一种图像分割方法及系统与流程
本发明涉及图像处理领域，特别是涉及一种图像分割方法及系统。
背景技术：
图像处理技术已经进入数字信息化时代，图像分割技术的地位也越来越至关重要。图像分割技术的目的是为了选择图像后续分析需要的部分，达到优化图像的效果。图像分割技术在国防军事、医药、航空航天等不同领域都有广泛应用。
图像分割是将图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。研究人员也不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法，例如采用最大类间方差法或者粒子群优化算法来进行图像分割。其中最大类间方差法(otsu)也称为大津算法，是由日本人大津提出并命名的，最大类间方差法为根据图像的灰度信息把像素点划分为前景和后景的图像分割优化算法，但是该方法提升到多阈值后，计算量大，进而导致被实际应用的情况屈指可数；而粒子群优化算法存在早熟过快的问题，即在求解图像分割最优解时，易陷入局部最优解状况，进而导致图像分割效果差。因此，如何提高图像分割效果和分割效率，是图像处理技术领域急需要解决的技术问题。
技术实现要素：
本发明的目的是提供一种图像分割方法及系统，该图像分割方法计算简单，且在求解图像分割最优解时，不易陷入局部最优解状况，具有良好的稳定性，提高图像分割效果和分割效率。
为实现上述目的，本发明提供了如下方案：
一种图像分割方法，所述图像分割方法包括：
获取多个第一代阈值组和迭代次数；所述第一代阈值组表示分割图像的多阈值分割组；
对每个所述第一代阈值组进行爆炸处理，得到多个阈值组集合，并记录爆炸次数；每个所述阈值组集合包括一个所述第一代阈值组以及所述第一代阈值组爆炸产生的多个第二代阈值组；
计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，得到多组适应度值集合；
对每组所述适应度值集合中的适应度值按照从大到小进行排列，确定每组中第一适应度值对应的阈值组；所述第一适应度值为所述适应度值集合中的最大适应度值；所述阈值组为所述第一代阈值组或者为所述第二代阈值组；
判断所述爆炸次数是否小于所述迭代次数，得到第一判断结果；
若所述第一判断结果表示所述爆炸次数小于所述迭代次数，则将所述第一适应度值对应的所述阈值组进行爆炸处理，更新所述阈值组集合和所述爆炸次数；
若所述第一判断结果表示所述爆炸次数等于或者大于所述迭代次数，则将多个所述第一适应度值按照从大到小进行排列，选择最大的第一适应度值所对应的阈值组确定为分割图像时的最优分割阈值组。
可选的，所述获取多个第一代阈值组和迭代次数，具体包括：
对待分割图像进行二值化处理，得到灰度图像；
根据用户设定的分割层数，对所述灰度图像随机初始化，获取多个第一代阈值组；所述第一代阈值组中的元素的数量为所述分割层数数量减一；
根据用户设定的爆炸循环次数，获取迭代次数。
可选的，所述对每个所述第一代阈值组进行爆炸处理，得到多个阈值组集合，具体包括：
确定搜索区间；
对所述第一代阈值组进行爆炸处理，生成第二代阈值组；
判断所述第二代阈值组是否在所述搜索区间内，得到第二判断结果；
若所述第二判断结果表示所述第二代阈值组在所述搜索区间内，则保留所述第二代阈值组；
若所述第二判断结果表示所述第二代阈值组不在所述搜索区间内，则对所述搜索区间外的第二代阈值组进行映射位移操作处理，确定处理后的第二代阈值组位于所述搜索区间内；所述阈值组集合包括第一代阈值组、第二代阈值组以及处理后的第二代阈值组。
可选的，在判断所述第二代阈值组是否在所述搜索区间内，得到第二判断结果之前，还包括：
对随机抽取的部分所述第二代阈值组进行爆炸位移操作处理和高斯位移操作处理，得到新的第二代阈值组。
可选的，所述计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，得到多组适应度值集合，具体包括：
根据以下公式计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，得到多组适应度值集合：
本发明还提供了一种图像分割系统，所述图像分割系统包括：
获取模块，用于获取多个第一代阈值组和迭代次数；所述第一代阈值组表示分割图像的多阈值分割组；
