,,

(1.內(nèi)江師范學(xué)院 數(shù)學(xué)與信息科學(xué)學(xué)院,四川 內(nèi)江 641112; 2.廣西民族大學(xué) 信息科學(xué)與工程學(xué)院,南寧 530006)

0 概述

圖像分割就是從視頻或圖像中提取出感興趣的目標(biāo),為目標(biāo)識(shí)別的重要中間步驟,分割的優(yōu)劣直接影響后期的圖像理解、圖像分析等準(zhǔn)確與否。圖像分割是數(shù)字圖像處理的一個(gè)研究方向,其方法主要有基于邊緣特征[1]、基于顏色和基于圖像內(nèi)容的分割?；趨^(qū)域的閾值分割法實(shí)現(xiàn)簡(jiǎn)單、計(jì)算量小且性能穩(wěn)定,是最基本且應(yīng)用最廣泛的分割算法之一。文獻(xiàn)[2-4]算法將一維最大熵拓展到圖像中的二維最大熵,引入圖像的二次統(tǒng)計(jì)特性或局部特性,有效地改善了圖像分割效果。文獻(xiàn)[5-6]算法利用自動(dòng)閾值分割目標(biāo)。文獻(xiàn)[7]算法模擬大自然中的狼群獵食行為以及分撥獵物的方法,抽象出游走、召喚、圍攻3種智能行為以及“勝者為王”的頭狼產(chǎn)生規(guī)則和“強(qiáng)者生存”的狼群更新機(jī)制,并證明了其收斂性和高效性。文獻(xiàn)[8]對(duì)文獻(xiàn)[7]的狼群算法進(jìn)行了搜索策略方面的改進(jìn),對(duì)游走行為以及召喚行為引入交互策略,增強(qiáng)狼群的探索能力,并對(duì)圍攻行為提出自適應(yīng)圍攻策略,使算法具有調(diào)節(jié)作用。改進(jìn)搜索策略的狼群算法求解精度更高,收斂速度更快,更適合函數(shù)優(yōu)化問題。文獻(xiàn)[9]提出基于遺傳交叉和多混沌策略的粒子群優(yōu)化算法,可利用多混沌策略改進(jìn)狼群算法。

在數(shù)字圖像處理中,存在難以正確且高效地分割出感興趣目標(biāo)的問題[10],分割目標(biāo)不能達(dá)到分割評(píng)價(jià)因子要求[11]。為此,文獻(xiàn)[12]基于灰度空間相關(guān)性最大類間方差進(jìn)行圖像分割,文獻(xiàn)[13]基于超像素和改進(jìn)迭代圖割算法進(jìn)行圖像分割,另有學(xué)者在視頻中檢測(cè)運(yùn)動(dòng)目標(biāo)提出了目標(biāo)分割的求解算法[14-16]。

本文在狼群算法的游走環(huán)節(jié)利用混沌系統(tǒng)動(dòng)態(tài)調(diào)整慣性權(quán)重,以搜索到更好的局部最優(yōu)值,在攻擊環(huán)節(jié)對(duì)整個(gè)解空間進(jìn)行混沌全局搜索,將改進(jìn)后的狼群算法并結(jié)合二維最大熵實(shí)現(xiàn)圖像的有效分割。

1 二維最大熵圖像分割

(1)

(2)

(3)

(4)

該圖像的總熵為:

H(s,t)=HA(s,t)+HB(s,t)

(5)

選取最佳閾值為:

H(s*,t*)=max{H(s,t)}

(6)

2 改進(jìn)狼群算法

2.1 算法原理

狼群智能行為和規(guī)則可模擬為頭狼、探狼和猛狼間的共同完成獵食行為,而“由強(qiáng)到弱”的獵物分撥方式促使狼群向優(yōu)良方向進(jìn)化。編程實(shí)現(xiàn)是把該算法抽象為3種智能行為(包含游走行為、召喚行為、圍攻行為)、產(chǎn)生頭狼規(guī)則的“勝者為王”規(guī)則以及更新狼群機(jī)制的“強(qiáng)者生存”[7-8]。頭狼按照狼群當(dāng)前捕獵狀況進(jìn)行指揮,使狼群避免陷入危險(xiǎn)并及時(shí)捕獲獵物[7]。離頭狼最近的猛狼得到頭狼召喚后立刻奔向該探狼,于是更加接近獵物[4]。“論功行賞、由強(qiáng)到弱”的機(jī)制保持著狼群主體照著優(yōu)良方向進(jìn)化。

