一种基于改进鸡群优化算法的多阈值Otsu图像分割方法

一种基于改进鸡群优化算法的多阈值otsu图像分割方法
技术领域
1.本发明涉及图像分割技术领域，具体涉及一种基于改进鸡群优化算法的多阈值otsu图像分割方法。


背景技术：

2.在利用机器视觉进行异物检测时，如何快速将采集的图片中的异物与背景分离开是一个关键的技术，并且对实时性要求较高。图像分割作为计算机视觉中的重要部分，以及图像分割的复杂性一直都是国内外专家学者研究的重要方向。到目前为止，还没有一个共同面向所有图像的分割方法，但已经产生了相当多的研究成果和方法。
3.otsu分割方法由nobuyukiotsu提出，研宄了一种利用图像的类间方差的最大值对其最优阈值进行自动选择的算法。其主要思想是利用图像的灰度特性把图像的目标和背景分离。类间方差越大说明图像的背景和目标的像素差异越大，阈值的选取更为准确，图像分割的效率与效果就越好。
4.阈值法的最佳阈值是通过图像的像素值设定的，这造成了在使用阈值法时需要选择目标与背景像素具有明显的差异的图像才会取得较好的分割效果，对于那些背景像素分布丰富、目标像素区域较多、存在噪声干扰的图像而言，此方法的分割效果会明显降低。并且运算速度大大加长，效率变低，不利于实时性要求。所以，在面对多阈值分割时，如何在确保准确性的情况下提高效率是一个不容忽视的问题，也是一个值得研究的的问题。


技术实现要素：

5.针对上述的技术问题，本技术方案提供了一种基于改进鸡群优化算法的多阈值otsu图像分割方法，改进的鸡群算法能够解决otsu进行多阈值分割时存在运行时间长和精度低的问题，使其能够获得更准确的阈值和分割效率，使得异物检测的时效性更高效；能有效的解决上述问题。
6.本发明通过以下技术方案实现：
7.一种基于改进鸡群优化算法的多阈值otsu图像分割方法，读取要阈值分割的图像，将多阈值otsu算法的类间方差作为适应度函数，通过改进的算法能够将定位区域的异物和背景分离开，实现异物检测的功能；具体的步骤包括：
8.步骤一：读取要阈值分割的图像，实时读取无线充电发射板定位区域预处理后的图像；
9.步骤二：初始化改进鸡群算法的参数；
10.步骤三：采取pwlcm混沌映射对鸡群算法种群粒子进行初始化，使其均匀分布在搜索空间内；
11.步骤四：计算图片的直方图并设置要分割的阈值个数；
12.步骤五：计算图像的最大类间方差作为鸡群的食物源；
13.步骤六：采用改进的公式分别对公鸡、母鸡以及小鸡进行位置更新；
14.引入非线性权重递减策略对公鸡的位置更新进行改进；
15.引入自适应分数阶g-l对母鸡位置更新公式进行优化并引进分数阶数自适应调整；
16.在小鸡的位置更新公式中引入向全局最优个体学习的因子，避免陷入局部最优；
17.步骤七：判断当前食物源是否为最优或达到迭代次数，若是，进行下一步骤，若不是，返回步骤五；
18.步骤八：输出最大阈值；
19.步骤九：对图像进行多阈值分割。
20.进一步的，步骤三所述的pwlcm混沌映射的计算公式为：
[0021][0022]
其中，p＝0.4，x(1)＝rand，x(t)为第t次迭代的值。
[0023]
进一步的，步骤五所述最大类间方差的计算公式为：
[0024][0025]
其中，阈值组合为[t1,t2,
…
t
k-1
]，将图像分割成k个类别；为分割后各个类别占图像的比例，μi为各个类别的平均灰度，μ
t
为图像的品海军灰度。
[0026]
进一步的，步骤六所述的引入非线性权重递减策略对公鸡的位置更新进行改进，是由于公鸡的适应度值最高，属于各个群体中的最优个体，引入非线性权重递减策略，使得在迭代初期具有较大的权重，更好的遍历整个搜素空间，而在后期保持较小的权重，使得种群具有较好的局部搜索能力收敛到全局最优点；公鸡的位置更新公式为：