阈值组集合得到模块，用于对每个所述第一代阈值组进行爆炸处理，得到多个阈值组集合，并记录爆炸次数；每个所述阈值组集合包括一个所述第一代阈值组以及所述第一代阈值组爆炸产生的多个第二代阈值组；
适应度值集合得到模块，用于计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，得到多组适应度值集合；
阈值组确定模块，用于对每组所述适应度值集合中的适应度值按照从大到小进行排列，确定每组中第一适应度值对应的阈值组；所述第一适应度值为所述适应度值集合中的最大适应度值；所述阈值组为所述第一代阈值组或者为所述第二代阈值组；
第一判断结果得到模块，用于判断所述爆炸次数是否小于所述迭代次数，得到第一判断结果；
阈值组集合和爆炸次数更新模块，用于当所述第一判断结果表示所述爆炸次数小于所述迭代次数时，则将所述第一适应度值对应的所述阈值组进行爆炸处理，更新所述阈值组集合和所述爆炸次数；
最优分割阈值组确定模块，用于当所述第一判断结果表示所述爆炸次数等于或者大于所述迭代次数时，则将多个所述第一适应度值按照从大到小进行排列，选择最大的第一适应度值所对应的阈值组确定为分割图像时的最优分割阈值组。
可选的，所述获取模块，具体包括：
灰度图像得到单元，用于对待分割图像进行二值化处理，得到灰度图像；
第一代阈值组获取单元，用于根据用户设定的分割层数，对所述灰度图像随机初始化，获取多个第一代阈值组；所述第一代阈值组中的元素的数量为所述分割层数数量减一；
迭代次数获取单元，用于根据用户设定的爆炸循环次数，获取迭代次数。
可选的，所述阈值组集合得到模块，具体包括：
搜索区间确定，用于确定搜索区间；
第二代阈值组生成单元，用于对所述第一代阈值组进行爆炸处理，生成第二代阈值组；
第二判断结果得到单元，用于判断所述第二代阈值组是否在所述搜索区间内，得到第二判断结果；
第二代阈值组保留单元，用于当所述第二判断结果表示所述第二代阈值组在所述搜索区间内时，则保留所述第二代阈值组；
处理后的第二代阈值组确定单元，用于若所述第二判断结果表示所述第二代阈值组不在所述搜索区间内，则对所述搜索区间外的第二代阈值组进行映射位移操作处理，确定处理后的第二代阈值组位于所述搜索区间内；所述阈值组集合包括第一代阈值组、第二代阈值组以及处理后的第二代阈值组。
可选的，所述阈值组集合得到模块，还包括：
新的第二代阈值组得到单元，用于对随机抽取的部分所述第二代阈值组进行爆炸位移操作处理和高斯位移操作处理，得到新的第二代阈值组。
可选的，所述适应度值集合得到模块，具体包括：
适应度值集合得到单元，用于根据以下公式计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，得到多组适应度值集合：
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种图像分割方法及系统，该方法首先获取多个第一代阈值组和迭代次数，并对每个第一代阈值组进行爆炸处理，得到多个阈值组集合，记录爆炸次数；其中，所述阈值组集合包括第一代阈值组和第二代阈值组；其次通过计算所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，确定出该阈值组集合中最大适应度值所对应的阈值组；再者通过判断爆炸次数是否小于所述迭代次数；若是则将最大适应度值对应的阈值组再次进行爆炸处理，更新阈值组集合和爆炸次数；若否则将所有阈值组集合中最大的适应度值对应的阈值组确定为分割图像时的最优分割阈值组。可见，本发明采用类似于烟花爆炸算法的方法，能够高效精准地获得多阈值图像分割中的最优分割阈值组，避免采用现有技术陷入局部最优解状况，具有良好的稳定性，提高图像分割效果和分割效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例图像分割方法的流程示意图；
图2为本发明实施例图像分割系统的结构示意图。
具体实施方式
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，显然，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种图像分割方法及系统，该图像分割方法计算简单，且在求解图像分割最优解时，不易陷入局部最优解状况，具有良好的稳定性，提高图像分割效果和分割效率。
