本發(fā)明涉及使用跨越式交叉、多優(yōu)導(dǎo)向進(jìn)化加速方法、智能優(yōu)化算法和多閾值圖像分割。

背景技術(shù)：

1、圖像分割是圖像處理中的一個(gè)基本挑戰(zhàn)，便于研究者更有效地分析和理解圖像，它在數(shù)字圖像處理和計(jì)算機(jī)視覺等領(lǐng)域具有重要意義。圖像分割的關(guān)鍵就是將原始圖像分割成具有特定屬性的區(qū)域并提取相關(guān)對(duì)象，也就是說，圖像分割是將輸入圖像分割成不同的區(qū)域，使同一區(qū)域具有相同的屬性，不同區(qū)域具有不同的特征。而基于閾值的方法因其操作簡(jiǎn)單、處理速度快、精度高以及占用存儲(chǔ)空間小等優(yōu)點(diǎn)，已在各應(yīng)用領(lǐng)域成功實(shí)現(xiàn)?；趫D像中感興趣區(qū)域的數(shù)量，閾值分割可分為雙閾值圖像分割和多閾值圖像分割。通常，圖像都由兩個(gè)以上感興趣區(qū)域組成，因此需要多個(gè)閾值進(jìn)行分割。

2、根據(jù)圖像中的信息，閾值分割方法又被分為基于直方圖的方法、基于聚類的方法、基于熵的方法、基于對(duì)象屬性的方法、空間方法和局部方法?；谥狈綀D的處理方法分為一維直方圖和二維直方圖，但是基于一維直方圖的閾值法只考慮圖像的灰度信息，沒有利用圖像的空間位置信息。因此，當(dāng)目標(biāo)在圖像中所占面積很小時(shí)，就會(huì)出現(xiàn)嚴(yán)重的誤分割現(xiàn)象，分割結(jié)果容易受到噪聲的干擾。針對(duì)這一問題，有研究者提出了一種基于二維直方圖的圖像閾值分割方法，將原始灰度直方圖與像素的局部均值相結(jié)合，形成局部均值二維直方圖。這種二維直方圖是將像素的灰度值映射到相應(yīng)的局部均值來表示像素之間的空間相關(guān)性，對(duì)角線面上包含物體和背景信息，非對(duì)角線面上包含邊緣和噪聲信息。然而，傳統(tǒng)的二維直方圖進(jìn)行多閾值分割時(shí)是通過窮舉方法找到最優(yōu)閾值，計(jì)算成本非常大。為了解決這一問題，許多元啟發(fā)式算法(ma)被應(yīng)用到這一領(lǐng)域，并取得了顯著的成果。

3、沙貓群優(yōu)化算法(scso)是受自然界沙貓行為的啟發(fā)而提出的一種元啟發(fā)式算法。沙貓的兩個(gè)主要活動(dòng)是覓食和攻擊獵物。該算法是基于沙貓能夠通過檢測(cè)低頻噪聲找到獵物的特征實(shí)現(xiàn)的。沙貓群優(yōu)化算法具有對(duì)高維問題的魯棒性、算法實(shí)現(xiàn)的簡(jiǎn)單性以及對(duì)基本版本的修改靈活性等優(yōu)點(diǎn)。但它在優(yōu)化過程中仍存在很多局限性，主要表現(xiàn)在兩個(gè)方面：一方面，盡管沙貓群算法在搜索空間收斂速度很快，但由于位置更新方法較為簡(jiǎn)單，限制了其對(duì)解空間的全面探索能力，使得其跳出局部最優(yōu)的能力較差，這導(dǎo)致沙貓群算法在早期迭代中就會(huì)陷入局部最優(yōu)狀態(tài)，無法繼續(xù)尋找更好的解決方案。另一方面，沙貓群算法在優(yōu)化過程中可能面臨過早收斂或停滯等問題。過早收斂是指種群陷入局部最優(yōu)時(shí)，種群多樣性程度降低。而停滯則是種群不能收斂到一個(gè)穩(wěn)定點(diǎn)，此時(shí)即使保持種群多樣性也沒有更好的解決方案。在這兩種情況下，算法空耗計(jì)算資源，導(dǎo)致收斂速度較慢、收斂精度降低。

