一种基于改进蜣螂优化算法的图像分割方法

本发明属于图像分割，具体涉及一种基于改进蜣螂优化算法的图像分割方法

背景技术：

1、图像分割是计算机视觉领域中的关键技术之一，旨在将数字图像划分为不同的区域或对象，从而使图像的内容更容易理解和分析。在当今数字化时代，图像分割技术在医学影像、自动驾驶、安防监控等领域发挥着重要作用。通过将图像分割成具有语义上下文的区域，提取有用的信息，进行目标检测、跟踪、诊断和分析等任务。图像分割的好坏决定最终图像处理的结果，分割算法的优劣对图像分割结果会造成很大影响。

2、otsu技术是1975年由日本学者提出，后来有学者将其应用于图像分割中。其思想为根据图像的灰度特性对图像的前景和背景进行分离，计算出的类间方差越大说明前景和背景之间像素差异就越大，分割阈值选择越准确，图像分割的效果质量更好。阈值分割法是通过设定阈值对图像实现分割，当阈值选取不合适的时候会出现图像前景和背景无法区分开，导致分割目标无法提取。同时当背景丰富、分割的目标要素过多时，分割效果会显著下降。然而当阈值个数增加时，分割图像的细节会更加丰富，分割图像会更高。但是图像分割的难度会急剧增大。因此在多阈值分割时需要一种方法在求解最佳阈值的同时能够保证在高质量分割图像，这是一个值得研究的问题。

技术实现思路

1、针对上述存在的问题，本发明提供一种基于改进蜣螂优化算法的图像分割方法，将其与otsu熵阈值分割方法进行结合，利用改进后的蜣螂优化算法来寻找图像分割的最佳阈值，从而提高图像的分割质量和分割速度。

2、1.基于改进蜣螂优化算法(dadbo)的图像分割方法，其步骤包括如下：

3、s1、获取待分割图像，对获取的非灰度图像转变为灰度图像；

4、s2、初始化基于蜣螂优化算法初始种群数n，最大迭代次数m，设置需要分割的阈值个数dim

5、s3、根据设定的阈值个数dim在灰度图像搜索空间中随机生成n个蜣螂个体，每个蜣螂个体的携带信息为分割图像的阈值个数dim，使用非标准tent混沌映射初始化蜣螂种群位置，使其均匀分布在搜索空间内；将蜣螂种群划分为四个种群，分别为滚球蜣螂、雌性蜣螂、小蜣螂和偷窃蜣螂；

6、s4、将图像灰度值最大类间方差作为基于改进蜣螂优化算法目标函数进行优化；分别计算每个蜣螂适应度值并记录最优蜣螂个体和最差蜣螂个体位置；最大类间方差计算公式为：

7、

8、其中σ2为最大类间方差，ωi为各个灰度值所占图像的比例，μ为灰度图像的整体平均灰度值，μi为分割第i个阈值内的平均灰度值，l为图像最大灰度级。

9、s5、引入非线性递减策略对小蜣螂和雌性蜣螂的搜索边界进行调整，加快算法前期的搜索速度；

10、s6、引入自适应权重对立学习策略和贪心选择策略对偷窃蜣螂最佳食物来源位置进行更新，增加其跳出局部最优的可能性；

11、s7、判断是否到达最大迭代次数，若是，则根据蜣螂优化的最优蜣螂个体携带的信息输出最优阈值，并根据得到的最优阈值进行图像分割，输出最佳多阈值分割图像；若否，则进入s4；

12、进一步的，在步骤s3中对初始种群使用非标准tent混沌映射公式为：

13、

14、其中参数η＝0.3，xi为第i个蜣螂个体归一化后的值，xi+1为第i+1个蜣螂个体进行非标准tent混沌映射之后的值。

15、进一步的，在步骤s5中引入非线性递减策略对雌性蜣螂和小蜣螂的搜索边界进行更新。这一策略旨在优化算法的搜索过程，通过在迭代初期快速降低搜索边界速度，以加速搜索速度；而在算法后期逐渐增加边界权重，从而促使雌性蜣螂和小蜣螂更充分地探索搜索空间，以实现对全局最优解的收敛；非线性递减策略公式为：

16、r＝exp(((-7)×t)/(2×m))