为了高效精准地获得多阈值图像分割中的最优分割阈值组，本发明提出以多阈值图像分割法设计目标函数，将求多阈值图像分割目标函数的过程转换为对多维代变量的组合求解问题，并用烟花算法对求解进行迭代优化运算。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图像分割：就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。自1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别、图像搜索等领域。
烟花算法(fireworksalgorithm,fwa)是受到夜空中烟花爆炸的启发而提出的一种群体智能算法。每个烟花的位置向量代表每组解，在天空爆炸产生子代火花，子代火花又继续爆炸，反复迭代从而完成对解的搜索。好的烟花在一定范围内生成的火花数量较多，收敛速度较快；而差的烟花在一定范围内生成的火花数量较少，搜索范围也相应增加。烟花算法包括局部和全局搜索能力机制，烟花爆炸时产生的火花数和爆炸范围都不相同。烟花算法开始迭代，依次利用爆炸算子、变异算子、映射规则和选择策略，直到达到终止条件，即满足问题的精度要求或者达到最大函数评估次数。因此，利用烟花算法较快的收敛速度以及较好的搜索能力来寻找全局最优解是一种很好的应用方法。其中，烟花算法包括如下的几个步骤：
(1)在特定的解空间中随机产生一些烟花，每一个烟花代表解空间的一个解。
(2)根据适应度函数计算每一个烟花的适应度值，并根据适应度值产生火花。火花的个数是基于免疫学中的免疫浓度的思想来计算的，即适应度值越好的烟花产生火花的数目越多。
(3)根据现实中的烟花属性并结合搜索问题的实际情况，在烟花的辐射空间内产生火花。每一个火花代表解空间中的一个解。为了保证种群的多样性，需要对烟花进行适当变异，如高斯变异。
(4)计算种群的最优解，判定是否满足要求，如果满足则停止搜索，没有满足则继续迭代。迭代的初始值为此次循环得到的最好的解和选择的其他的解。
最大类间方差法：由日本学者大津(nobuyukiotsu)于1979年提出的，是一种自适应的阈值确定的方法，又叫大津算法，简称otsu。它是按图像的灰度特性，将图像分成背景和目标两个部分。背景和目标之间的类间方差越大，说明构成图像的这两个部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致这两个部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。在matlab中graythresh函数使用最大类间方差法获得图像的阈值。
阈值法：将灰度或彩色图像转换为高对比度的黑白图像，可以指定某个色阶作为阈值。所有比阈值亮的像素转换为白色；而所有比阈值暗的像素转换为黑色。
图1为本发明实施例图像分割方法的流程示意图，如图1所示，本发明提供的图像分割方法具体包括以下步骤：
步骤101：获取多个第一代阈值组和迭代次数；所述第一代阈值组表示分割图像的多阈值分割组。
步骤102：对每个所述第一代阈值组进行爆炸处理，得到多个阈值组集合，并记录爆炸次数；每个所述阈值组集合包括一个所述第一代阈值组以及所述第一代阈值组爆炸产生的多个第二代阈值组。
步骤103：计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，得到多组适应度值集合。
步骤104：对每组所述适应度值集合中的适应度值按照从大到小进行排列，确定每组中第一适应度值对应的阈值组；所述第一适应度值为所述适应度值集合中的最大适应度值；所述阈值组为所述第一代阈值组或者为所述第二代阈值组。
步骤105：判断所述爆炸次数是否小于所述迭代次数，得到第一判断结果。
步骤106：若所述第一判断结果表示所述爆炸次数小于所述迭代次数，则将所述第一适应度值对应的所述阈值组进行爆炸处理，更新所述阈值组集合和所述爆炸次数。
步骤107：若所述第一判断结果表示所述爆炸次数等于或者大于所述迭代次数，则将多个所述第一适应度值按照从大到小进行排列，选择最大的第一适应度值所对应的阈值组确定为分割图像时的最优分割阈值组。
其中，步骤101具体包括：
对待分割图像进行二值化处理，得到灰度图像。
根据用户设定的分割层数，对所述灰度图像随机初始化，获取多个第一代阈值组；所述第一代阈值组中的元素的数量为所述分割层数数量减一。
根据用户设定的爆炸循环次数，获取迭代次数。