4、綜上所述，為了解決以上的兩個(gè)挑戰(zhàn)，更好地進(jìn)行多閾值圖像分割，我們提出了基于跨越式交叉和多優(yōu)導(dǎo)向的多閾值圖像分割方法。首先，我們提出了一種跨越式交叉計(jì)算方法，對(duì)種群進(jìn)行基于個(gè)體間、維度間、代際間等多層次的信息交換，提高了沙貓群算法的早期搜索效率和跳出局部最優(yōu)的能力；第二，我們提出了一種基于歷史優(yōu)化信息的多優(yōu)導(dǎo)向進(jìn)化加速方法，通過優(yōu)化速率導(dǎo)向、最優(yōu)個(gè)體距離導(dǎo)向和較優(yōu)解聚類導(dǎo)向?qū)ΨN群進(jìn)行及時(shí)的進(jìn)化狀態(tài)檢測(cè)和處理，進(jìn)一步地提升了算法跳出局部最優(yōu)的能力，將節(jié)省的計(jì)算資源用于進(jìn)一步的開發(fā)，提升了找到全局最優(yōu)解的可能性；最后，用灰度圖像和非局部均值圖像生成非局部均值二維直方圖，采用renyi熵作為目標(biāo)函數(shù)，利用改進(jìn)的沙貓群優(yōu)化算法的效率來尋找最優(yōu)閾值，進(jìn)行多閾值圖像分割，大大降低了計(jì)算復(fù)雜度。

技術(shù)實(shí)現(xiàn)思路

1、為了更好地進(jìn)行多閾值圖像分割，解決沙貓群優(yōu)化算法在迭代早期易陷入局部最優(yōu)的局限性以及算法優(yōu)化過程中遇到過早收斂或停滯導(dǎo)致的收斂精度不夠高的問題，本文發(fā)明了一種基于跨越式交叉和多優(yōu)導(dǎo)向的多閾值分割方法，
技術(shù)實(shí)現(xiàn)要素：
主要包括：提高沙貓群算法早期搜索效率和跳出局部最優(yōu)能力的跨越式交叉計(jì)算方法，及時(shí)對(duì)進(jìn)化狀態(tài)檢測(cè)和處理的多優(yōu)導(dǎo)向進(jìn)化加速方法，利用基于非局部均值二維直方圖和renyi熵的改進(jìn)沙貓群優(yōu)化算法進(jìn)行多閾值圖像分割。

2、一種基于跨越式交叉和多優(yōu)導(dǎo)向的多閾值分割方法，其主要步驟如下：

3、步驟一、將多閾值圖像分割問題建模成為優(yōu)化算法的目標(biāo)函數(shù)。首先將輸入圖像灰度化，獲得對(duì)應(yīng)灰度圖像，并用非局部均值濾波求得非局部均值圖像。計(jì)算局部圖像范圍內(nèi)的像素p和q的局部灰度均值，然后根據(jù)求得的局部灰度均值計(jì)算像素p和q的高斯權(quán)值，再基于求得的高斯權(quán)值和像素q的灰度值計(jì)算出來像素p的非局部均值濾波值，得到非局部均值圖像。再由灰度圖像和非局部均值圖像組合形成非局部均值二維直方圖。基于非局部均值二維直方圖中向量(i，j)出現(xiàn)的頻率計(jì)算它出現(xiàn)的概率，從而計(jì)算出歸一化處理后的非局部均值二維直方圖。而由于非局部均值二維直方圖的主對(duì)角線就包含了足夠的圖像信息，為了簡(jiǎn)化計(jì)算，我們只計(jì)算主對(duì)角線上子區(qū)域的renyi熵。因此，以基于非局部均值二維直方圖的renyi熵為目標(biāo)函數(shù)，在搜索空間內(nèi)初始化種群p0和階段過渡控制參數(shù)r，以完成后續(xù)的種群進(jìn)化。