17、其中t为当前迭代次数，m为蜣螂优化算法的最大迭代次数。

18、进一步的，在步骤s6中引入一种自适应权重对立学习策略和贪心选择策略，用于偷窃蜣螂的最佳食物来源进行更新其中自适应权重对立学习策略借鉴基础对立学习的策略，将对立性的概念融入到图像分割任务的搜索过程中；通过引入对立学习元素，算法能够同时考虑候选解及其对立学习解，从而在搜索空间中实现更为全面和深入的探索；这种对立学习的机制不仅可以加速算法的收敛速度，还可以帮助算法更好地避免局部最优解，从而提高图像分割结果的质量和准确性；自适应权重对立学习策略公式如下：

19、xod＝x+w×p×(q×x0-x)

20、其中，参数p和q是服从正态分布的[0,1]之间的随机数，权重w是属于[0,5]之间的随机整数，x为原始个体，x0为候选解x生成的标准对立解的位置，xod为候选解x生成的自适应权重对立学习解；

21、在贪心选择策略具体公式如下：

22、

23、其中gbest为蜣螂优化算法某次迭代生成的最优蜣螂个体，gbestod为该次迭代的最优蜣螂个体经过自适应权重对立学习更新后的最优蜣螂个体，fit(gbest)和fit(gbestod)分别计算蜣螂个体gbest和蜣螂个体gbestod的适应度值，当蜣螂个体gbestod的适应度值小于蜣螂个体gbest时，对最优蜣螂个体进行更新，否则不更新。

24、本发明与现有技术相比，有益效果为：

25、首先，本发明使用非标准tent混沌映射对蜣螂优化算法的初始种群进行混沌映射，能够提高初始种群的分布均匀性，从而提高算法的开发能力；修改雌性蜣螂和小蜣螂的收敛曲线，使其呈非线性下降，增加两者在探索阶段探索时间，同时提高算法的整体收敛速度；

26、其次，提出一种自适应对立学习最优对立解的生成方式，能够扩大最优解的搜索范围，增加算法鲁棒性和求解精度，使得蜣螂优化算法能够找到更好的解。

27、最后，本发明将改进的蜣螂优化算法和otsu阈值分割方法结合，利用改进的蜣螂优化算法帮助寻找图像的最佳阈值，从而提高图像的分割质量。

技术特征：

1.一种基于改进蜣螂优化算法的图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于改进蜣螂优化算法的图像分割方法，其特征在于：步骤s3使用的非标准tent混沌初始化蜣螂种群位置，非标准tent混沌映射规则为：

3.根据权利要求1所述的一种基于改进蜣螂优化算法的图像分割方法，其特征在于：步骤s5中所述的引入非线性递减策略对雌性蜣螂和小蜣螂的搜索边界进行更新。非线性递减策略旨在优化算法的搜索过程，通过在迭代初期快速降低搜索边界速度，以加快搜索速度；而在算法后期逐渐增加边界权重，从而促使雌性蜣螂和小蜣螂更充分地探索搜索空间，以实现对全局最优解的收敛；非线性递减策略为：

4.根据权利要求1所述的一种基于改进蜣螂优化算法的图像分割方法，其特征在于：步骤s6中所述的引入一种自适应权重对立学习策略和贪心选择策略，用于偷窃蜣螂的最佳食物来源进行更新；其中自适应权重对立学习策略借鉴基础对立学习的策略，将对立性的概念融入到图像分割任务的搜索过程中；通过引入对立学习元素，算法能够同时考虑候选解及其自适应权重对立学习解，从而在搜索空间中实现更为全面和深入的探索；这种对立学习的机制不仅可以加速算法的收敛速度，还可以帮助算法更好地避免局部最优解，从而提高图像分割结果的质量和准确性；自适应权重对立学习策略公式如下：

技术总结本发明公开了一种基于改进蜣螂优化算法的图像分割方法，包括以下步骤：首先获取待分割图像，将非灰度图像转变为灰度图像；设置蜣螂种群的大小、最大迭代次数和分割图像的阈值个数，采用非标准Tent混沌映射初始化蜣螂种群；使用Otsu熵作为分割图像的优化适应度函数，分别计算每个蜣螂个体适应度值并记录最优蜣螂个体和最差蜣螂个体位置；引入非线性递减策略对雌性蜣螂和小蜣螂搜索边界改进，引入自适应权重对立学习策略和贪心学习策略对蜣螂优化算法的最优解搜索范围进行扩展；最后判断是否达到最大迭代次数，若是则根据蜣螂优化的最优蜣螂个体所携带信息输出最优阈值，并根据得到的最优阈值对图像进行分割并输出图像。技术研发人员：李志丹,刘伟,余玲,任樱,黄裕洋受保护的技术使用者：西南石油大学技术研发日：技术公布日：2024/7/25