步骤102采用基于轮盘赌策略的烟花算法得到多个阈值组集合。基于轮盘赌策略的烟花算法的基本思想是：
1)在可行解空间随机产生一些烟花，对其初始化后利用适应度函数计算出适应度值并进行评估，则第i(i＝1,2,...,n)个烟花爆炸产生的火花数目为：
式(2)中si表示第i个烟花爆炸产生的火花数目；m表示为n个烟花所产生的火花数目总数；ymax＝max(f(xi))表示烟花所对应适应度的最大值；f(xi)表示第i个烟花所对应适应度值。
2)由于性能较好的烟花对子代有较大的影响，容易减少种群多样性，需要对一定半径内的火花数量s进行限制，如公式(3)所示：
式(2)中smin、smax为系统定义的火花最小阈值和最大阈值。
3)为了保证种群的多样性，需要对部分火花进行适当变异
火花爆炸位移操作处理公式为：
式(4)中
火花高斯位移操作处理公式为：
式(5)中
4)判断变异的火花和未变异的火花的位置是否超出了搜索区间r，若是，则需要根据映射位移操作公式将火花映射到搜索区间r内；
式(6)为映射位移操作公式，其中
5)在每一次迭代中，所有的个体(包括一个烟花和该烟花产生的火花)采用轮盘赌的策略选出的最优个体被选进入下一代。其他个体根据公式(7)计算被选中的概率：
式(7)中d(xa,xb)表示任意两个xa和xb个体之间的距离，即适应度值的差值，y(xb)表示xb的适应度值；c表示维代度；所述维代度表示第几代。
6)判断设定的最大迭代次数达到否，假如达到则结束迭代，否则继续执行第1)步。
步骤102包括以下步骤：
步骤1021：确定搜索区间；本发明实施例优先的，确定灰度图像的最大灰度值和最小灰度值，比较最大灰度值和最小灰度值的绝对值，选取较小绝对值作为搜索区间上限，选取较小绝对值的相反数作为搜索区间下限。
步骤1022：根据公式(2)对所述第一代阈值组进行爆炸处理，生成第二代阈值组，并根据公式(3)选择出适合的第二代阈值组。
步骤1023：为了保证第二代阈值组的多样性，根据公式(4)和公式(5)，对随机抽取的部分所述第二代阈值组进行爆炸位移操作处理和高斯位移操作处理，得到新的第二代阈值组。
步骤1024：判断第二代阈值组是否在所述搜索区间内，得到第二判断结果；其中，此处的第二代阈值组包括未进行爆炸位移操作处理和高斯位移操作处理的第二代阈值组和进行爆炸位移操作处理和高斯位移操作处理的第二代阈值组，即对所有的未进行爆炸位移操作处理和高斯位移操作处理的第二代阈值组和进行爆炸位移操作处理和高斯位移操作处理的第二代阈值组都进行判断，看其是否在搜索区间内。
步骤1025：若所述第二判断结果表示第二代阈值组在所述搜索区间内，则保留该第二代阈值组。
步骤1026：若所述第二判断结果表示第二代阈值组不在所述搜索区间内，根据公式(6)进行映射位移操作处理，使处理后的第二代阈值组位于所述搜索区间内。此时，所述阈值组集合包括位于搜索区间内的第一代阈值组和第二代阈值组。
最大类间方差法根据图像的灰度信息把像素点划分为两个区域的图像分割优化算法，但由于提升到多阈值后的计算量巨大，导致被实际应用的情况屈指可数。近些年有不少学者提出了各种群体智能算法进行优化，例如粒子群优化算法，但是粒子群优化算法存在早熟过快的问题。因此，本发明提出了烟花算法与多阈值最大类间方差法相结合的图像分割方法。该方法能有效发挥烟花算法的寻优能力，而且与传统的粒子群算法进行对比，具有良好的稳定性，取得较好的图像分割效果和分割效率。
单阈值最大类间方差法的基本思想是按单个阈值把图像分成前景和后景。当两个区域的类方差取最大值时，即完成了该图像的单阈值分割。假设图像的像素点总数为q，则第j灰度值的所有像素点数出现的概率为：
pj＝qj/q(8)；
式(8)qj为其像素点数。假设根据阈值x分割，则前景区域和后景区域的像素点数出现的概率分别为：
而根据阈值x划分的两个区域的类间方差即：
σ(x)＝ω0(μ0-μ)2+ω1(μ1-μ)2(11)；
式(11)中μ为图像总均值，μ0和μ1分别为目标区域和背景区域的均值。当σ(x)取最大值时，x即为单阈值最大类间方差算法的最优解。
而基于多阈值的图像分割，可以根据上述方法依次类推。假设图像灰度级为l，用阈值组集合x1,x2,...,xn(0≤x1≤x2...≤xn≤l-1)将图像分割为n+1个不同的区间时，则这些区间的类间总方差为：
步骤103具体包括：
