步驟4.1：根據(jù)待分割的金屬微滴流源圖像的灰度直方圖采用最大類間方差法計算當前圖像分割閾值根種群的各根的適應度

本實施方式中，獲取的金屬微滴源圖像的灰度直方圖如圖5所示，同時對獲取的金屬微滴源圖像進行降噪處理后的圖像如圖6所示。

根據(jù)待分割的金屬微滴流源圖像的灰度直方圖采用最大類間方差法計算當前圖像分割閾值根種群的第i個根的適應度的計算公式如式(1)所示：

其中，xi＝{xi1，xi2，...，xim-1}為m-1維向量，即將待分割金屬微滴流源圖像順序分割成m個類的第i組圖像分割閾值，為第k-1類圖像像素數(shù)占整個圖像總像素數(shù)的概率，p(j)為待分割金屬微滴流源圖像中灰度值為j的像素的概率密度，為在待分割金屬微滴流源圖像中灰度值中灰度xik與xi(k-1)之間的灰度均值，j∈[0，l-1]，待分割金屬微滴流源圖像的灰度空間即為{0，1，...，l-1}，l＝256為待分割金屬微滴流源圖像的總像素，k∈[1，m]。

步驟4.2：對當前圖像分割閾值根種群的各根的營養(yǎng)素濃度和各根的適應度進行歸一化處理，得到歸一化后的各根的營養(yǎng)素濃度和歸一化后的各根的適應度

本實施方式中，對當前圖像分割閾值根種群的各根的營養(yǎng)素濃度和各根的適應度進行歸一化處理的計算公式如式(2)和式(3)所示：

其中，nutworst為當前圖像分割閾值根種群中根的營養(yǎng)素濃度的最小值，nutbest為當前圖像分割閾值根種群中根的營養(yǎng)素濃度的最大值，funcworst為當前圖像分割閾值根種群中根的適應度的最小值，funcbest為當前圖像分割閾值根種群中根的適應度的最大值。

步驟4.3：根據(jù)當前圖像分割閾值根種群的歸一化后的各根的營養(yǎng)素濃度和歸一化后的各根的適應度計算各根的生長素濃度

本實施方式中，根據(jù)當前圖像分割閾值根種群的歸一化后的各根的營養(yǎng)素濃度和歸一化后的各根的適應度計算第i個根的生長素濃度的計算公式如式(4)所示：

其中，ξ為在(0，1)之間均勻分布的隨機數(shù)。

步驟5：根據(jù)當前圖像分割閾值根種群的各根的生長素濃度將當前圖像分割閾值根種群的各根分為主根和側根：即將當前圖像分割閾值根種群的各根的生長素濃度按照從大到小進行排序，并將其中前sum個根作為主根，執(zhí)行步驟6，其余根作為側根，執(zhí)行步驟7，其中，

步驟6：對當前圖像分割閾值根種群的主根進行向水性自生長操作和向重力性自生長操作，更新各主根的適應度和營養(yǎng)素濃度并采用貪心算法計算各主根xi當前的最優(yōu)適應度并對滿足分支條件的主根進行分支操作，計算當前圖像分割閾值根種群的各主根xi的分支數(shù)并確定分支后的各根位置。

步驟6.1：對當前圖像分割閾值根種群的主根進行更新：對主根進行向水性自生長操作和向重力性自生長操作。

步驟6.1.1：選取前一半主根進行向水性自生長操作，得到受向水性影響的主根xi在t+1時刻的位置

本實施方式中，向水性自生長操作的更新公式如式(5)所示：

其中，t∈[0，limitc]為當前時刻，為受向水性影響的主根xi在t時刻的位置，為受向水性影響的主根xi在t+1時刻的位置，hbest為當前圖像分割閾值根種群的全局最優(yōu)位置，rand1為在(0，1)之間均勻分布的隨機數(shù)。

步驟6.1.2：初始化向重力性自生長的增長角度將未進行向水性自生長的后一半主根進行向重力性自生長操作，得到受向重力性影響的主根xi在t+1時刻的位置受向重力性影響的主根xi在t時刻的增長角度

本實施方式中，向重力性自生長操作，得到受向重力性影響的主根xi在t+1時刻的位置的公式如式(6)所示：

其中，為受向重力性影響的主根xi在t時刻的位置，為受向重力性影響的主根xi在t+1時刻的位置，rand2為服從均值為0、標準差為1的正態(tài)分布，growmax為向重力性生長的最大值，為受向重力性影響的主根xi在t時刻的增長角度，βi(m-2)(t)為主根xi中第m-2個分割閾值在t時刻的增長角度，為對增長角度進行笛卡爾坐標系轉換后的增長方向，di(m-1)(t)為笛卡爾坐標轉換后的主根xi中第m-1個增長方向。

本實施方式中，受向重力性影響的主根xi在t時刻的增長角度的計算公式如式(7)所示：

其中，為主根xi在t+1時刻的增長角度，rand3和rand4為在(0，1)之間均勻分布的隨機數(shù)，αmax∈(0，π)為最大生長角度。

步驟6.2：計算進行向水性自生長操作和向重力性自生長操作后的主根的適應度并采用貪心算法求取各主根xi當前的最優(yōu)適應度

本實施方式中，采用貪心算法求取主根xi當前的最優(yōu)適應度的計算公式如式(8)所示：

其中，為受向水性影響自生長的主根xi在t+1時刻的適應度，為受向重力性影響自生長的主根xi在t+1時刻的適應度。

步驟6.3：更新當前圖像分割閾值根種群的各主根的營養(yǎng)素濃度。

本實施方式中，更新當前圖像分割閾值根種群的各主根的營養(yǎng)素濃度的公式如式(9)所示，即若當前圖像分割閾值根種群的主根在t+1時刻的適應度小于該主根在t時刻的適應度，則令該主根的營養(yǎng)素濃度若當前圖像分割閾值根種群的主根在t+1時刻的適應度大于該主根在t時刻的適應度，則令該主根的營養(yǎng)素濃度