[0027]
x
i,jt+1
＝λ
t
*x
i,jt
*(1+rand(0,σ2))，(2)
[0028][0029]
其中，x
i,jt+1
表示公鸡第t+1次迭代的位置，λ
t
表示第t次迭代的权重，x
i,jt
表示公鸡第t次迭代的位置，rand(0,σ2)表示均值为0，方差为σ2的高斯分布；ε表示一个很小的平衡常数，避免除数为零；s表示所有公鸡中除去第i个个体外的任意一个个体，第i只公鸡的适应度为fi，随机选取公鸡s的适应度为fs；t为当前迭代次数，t
max
为最大迭代次数，λ
max
为初始惯
性权值，取值为1.2；λ
min
为进化到最大迭代次数时的惯性权值，其取值为0.1；a和b为调整因子，它们的取值范围为a＝30，b＝0.88。
[0030]
进一步的，步骤六所述的自适应分数阶g-l，取分数阶g-l的前四项对母鸡位置更新进行改进，改进公式为：
[0031][0032]
对其母鸡位置更新公式进行分数阶优化，原位置更新公式为：x
i,jt+1
＝x
i,jt
+a1*rand*(x
r1t-x
i,jt
)+a2*rand*(x
r2,jt-x
i,jt
)(5)；移项得：
[0033]
x
i,jt+1-x
i,jt
＝a1*rand*(x
r1t-x
i,jt
)+a2*rand*(x
r2,jt-x
i,jt
)(6)；
[0034]
根据公式(4)，取分数阶前四项，可得：
[0035][0036]
当式(7)中的分数阶α取1时，将式(6)与式(7)结合，得到分数阶母鸡位置的更新公式，更新公式为：
[0037][0038][0039]
a2＝exp(f
r2-fi)
[0040]
其中，rand是服[0,1]均匀分布的随机数，该母鸡的伙伴公鸡r1的适应度值为f
r1
，a1表示其伙伴公鸡对其的影响因子，其他公鸡和母鸡中随机选取个体r2的适应度值为f
r2
，a2为其他鸡对其的影响因子。
[0041]
利用母鸡的位置信息对分数阶α进行自适应调整，母鸡i与其他母鸡的平均距离为：
[0042][0043]
其中，n为母鸡种群总数，d为空间维数。
[0044]
则进化因子ω可表示为：
[0045][0046]dbest
为全局最优位置与其他母鸡距离的平均值，母鸡的平均距离最大值为d
max
，最小值为d
min
，ω∈[0,1]；当分数阶次数α∈[0.5,0.8]时，算法的收敛速度较快，所以可将α根
据下式进行动态调整：
[0047][0048]
进一步的，步骤六所述的在小鸡的位置更新公式中引入向全局最优个体学习的因子，具体的改进公式为：
[0049]
x
i,jt+1
＝x
i,jt
+e(x
m,jt-x
i,jt
)+s
t
(x
best,jt-x
i,jt
)(12)；
[0050]
其中，母亲母鸡m位置的第j维数值为xm，母亲母鸡的位置对小鸡位置的影响因子为e，其为随机函数随机生成，取值范围一般为(0,2)；s的更新公式为t为当前迭代次数，t
max
为最大迭代次数，s的取值范围为从1递减到0。
[0051]
进一步的，所述的适应度函数采用的是多阈值otsu算法的类间方差，计算公式为：
[0052][0053]
其中，阈值组合为[t1,t2,
…
t
k-1
]，将图像分割成k个类别；为分割后各个类别占图像的比例，μi为各个类别的平均灰度，μ
t
为图像的品海军灰度。
[0054]
有益效果
[0055]