2.2 狼群智能行為和規(guī)則描述

2.2.1 頭狼的產(chǎn)生規(guī)則

在搜索空間的初始化中,計(jì)算并選中最佳閾值的人工狼作為頭狼,記為Ylead。因?yàn)轭^狼已經(jīng)是本次捕獵中較為優(yōu)秀的個(gè)體,所以不執(zhí)行游走、圍攻、強(qiáng)者生存3種智能行為,只有在下次捕獵過程中出現(xiàn)比頭狼更優(yōu)良的人工狼時(shí)才替換當(dāng)前頭狼[7-8]。

2.2.2 游走行為

在解空間中,除去頭狼以外的S_tan匹狼被認(rèn)定為搜尋獵物的探狼,作用就是搜索最佳分割閾值。探狼依靠靈敏的嗅覺器官知曉解空間中獵物氣味濃度,也就是計(jì)算第i匹探狼的目標(biāo)函數(shù)值Yi。若第i匹探狼的目標(biāo)函數(shù)值Yi>Ylead,則有Ylead=Yi,此時(shí)第i匹探狼變?yōu)楫?dāng)前的頭狼,其中Ylead為當(dāng)前解空間中頭狼獲取的獵物氣味濃度;若Yi

(7)

(8)

2.2.3 召喚行為

頭狼發(fā)起召喚行為,號(hào)召附近的M_num匹猛狼迅速靠攏頭狼當(dāng)前所在位置,M_num=n-S_num-1;聽到嚎叫的猛狼以步長(zhǎng)stepb逼近頭狼,則第i匹猛狼第(k+1)次進(jìn)化時(shí),頭狼利用目前優(yōu)勢(shì)的位置號(hào)召人工狼靠近,在第d維變量空間中相應(yīng)的位置為:

(9)

鑒于頭狼召喚到最近的猛狼進(jìn)行圍捕食物,此處引入余弦函數(shù):

cos(2π×p/h)

(10)

2.2.4 圍攻行為

奔襲后的猛狼較接近獵物,猛狼立刻要聯(lián)合探狼緊密地圍攻和捕獲獵物[7]。那么對(duì)于第d維空間中的第k代狼群,圍攻行為可描述為:

(11)

(12)

其中,Lk,d表示對(duì)應(yīng)決策變量第d維的最小值,Hk,d表示對(duì)應(yīng)決策變量第d維的最大值,|z|為當(dāng)前混沌序列值的絕對(duì)值,|z|max為混沌系統(tǒng)產(chǎn)生的混沌序列值絕對(duì)值的最大值。

2.2.5 狼群更新機(jī)制

每次迭代過程中都淘汰R只弱狼,此處R取[n/(2×β),n/β]之間的隨機(jī)整數(shù),β為群體更新比例因子。

3 基于改進(jìn)狼群算法的二維最大熵圖像分割

基于本文改進(jìn)狼群算法的二維最大熵圖像分割步驟如下:

初始化預(yù)置狼群算法的種群規(guī)模和最大迭代數(shù)。人工狼位置X,數(shù)目設(shè)為N,探狼比例因子設(shè)為α,最大游走次數(shù)設(shè)為Tmax,距離判斷因子ω,步長(zhǎng)因子設(shè)為S,β為更新比例因子。

步驟1設(shè)式(4)是某只探狼的適應(yīng)度函數(shù)。

步驟2把具有最優(yōu)分割閾值的那個(gè)人工狼設(shè)為當(dāng)前頭狼,頭狼外的M_num只人工狼設(shè)為探狼,然后開始游走行為(式(8)),直到第i匹探狼搜尋到獵物氣味濃度Yi>Ylead或超出了最大游走次數(shù)Tmax,則跳至步驟6。

步驟3人工猛狼依據(jù)式(12)向獵物逼近,假如途中猛狼獲取的獵物氣味濃度較大(Yi>Ylead),立刻取代頭狼,然后依據(jù)式(10)執(zhí)行召喚行為;若Yi

步驟4參加了圍攻獵物的人工狼,根據(jù)式(12)更新當(dāng)前搜索的位置,再執(zhí)行圍捕獵物。

步驟5頭狼依據(jù)“勝者為王”的規(guī)則,依據(jù)式(12)更新解空間中的位置。

步驟6迭代過程中判斷預(yù)先設(shè)置的優(yōu)化精度要求、最大迭代次數(shù)Tmax是否超出預(yù)置的條件。若是,則依據(jù)頭狼的最新的位置計(jì)算最佳分割閾值(最優(yōu)解),否則轉(zhuǎn)步驟2。