4、步驟二、提出一種跨越式交叉計(jì)算方法，對(duì)步驟一中生成的種群p0在每次迭代開始時(shí)按照一定概率對(duì)其進(jìn)行基于個(gè)體間、維度間、代際間等多層次的信息交叉。首先，基于兩個(gè)親本個(gè)體，將它們?cè)谶@一次迭代和上一次迭代某一維度上的位置信息進(jìn)行交叉，得到兩個(gè)跨個(gè)體跨代際交叉后的新位置和再對(duì)同一個(gè)個(gè)體在不同維度上的位置信息進(jìn)行交叉，得到該個(gè)體跨維度交叉后的新位置將個(gè)體間、維度間、代際間交換的信息相結(jié)合后，每個(gè)個(gè)體在交叉搜索后將得到的新位置與舊位置進(jìn)行擇優(yōu)處理，并執(zhí)行沙貓群優(yōu)化算法自身的進(jìn)化過程得到新種群p1。

5、步驟三、提出一種基于歷史優(yōu)化信息的多優(yōu)導(dǎo)向進(jìn)化加速方法，通過優(yōu)化速率導(dǎo)向、最優(yōu)個(gè)體距離導(dǎo)向和較優(yōu)解聚類導(dǎo)向?qū)Σ襟E二得到的種群p1進(jìn)行及時(shí)的進(jìn)化狀態(tài)檢測(cè)和處理。首先，基于優(yōu)化速率導(dǎo)向?qū)ΨN群進(jìn)化狀態(tài)進(jìn)行檢測(cè)。根據(jù)當(dāng)前迭代前后最優(yōu)個(gè)體的位置變化選擇性地對(duì)最優(yōu)適應(yīng)度值的下降速率進(jìn)行計(jì)算，并將其加入到本次進(jìn)化周期的速率集合中。每新計(jì)算一次下降速率，就對(duì)新的速率集合求標(biāo)準(zhǔn)差并通過其變化判斷進(jìn)化加速度e的值，從而判斷當(dāng)前是正常狀態(tài)還是不良狀態(tài)。第二，基于最優(yōu)個(gè)體距離導(dǎo)向?qū)ΨN群不良狀態(tài)進(jìn)行細(xì)分處理。通過計(jì)算種群中每個(gè)個(gè)體在每個(gè)維度上到當(dāng)前最優(yōu)個(gè)體的加權(quán)距離wdb和一個(gè)與優(yōu)化過程相關(guān)聯(lián)的動(dòng)態(tài)閾值z(mì)來判斷種群的聚合程度。若加權(quán)距離小于動(dòng)態(tài)閾值，說明此時(shí)種群個(gè)體緊密聚集在當(dāng)前最優(yōu)個(gè)體周圍，種群可能過早收斂、陷入局部最優(yōu)無法逃出，否則，說明種群個(gè)體距離當(dāng)前最優(yōu)個(gè)體的加權(quán)距離較大，種群可能收斂不到一個(gè)穩(wěn)定點(diǎn)。此時(shí)，我們會(huì)采取基于較優(yōu)解聚類導(dǎo)向的干預(yù)操作來緩解面臨的困境，即若種群聚合程度較高，則通過離散操作將種群分散開，若種群聚合程度較低，則通過聚合操作將種群向三個(gè)較優(yōu)解聚攏起來，由此擴(kuò)大搜索空間，逃出局部最優(yōu)或停滯。最后得到經(jīng)過多優(yōu)導(dǎo)向進(jìn)化加速后的新種群p，也即下一次迭代中的初始種群p0。

6、步驟四、比較當(dāng)前迭代次數(shù)與最大迭代次數(shù)。若種群進(jìn)化未達(dá)到最大迭代次數(shù)，則當(dāng)前迭代次數(shù)加一后，跳轉(zhuǎn)步驟二繼續(xù)執(zhí)行下一次迭代，否則就終止進(jìn)化，得到多閾值圖像分割結(jié)果和將圖像分割到最大總熵值的最優(yōu)閾值組合。