本发明提出的一种基于改进鸡群优化算法的多阈值otsu图像分割方法,与现有技术相比较，其具有以下有益效果：
[0056]
(1)本发明通过pwlcm混沌映射对鸡群算法种群个体进行初始化，使其均匀分布在搜索空间内，提高了种群的全局搜索能力。通过通过引入非线性权重动态递减策略对公鸡的位置更新进行改进，采用非线性动态递减，惯性权重将按s形曲线非线性递减；使得公鸡的位置更新在初期较好的遍历整个搜索空间，后期具有更好的局部收敛性。
[0057]
(2)本发明通过分数阶g-l对母鸡位置更新公式进行优化并引进分数阶数自适应调整，将分数阶微积分引入鸡群算法母鸡位置更新阶段，利用其所具有的记忆性调节母鸡每次迭代中的位置，算法可以利用每只母鸡更多的历史记忆进行搜寻工作，根据母鸡的位置信息自适应地对分数阶次a进行调整；增强算法跳出局部最优解的能力，使得搜索过程更加均衡，搜索精度更高。
[0058]
(3)本发明在鸡群算法中，小鸡的适应度值最差，原式中仅根据上一次位置迭代和该小鸡母亲母鸡的影响，使得该小鸡容易陷入局部最优，因此加入向全局最优个体学习的因子，使得该小鸡更好的进行全局搜索，避免陷入局部最优。s为动态变化的数值，范围为从1递减到0，初期数值较大，能够更好的全局搜索，跳出局部最优，及时移动到到全局最优附近，后期数值变小，由于位于全局最优附近，这时只需要收敛到局部最优，可以加快算法的收敛速度。
[0059]
(4)本发明改进的鸡群算法能够解决otsu进行多阈值分割时存在运行时间长和精度低的问题，使其能够获得更准确的阈值和分割效率，能够更好的应用于无线充电的异物检测领域。
附图说明
[0060]
图1是本发明的实施例1中的分割方法流程图。
[0061]
图2是本发明的实施例1中各算法收敛到最优解的迭代示意图。
[0062]
图3是本发明实施例1中各算法的图像分割示意图。
具体实施方式
[0063]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。在不脱离本发明设计构思的前提下，本领域普通人员对本发明的技术方案做出的各种变型和改进，均应落入到本发明的保护范围。
[0064]
实施例1：
[0065]
如图1所示，一种基于改进鸡群优化算法的多阈值otsu图像分割方法，读取要阈值分割的图像，将多阈值otsu算法的类间方差作为适应度函数，通过改进的算法能够将定位区域的异物和背景分离开，实现异物检测的功能；具体的步骤包括：
[0066]
步骤一：读取要阈值分割的图像，实时读取无线充电发射板定位区域预处理后的图像。
[0067]
步骤二：初始化改进鸡群算法的参数。
[0068]
步骤三：采取pwlcm混沌映射对鸡群算法种群粒子进行初始化，使其均匀分布在搜索空间内；pwlcm混沌映射的计算公式为：
[0069][0070]
其中，p＝0.4，x(1)＝rand，x(t)为第t次迭代的值。
[0071]
步骤四：计算图片的直方图并设置要分割的阈值个数。
[0072]
步骤五：计算图像的最大类间方差作为鸡群的食物源；最大类间方差的计算公式为：
[0073][0074]
其中，阈值组合为[t1,t2,
…
t
k-1
]，将图像分割成k个类别；为分割后各个类别占图像的比例，μi为各个类别的平均灰度，μ
t
为图像的品海军灰度。
[0075]
步骤六：采用改进的公式分别对公鸡、母鸡以及小鸡进行位置更新；
[0076]
引入非线性权重递减策略对公鸡的位置更新进行改进；是由于公鸡的适应度值最高，属于各个群体中的最优个体，引入非线性权重递减策略，使得在迭代初期具有较大的权重，更好的遍历整个搜素空间，而在后期保持较小的权重，使得种群具有较好的局部搜索能力收敛到全局最优点；公鸡的位置更新公式为：