圖像分割的關(guān)鍵在于選取分割閾值,本文將狼群算法的3種智能行為分別抽象成尋找最優(yōu)值的方式,結(jié)合后期的更新機(jī)制進(jìn)行進(jìn)化,具體流程如圖1所示。

圖1 本文算法流程

算法代碼如下:

//計(jì)算圖像信息熵

hist=imhist(f)/prod(size(f));

I=find(hist);

H=-hist(I)′*log2(hist(I));

disp(‘原圖像的信息熵是:(比特)’);H

//狼群算法

voidloction_wolf(int point[AXIS+1][AXIS+1],struct wolf*pwolf)for(j=0;jlive==1))

{deltax=(abs(pnode->x-Xsheep[j].x)<(AXIS/2)?(Xnode->x-Xsheep[j].x):(Distance-abs(Xnode->x-Xsheep[j].x)));deltay=(abs(Xnode->y-Xsheep[j].y)<(Distance/2)?(Xnode->y-Xsheep[j].y):(Distance-abs(Xnode->y-Xsheep[j].y)));}

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)平臺(tái)

本文實(shí)驗(yàn)環(huán)境是Window7系統(tǒng)、Matlab R2013A、英特奔騰CPU 3.00 GHz (2 CPUs)、內(nèi)存4 GB。

4.2 結(jié)果分析

使用狼群算法完成對(duì)比實(shí)驗(yàn),種群規(guī)模均為20,迭代次數(shù)分別為20、50、100,20次時(shí)混遺傳算法和本文算法分割魚圖像,分割的迭代次數(shù)、時(shí)間與分割閾值如表1所示?？梢钥闯?在迭代次數(shù)相同時(shí),狼群算法結(jié)合最大二維熵在分割速度上有一定提高,分割的最佳閾值也在趨于平穩(wěn)。

表1 分割魚圖像的迭代次數(shù)、時(shí)間與分割閾值

在實(shí)驗(yàn)中分別對(duì)魚圖像進(jìn)行分割,在種群規(guī)模為20,迭代次數(shù)為50,在每次迭代過程中都按照10%的比例淘汰弱狼,本文淘汰弱狼為2只,對(duì)于魚圖像的實(shí)驗(yàn)效果如圖2所示?？梢钥闯?魚肚皮上的有些寄生蟲和尾部的魚鱗也能被準(zhǔn)確分割。2種算法對(duì)豹圖像的分割的迭代次數(shù)、時(shí)間與分割閾值如表2所示。

圖2 魚圖像分割效果

迭代次數(shù)分割算法分割時(shí)間/s最佳分割閾值20狼群算法0.035396本文算法0.02379950狼群算法0.043096本文算法0.037098100狼群算法0.049094本文算法0.042099

在實(shí)驗(yàn)中對(duì)豹圖像進(jìn)行分割,在種群規(guī)模為20,迭代次數(shù)為50,實(shí)現(xiàn)顯示在每次迭代過程中都按照15%的比例淘汰弱狼效果最好,本文淘汰弱狼為3只,對(duì)于豹圖像的實(shí)驗(yàn)效果如圖3所示。

圖3 豹圖像分割效果

從對(duì)豹圖像的分割結(jié)果可以看出,利用狼群算法結(jié)合二維最大熵分割出來的鬃毛、斑點(diǎn)、豹紋等部分較狼群算法結(jié)合最大二維熵分割效果更為清晰,尤其是地面的豹紋和斑點(diǎn)變得清楚。 再對(duì)自然環(huán)境下樹林中的狗圖像進(jìn)行分割,效果如圖4所示。可以看出,改進(jìn)算法分割出的狗較狼群算法分割結(jié)果更加完整,尤其是狗前面的植物的葉子也被完整保存。狼群算法及改進(jìn)狼群算法閾值s、t為110和238,分割時(shí)間分別為2.97 s和2.45 s。

圖4 狗圖像分割效果

最后對(duì)江中的2個(gè)漁民圖像進(jìn)行分割,效果如圖5所示。狼群算法及改進(jìn)算法閾值s、t為75和229,分割時(shí)間分別為1.37 s和1.06 s。

圖5 漁民圖像分割效果

5 性能評(píng)價(jià)

[11]的視頻對(duì)象分割性能評(píng)價(jià)準(zhǔn)則,即空間準(zhǔn)確度:

SA(t)=α×PCM+β×EM+γ×RFAM+φ×RPM

(9)