步驟6.4：判斷當前圖像分割閾值根種群的各主根是否滿足分支條件：若當前圖像分割閾值根種群的主根的營養(yǎng)素濃度大于分支閾值branchg，則執(zhí)行步驟6.5，否則，執(zhí)行步驟8。

步驟6.5：對主根進行分支操作，得到主根xi的分支在t+1時刻的位置以及主根xi的分支在t+1時刻的增長角度并計算當前圖像分割閾值根種群的各主根xi的分支數(shù)執(zhí)行步驟8。

本實施方式中，對主根進行分支操作得到主根xi的分支在t+1時刻的位置公式如式(10)所示：

其中，為主根xi的分支在t+1時刻的位置，為主根xi的分支在t時刻的位置，rand5和rand6為在(0，1)之間均勻分布的隨機數(shù)，為主根xi的分支在t時刻的增長角度，為主根xi的分支中第m-2個分割閾值在t時刻的增長角度，為對增長角度進行笛卡爾坐標系轉換后的增長方向。

本實施方式中，主根xi的分支在t+1時刻的增長角度的計算公式如式(11)所示：

其中，為主根xi的分支在t+1時刻的增長角度，αinit＝0為主根原始生長角度，e∈(1，...，smax)為選擇分區(qū)的隨機整數(shù)，smax＝4為分區(qū)數(shù)，ηmax＝π為最大生長轉角。

本實施方式中，計算當前圖像分割閾值根種群的主根xi的分支數(shù)的公式如式(12)所示：

其中，為當前圖像分割閾值根種群的主根xi的分支數(shù)，γ為隨機分布的系數(shù)，summax為當前圖像分割閾值根種群的各根分支數(shù)最大值，summin為當前圖像分割閾值根種群的各根分支數(shù)最小值。

步驟7：對當前圖像分割閾值根種群的側根進行自生長操作，更新各側根的適應度和營養(yǎng)素濃度并采用貪心算法計算各側根xi當前的最優(yōu)適應度

步驟7.1：初始化自生長的增長角度對當前圖像分割閾值根種群的側根進行自生長操作，得到自生長的側根xi在t+1時刻的位置以及自生長的側根xi在t+1時刻的增長角度

本實施方式中，對當前圖像分割閾值根種群的側根進行自生長操作得到自生長的側根xi在t+1時刻的位置的公式如式(13)所示：

其中，為自生長的側根xi在t時刻的位置，為自生長的側根xi在t+1時刻的位置，rand7為均值為0、偏差為1的正態(tài)分布函數(shù)，growmax為向重力性生長的最大值，為自生長的側根xi在t時刻的增長角度，為自生長的側根xi中第m-2個分割閾值在t時刻的增長角度，為對增長角度進行笛卡爾坐標系轉換后的增長方向，為笛卡爾坐標轉換后的側根xi中第m-1個增長方向。

本實施方式中，自生長的側根xi在t+1時刻的增長角度的計算公式如式(14)所示：

其中，rand8為在(0，1)之間均勻分布的隨機數(shù)，αmax∈(0，π)為最大自生長角度。

步驟7.2：計算自生長操作后的側根的適應度并采用貪心算法求取各側根xi當前的最優(yōu)適應度

本實施方式中，采用貪心算法求取各側根xi當前的最優(yōu)適應度的公式如式(15)所示：

其中，為自生長操作后的側根xi在t時刻的適應度，為自生長操作后的側根xi在t+1時刻的適應度。

步驟7.3：更新當前圖像分割閾值根種群的各側根xi的營養(yǎng)素濃度。

本實施方式中，更新當前圖像分割閾值根種群的各側根的營養(yǎng)素濃度如式(16)所示，即若當前圖像分割閾值根種群的側根在t+1時刻的適應度小于該側根在t時刻的適應度，則令該側根的營養(yǎng)素濃度若當前圖像分割閾值根種群的側根在t+1時刻的適應度大于該側根在t時刻的適應度，則令該側根的營養(yǎng)素濃度

步驟8：根據(jù)當前圖像分割閾值根種群的各根的營養(yǎng)素濃度消除冗余根。

本實施方式中，根據(jù)當前圖像分割閾值根種群的各根的營養(yǎng)素濃度消除冗余根的計算公式如式(17)所示，即若當前圖像分割閾值根種群的根xi的營養(yǎng)素濃度大于分支閾值branchg，則更新后根xi的數(shù)量為若當前圖像分割閾值根種群的根xi的營養(yǎng)素濃度小于營養(yǎng)素濃度下限閾值nmority，則更新后根xi的數(shù)量為否則，根xi的數(shù)量不變。

本實施方式中，側根沒有分支，因此作為側根

步驟9：更新當前圖像分割閾值根種群的種群大小num。

本實施方式中，更新當前圖像分割閾值根種群的種群大小num的公式如式(18)所示：

步驟10：判斷當前圖像分割閾值根種群的迭代次數(shù)iteration是否達到最大迭代次數(shù)limitc，若是，執(zhí)行步驟11，否則，令iteration＝iteration+l，返回步驟4。

步驟11：將當前圖像分割閾值根種群的各主根的最優(yōu)適應度和各側根的最優(yōu)適應度進行比較，將其中最優(yōu)適應度最小的根對應的一組閾值作為待分割的金屬微滴流源圖像的分割閾值組。

步驟12：采用步驟11獲得的分割閾值組對待分割的金屬微滴流源圖像進行分割。

本實施方式中，對待分割的金屬微滴流源圖像進行分割后的圖像如圖7所示。