[0077]
x
i,jt+1
＝λ
t
*x
i,jt
*(1+rand(0,σ2))(2)；
[0078][0079]
其中，x
i,jt+1
表示公鸡第t+1次迭代的位置，λ
t
表示第t次迭代的权重，x
i,jt
表示公鸡第t次迭代的位置，rand(0,σ2)表示均值为0，方差为σ2的高斯分布；ε表示一个很小的平衡常数，避免除数为零；s表示所有公鸡中除去第i个个体外的任意一个个体，第i只公鸡的适应度为fi，随机选取公鸡s的适应度为fs；t为当前迭代次数，t
max
为最大迭代次数，λ
max
为初始惯性权值，取值为1.2；λ
min
为进化到最大迭代次数时的惯性权值，其取值为0.1；a和b为调整因子，它们的取值范围为a＝30，b＝0.88。
[0080]
引入自适应分数阶g-l对母鸡位置更新公式进行优化并引进分数阶数自适应调整；取分数阶g-l的前四项对母鸡位置更新进行改进，改进公式为：
[0081][0082]
对其母鸡位置更新公式进行分数阶优化，原位置更新公式为：x
i,jt+1
＝x
i,jt
+a1*rand*(x
r1t-x
i,jt
)+a2*rand*(x
r2,jt-x
i,jt
)(5)；移项得：
[0083]
x
i,jt+1-x
i,jt
＝a1*rand*(x
r1t-x
i,jt
)+a2*rand*(x
r2,jt-x
i,jt
)(6)；
[0084]
根据公式(4)，取分数阶前四项，可得：
[0085][0086]
当式(7)中的分数阶α取1时，将式(6)与式(7)结合，得到分数阶母鸡位置的更新公式，更新公式为：
[0087][0088][0089]
a2＝exp(f
r2-fi)
[0090]
其中，rand是服[0,1]均匀分布的随机数，该母鸡的伙伴公鸡r1的适应度值为f
r1
，a1表示其伙伴公鸡对其的影响因子，其他公鸡和母鸡中随机选取个体r2的适应度值为f
r2
，a2为其他鸡对其的影响因子。
[0091]
利用母鸡的位置信息对分数阶α进行自适应调整，母鸡i与其他母鸡的平均距离为：
[0092][0093]
其中，n为母鸡种群总数，d为空间维数。
[0094]
则进化因子ω可表示为：
[0095][0096]dbest
为全局最优位置与其他母鸡距离的平均值，母鸡的平均距离最大值为d
max
，最小值为d
min
，ω∈[0,1]；当分数阶次数α∈[0.5,0.8]时，算法的收敛速度较快，所以可将α根据下式进行动态调整：
[0097][0098]
在小鸡的位置更新公式中引入向全局最优个体学习的因子，避免陷入局部最优；在小鸡的位置更新公式中引入向全局最优个体学习的因子，具体的改进公式为：
[0099]
x
i,jt+1
＝x
i,jt
+e(x
m,jt-x
i,jt
)+s
t
(x
best,jt-x
i,jt
)(12)；
[0100]
其中，母亲母鸡m位置的第j维数值为xm，母亲母鸡的位置对小鸡位置的影响因子为e，其为随机函数随机生成，取值范围一般为(0,2)；s的更新公式为t为当前迭代次数，t
max
为最大迭代次数，s的取值范围为从1递减到0。
[0101]
步骤七：判断当前食物源是否为最优或达到迭代次数，若是，进行下一步骤，若不是，返回步骤五；
[0102]
步骤八：输出最大阈值；
[0103]
步骤九：对图像进行多阈值分割。
[0104]
本实施例的适应度函数采用的是多阈值otsu算法的类间方差，计算公式为：
[0105][0106]
其中，阈值组合为[t1,t2,
…
t
k-1