其中,PCM為給予像素分類的尺度,EM為基于邊緣的尺度,RFAM為相對(duì)前景面積尺度,RPM為相對(duì)位置尺度。在實(shí)驗(yàn)中α=0.3,β=0.3,γ=0.3,φ=0.1時(shí),評(píng)價(jià)效果最好。表3所示為狼群算法和本文改進(jìn)算法對(duì)比的結(jié)果,其中N為迭代次數(shù)?？梢钥闯?加入混沌系統(tǒng)后的狼群算法分割準(zhǔn)確度明顯提高。

表3 空間準(zhǔn)確度對(duì)比

6 結(jié)束語(yǔ)

為在數(shù)字圖像分割過程中快速準(zhǔn)確地找到感興趣目標(biāo),本文提出改進(jìn)狼群算法并結(jié)合二維最大熵進(jìn)行分割。在游走環(huán)節(jié)增加混沌系統(tǒng)動(dòng)態(tài)調(diào)整狼群算法的慣性權(quán)重,在攻擊環(huán)節(jié)對(duì)整個(gè)解空間進(jìn)行混沌全局搜索,利用改進(jìn)的狼群算法與二維最大熵法各自的優(yōu)點(diǎn)實(shí)現(xiàn)圖像的有效分割。實(shí)驗(yàn)結(jié)果表明,該方法比基本狼群算法結(jié)合二維最大熵的分割運(yùn)算速度更快,分割效果的準(zhǔn)確度也得到了提高。下一步將對(duì)狼群算法自身或者引入其他智能算法進(jìn)行改進(jìn),再結(jié)合灰度梯度共生矩陣、主觀活動(dòng)輪廓模型實(shí)現(xiàn)圖像目標(biāo)更精確、高效的分割。

參考文獻(xiàn)

[1] 詹永豐.CT圖像整合規(guī)則下邊緣過渡區(qū)域信息分割研究[J].計(jì)算機(jī)仿真,2016,33(7):203-208.

[2] 張 婕,王 穎.基于距離灰度補(bǔ)償?shù)母倪M(jìn)最大熵紅外圖像分割[J].導(dǎo)體光電,2016,37(1):126-130.

[3] 姚龍洋,張清華,胡帥鵬,等.基于近似集與粒子群的粗糙熵圖像分割方法[J].計(jì)算機(jī)科學(xué)與探索,2016,10(5):376-379.

[4] ABUTALEB A S.Automatic Thresholding of Gray-level Pictures Using Two-dimension Entropy[J].Computer Vision,Graphics and Image Processing,1989,47(1):22-32.

[5] 陳海鵬,申鉉京,龍建武.采用高斯擬合的全局閾值算法閾值優(yōu)化框架[J].計(jì)算機(jī)研究與發(fā)展,2016,53(4):892-903.

[6] 申鉉京,潘 紅,陳海鵬.基于一維Otsu的多閾值醫(yī)學(xué)圖像分割算法[J].吉林大學(xué)學(xué)報(bào)(理學(xué)版),2016,54(2):344-348.

[7] 吳虎勝,張鳳鳴,吳廬山.一種新的群體智能算法——狼群算法[J].系統(tǒng)工程與電子技術(shù),2007,35(11):2431-2434.

[8] 李國(guó)亮,魏振華,徐 蕾.基于改進(jìn)搜索策略的狼群算法[J].計(jì)算機(jī)應(yīng)用,2015,35(6):1633-1636.

[9] 譚 躍,譚冠政,鄧曙光.基于遺傳交叉和多混沌策略改進(jìn)的粒子群優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用研究,2016,12(33):1660-1663.

[10] 張兆楊,楊高波,劉 志.視頻對(duì)象分割提取的原理及應(yīng)用[M].北京:科學(xué)出版社,2009.

[11] 張 石,董建威,佘黎煌.醫(yī)學(xué)圖像分割算法的評(píng)價(jià)方法[J].中國(guó)圖象圖形學(xué)報(bào),2009,14(9):1872-1874.

[12] 賀建峰,符 增.基于灰度空間相關(guān)性最大類間方差的圖像分割[J].計(jì)算機(jī)工程,2015,41(10):281-284.

[13] 戴慶焰,朱仲杰.基于超像素和改進(jìn)迭代圖割算法的圖像分割[J].計(jì)算機(jī)工程,2016,42(7):221-224.

[14] 王 歡.復(fù)雜場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤研究[D].北京:北京理工大學(xué),2015.

[15] 屈鑒銘.智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)研究[D].西安:西安電子科技大學(xué),2015.

[16] 孫 旭,吳志紅.基于改進(jìn)型混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì),2014,35(3):914-917.