根据公式(1)计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值。
本发明提出用烟花算法优化多阈值图像分割法，在一定程度上解决了经典智能优化算法在这个领域应用中所产生的低效和早熟等问题。且实验结果表明烟花算法在阈值较少时能取得与粒子群算法一样的分割效果，在阈值较多时相比不易早熟，稳定性更好，提高图像分割效果和分割效率。
为达到上述目的，本发明还提供了一种图像分割系统，图2为本发明实施例图像分割系统的结构示意图，如图2所示，所述图像分割系统包括：
获取模块201，用于获取多个第一代阈值组和迭代次数；所述第一代阈值组表示分割图像的多阈值分割组。
阈值组集合得到模块202，用于对每个所述第一代阈值组进行爆炸处理，得到多个阈值组集合，并记录爆炸次数；每个所述阈值组集合包括一个所述第一代阈值组以及所述第一代阈值组爆炸产生的多个第二代阈值组。
适应度值集合得到模块203，用于计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，得到多组适应度值集合。
阈值组确定模块204，用于对每组所述适应度值集合中的适应度值按照从大到小进行排列，确定每组中第一适应度值对应的阈值组；所述第一适应度值为所述适应度值集合中的最大适应度值；所述阈值组为所述第一代阈值组或者为所述第二代阈值组。
第一判断结果得到模块205，用于判断所述爆炸次数是否小于所述迭代次数，得到第一判断结果。
阈值组集合和爆炸次数更新模块206，用于当所述第一判断结果表示所述爆炸次数小于所述迭代次数时，则将所述第一适应度值对应的所述阈值组进行爆炸处理，更新所述阈值组集合和所述爆炸次数。
最优分割阈值组确定模块207，用于当所述第一判断结果表示所述爆炸次数等于或者大于所述迭代次数时，则将多个所述第一适应度值按照从大到小进行排列，选择最大的第一适应度值所对应的阈值组确定为分割图像时的最优分割阈值组。
其中，所述获取模块201，具体包括：
灰度图像得到单元，用于对待分割图像进行二值化处理，得到灰度图像。
第一代阈值组获取单元，用于根据用户设定的分割层数，对所述灰度图像随机初始化，获取多个第一代阈值组；所述第一代阈值组中的元素的数量为所述分割层数数量减一。
迭代次数获取单元，用于根据用户设定的爆炸循环次数，获取迭代次数。
所述阈值组集合得到模块202，具体包括：
搜索区间确定，用于确定搜索区间。
第二代阈值组生成单元，用于对所述第一代阈值组进行爆炸处理，生成第二代阈值组。
新的第二代阈值组得到单元，用于对随机抽取的部分所述第二代阈值组进行爆炸位移操作处理和高斯位移操作处理，得到新的第二代阈值组。
第二判断结果得到单元，用于判断第二代阈值组是否在所述搜索区间内，得到第二判断结果。其中，此处的第二代阈值组包括未进行爆炸位移操作处理和高斯位移操作处理的第二代阈值组和进行爆炸位移操作处理和高斯位移操作处理的第二代阈值组，即对所有的未进行爆炸位移操作处理和高斯位移操作处理的第二代阈值组和进行爆炸位移操作处理和高斯位移操作处理的第二代阈值组都进行判断，看其是否在搜索区间内。
第二代阈值组保留单元，用于当所述第二判断结果表示所述第二代阈值组在所述搜索区间内时，则保留所述第二代阈值组。
处理后的第二代阈值组确定单元，用于若所述第二判断结果表示所述第二代阈值组不在所述搜索区间内，则对所述搜索区间外的第二代阈值组进行映射位移操作处理，确定处理后的第二代阈值组位于所述搜索区间内；此时，所述阈值组集合包括位于搜索区间内的第一代阈值组和第二代阈值组。
所述适应度值集合得到模块203，具体包括：
适应度值集合得到单元，用于根据以下公式计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，得到多组适应度值集合：
本发明提供了一种基于烟花算法的图像多阈值分割系统，通过随机产生烟花，每个烟花代表一个阈值组，其维代数即分割阈值个数，对每个烟花进行爆炸处理，然后评价每只烟花或者火花所代表的阈值组的优劣，通过母代烟花搜索和子代火花搜索相结合的搜索策略不断地更新阈值组集合，从而快速准确地找到最优分割阈值组，最后获得相应的分割图像。实验结果表明使用烟花算法效率较高且不易陷入局部最优解，取得了不错的分割成果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
- 还没有人留言评论。精彩留言会获得点赞！