1.基于改进灰狼优化算法的复杂图像多阈值分割方法,其特征在于:包括以下步骤:
1)输入图像,进行灰度化处理,获取一维灰度直方图,图像灰度值范围定为[0,255];
2)建立图像多阈值分割的最大熵优化模型,并将最大熵优化模型作为分割函数;
3)改进灰狼优化算法,应用于分割函数,得到最佳分割阈值矩阵;
4)利用最佳分割阈值矩阵对图像进行多阈值分割,得到分割后的图像。
2.如权利要求1所述的基于改进灰狼优化算法的复杂图像多阈值分割方法,其特征在于:步骤2)中将最大熵优化模型作为分割函数的步骤为;
2.1)根据步骤1)输入图像灰度直方图,获得每个灰度级i的频数hi、频率pi以及被阈值矩阵(t1,t2,...,tn)分割后,n+1个分割区域出现的概率wj,j=0,1,...,n,具体计算如下:pi=hi/(M×N),pi≥0且
其中,M×N为待分割图像的尺寸;
2.2)步骤2)中图像多阈值分割采用的信息商为最大熵,最大熵值计算公式为:H(t1,t2,...,tn)=H0+H1+...+Hn其中,阈值矩阵(t1,t2,...,tn)将图像分割为n+1个区域,H0,H1,...,Hn分别为分割后的每个区域熵值,H(t1,t2,...,tn)为分割图像的最大熵值,其值由(t1,t2,...,tn)决定;
2.3)建立所述最大熵优化模型,模型如下:
其中, 为最佳多阈值分割矩阵,此时,分割后的区域熵值之和最大。
3.如权利要求1所述的基于改进灰狼优化算法的复杂图像多阈值分割方法,其特征在于:步骤3)的具体过程为:
3.1)初始化灰狼种群,包括:最大迭代次数Tmax、灰狼种群个数N,灰狼种群位置边界[lb,ub],其中,lb=0,ub=255;
3.2)随机生成灰狼种群初始位置,每个灰狼位置Xi代表一个1行n列的矩阵其中,i=1,2,...,N;
3.3)以每个灰狼位置Xi作为分割阈值进行图像分割,将分割后图像的最大熵值作为每个灰狼个体的适应度fit(i),其中,适应度排名前三的灰狼个体,依次记为α狼、β狼和δ狼,并分别将其位置记为Xα、Xβ、Xδ;
3.4)在灰狼个体位置更新前,引入反向学习策略,提高灰狼种群质量;
3.5)分别计算剩余灰狼个体与α狼、β狼与δ狼的距离,更新灰狼个体位置,公式如下:其中,Dα、Dβ、Dδ分别为灰狼个体与α狼、β狼与δ狼的间距,Xα、Xβ与Xδ为α狼、β狼与δ狼当前所在位置,C1、C2、C3为随机向量,Ci=2*randi,i=1,2,3,t为当前迭代次数;
A1、A2、A3为系数因子,Ai=2a*randi‑a,randi为0到1之间的随机数,i=1,2,3;w1、w2、w3为权重因子,X1、X2、X3为灰狼个体朝α狼、β狼与δ狼移动后的位置;a为改进线性衰减因子;
3.6)在灰狼个体位置更新后,交替引入头狼靠拢策略与种群变异策略进行位置更新,平衡灰狼算法的收敛性能与跳出局部最优的能力;
3.7)判断迭代是否结束,若当前迭代次数等于最大迭代次数则迭代结束,输出α狼位置作为最佳分割阈值矩阵,否则迭代次数t=t+1,进入步骤3.3)。
4.如权利要求3所述的基于改进灰狼优化算法的复杂图像多阈值分割方法,其特征在于:步骤3.4)中所述反向学习策略的具体公式为:其中,Xi为灰狼个体位置,ub与lb分别为灰狼位置的上下边界值,fit(i)为灰狼Xi的适应度值,mean(fit)为当前迭代中所有灰狼的平均适应度值。
5.如权利要求3所述的基于改进灰狼优化算法的复杂图像多阈值分割方法,其特征在于:步骤3.5)中改进线性衰减因子a计算公式如下:其中,t为当前迭代次数,Tmax为最大迭代次数。
6.如权利要求5所述的基于改进灰狼优化算法的复杂图像多阈值分割方法,其特征在于:所述步骤3.6)头狼靠拢策略为:若当前迭代次数为偶数,狼群整体向头狼α靠拢,增加灰狼算法前期的收敛性能;
种群变异策略为:若当前迭代次数为奇数,采用种群变异进行位置变异,提高灰狼算法跳出局部最优的能力;
头狼靠拢策略与种群变异策略对应的公式如下:
其中,a为改进线性衰减因子,Xi为灰狼个体位置,Xα为α狼更新前所在位置,fit(i)为灰狼个体Xi的适应度值。
7.如权利要求1所述的基于改进灰狼优化算法的复杂图像多阈值分割方法,其特征在于:所述步骤4)具体包括:采用向上分割方法,根据最佳分割阈值矩阵 将待分割图像分为n+1个区域,并将其输入灰度图像中,灰度级在 之间的像素点取值为 之间取值为 依此类推, 之间取值为 的区域取值为255,最终获得分割后的图像,类推公式具体如下:
其中,i为待分割图像像素点灰度级,i∈[0,255]。