]，将图像分割成k个类别；为分割后各个类别占图像的比例，μi为各个类别的平均灰度，μ
t
为图像的品海军灰度。
[0107]
发明人选取了人物图像作为测试，通过适应度值对算法进行评价，分别与fa-otsu，pso-otsu算法进行对比。图3(a)为灰度化处理后的原图，(b)为利用fa-otsu分割出的图像，(c)为利用pso-otsu分割出的图像，(d)为本文算法分割出的图像。从图2可以看出，本算法仅迭代4次就收敛到最优点，而fa-otsu在迭代到30次左右就收敛到局部最优，最终在45次迭代左右收敛到全局最优解，pso-otsu在迭代到12次左右收敛到最优解。本算法相对于另外两种算法，分割的效率大大提高，能够解决otsu进行多阈值分割时存在运行时间长和精度低的问题。
[0108]
以上仅为本发明的具体实施例，但本发明的保护范围不仅局限于此，任何在本发明揭露的技术范围内的变化、替换和改进，均在本发明的保护范围内。

技术特征：
1.一种基于改进鸡群优化算法的多阈值otsu图像分割方法，其特征在于：读取要阈值分割的图像，将多阈值otsu算法的类间方差作为适应度函数，通过改进的算法能够将定位区域的异物和背景分离开，实现异物检测的功能；具体的步骤包括：步骤一：读取要阈值分割的图像，实时读取无线充电发射板定位区域预处理后的图像；步骤二：初始化改进鸡群算法的参数；步骤三：采取pwlcm混沌映射对鸡群算法种群粒子进行初始化，使其均匀分布在搜索空间内；步骤四：计算图片的直方图并设置要分割的阈值个数；步骤五：计算图像的最大类间方差作为鸡群的食物源；步骤六：采用改进的公式分别对公鸡、母鸡以及小鸡进行位置更新；引入非线性权重递减策略对公鸡的位置更新进行改进；引入自适应分数阶g-l对母鸡位置更新公式进行优化并引进分数阶数自适应调整；在小鸡的位置更新公式中引入向全局最优个体学习的因子，避免陷入局部最优；步骤七：判断当前食物源是否为最优或达到迭代次数，若是，进行下一步骤，若不是，返回步骤五；步骤八：输出最大阈值；步骤九：对图像进行多阈值分割。2.根据权利要求1所述的一种基于改进鸡群优化算法的多阈值otsu图像分割方法，其特征在于：步骤三所述的pwlcm混沌映射的计算公式为：其中，p＝0.4，x(1)＝rand，x(t)为第t次迭代的值。3.根据权利要求1所述的一种基于改进鸡群优化算法的多阈值otsu图像分割方法，其特征在于：步骤五所述最大类间方差的计算公式为：其中，阈值组合为[t1,t2,
…
t
k-1
]，将图像分割成k个类别；为分割后各个类别占图像的比例，μ
i
为各个类别的平均灰度，μ
t
为图像的品海军灰度。4.根据权利要求1所述的一种基于改进鸡群优化算法的多阈值otsu图像分割方法，其特征在于：步骤六所述的引入非线性权重递减策略对公鸡的位置更新进行改进，是由于公鸡的适应度值最高，属于各个群体中的最优个体，引入非线性权重递减策略，使得在迭代初期具有较大的权重，更好的遍历整个搜素空间，而在后期保持较小的权重，使得种群具有较好的局部搜索能力收敛到全局最优点；公鸡的位置更新公式为：
x
i,jt+1
＝λ
t
*x
i,jt
*(1+rand(0,σ2)) ， (2)(2)其中，x
i,jt+1
表示公鸡第t+1次迭代的位置，λ
t
表示第t次迭代的权重，x
i,jt
表示公鸡第t次迭代的位置，rand(0,σ2)表示均值为0，方差为σ2的高斯分布；ε表示一个很小的平衡常数，避免除数为零；s表示所有公鸡中除去第i个个体外的任意一个个体，第i只公鸡的适应度为f
i
，随机选取公鸡s的适应度为f
s
；t为当前迭代次数，t
max
为最大迭代次数，λ
max
为初始惯性权值，取值为1.2；λ
min
为进化到最大迭代次数时的惯性权值，其取值为0.1；a和b为调整因子，它们的取值范围为a＝30，b＝0.88。5.根据权利要求4所述的一种基于改进鸡群优化算法的多阈值otsu图像分割方法，其特征在于：步骤六所述的自适应分数阶g-l，取分数阶g-l的前四项对母鸡位置更新进行改进，改进公式为：对其母鸡位置更新公式进行分数阶优化，原位置更新公式为：x
i,jt+1
＝x
i,jt
+a1*rand*(x
r1t-x
i,jt
)+a2*rand*(x
r2,jt-x
i,jt
) (5)；移项得：x
i,jt+1-x
i,jt
＝a1*rand*(x
r1t-x
i,jt
)+a2*rand*(x
r2,jt-x
i,jt
) (6)；根据公式(4)，取分数阶前四项，可得：当式(7)中的分数阶α取1时，将式(6)与式(7)结合，得到分数阶母鸡位置的更新公式，更新公式为：更新公式为：a2＝exp(f
r2-f
i
)其中，rand是服[0,1]均匀分布的随机数，该母鸡的伙伴公鸡r1的适应度值为f
r1
，a1表示
其伙伴公鸡对其的影响因子，其他公鸡和母鸡中随机选取个体r2的适应度值为f
r2
，a2为其他鸡对其的影响因子；利用母鸡的位置信息对分数阶α进行自适应调整，母鸡i与其他母鸡的平均距离为：其中，n为母鸡种群总数，d为空间维数；则进化因子ω可表示为：d
best
为全局最优位置与其他母鸡距离的平均值，母鸡的平均距离最大值为d
max
，最小值为d
min
，ω∈[0,1]；当分数阶次数α∈[0.5,0.8]时，算法的收敛速度较快，所以可将α根据下式进行动态调整：6.根据权利要求5所述的一种基于改进鸡群优化算法的多阈值otsu图像分割方法，其特征在于：步骤六所述的在小鸡的位置更新公式中引入向全局最优个体学习的因子，具体的改进公式为：x
i,jt+1
＝x
i,jt
+e(x
m,jt-x
i,jt
)+s
t
(x
best,jt-x
i,jt
)(12)；其中，母亲母鸡m位置的第j维数值为x
m
，母亲母鸡的位置对小鸡位置的影响因子为e，其为随机函数随机生成，取值范围一般为(0,2)；s的更新公式为t为当前迭代次数，t
max
为最大迭代次数，s的取值范围为从1递减到0。7.根据权利要求6所述的一种基于改进鸡群优化算法的多阈值otsu图像分割方法，其特征在于：所述的适应度函数采用的是多阈值otsu算法的类间方差，计算公式为：其中，阈值组合为[t1,t2,
…
t
k-1
]，将图像分割成k个类别；为分割后各个类别占图像的比例，μ
i
为各个类别的平均灰度，μ
t
为图像的品海军灰度。

技术总结
一种基于改进鸡群优化算法的多阈值Otsu图像分割方法，通过PWLCM混沌映射对鸡群算法种群个体进行初始化，使其均匀分布在搜索空间内。通过引入非线性权重递减策略对公鸡的位置更新进行改进，使得在初期较好的遍历整个搜索空间，后期具有更好的局部收敛性。通过分数阶G-L对母鸡位置更新公式进行优化并引进分数阶数自适应调整，增强算法跳出局部最优解的能力。考虑到小鸡的适应度较差，学习空间较大，对其位置更新公式中引入向全局最优个体学习的因子，避免陷入局部最优。本发明通过改进的鸡群算法能够解决Otsu进行多阈值分割时存在运行时间长和精度低的问题，使其能够获得更准确的阈值和分割效率，使得异物检测的时效性更高效。效。效。


技术研发人员：王方修 张一航 陈泉宇 桑英军 范媛媛
受保护的技术使用者：淮阴工学院
技术研发日：2023.05.31
技术公布日：2023/8/24