何翠萍

摘要：多尺度圖像具有復(fù)雜的數(shù)據(jù)特征，傳統(tǒng)的圖像分割方法受此影響其穩(wěn)定性不能滿足實(shí)際應(yīng)用需求。為此，提出基于狼群算法的多尺度圖像分割方法。利用小波變換、小波分解處理原始多尺度圖像，統(tǒng)一圖像格式，融合多尺度特征，將多尺度圖像分割轉(zhuǎn)換為標(biāo)號(hào)問(wèn)題，確定多尺度圖像分割規(guī)則，利用狼群算法對(duì)處理后的圖像進(jìn)行分割處理。實(shí)驗(yàn)結(jié)果表明：設(shè)計(jì)的基于狼群算法的多尺度圖像分割方法分割成功率高，在分割閾值搜索上方差極小，相比傳統(tǒng)的圖像分割方法，其穩(wěn)定性更好，能夠滿足多尺度圖像分割的實(shí)際應(yīng)用需求。

關(guān)鍵詞：狼群算法;多尺度;圖像分割;圖像處理;

目前，國(guó)內(nèi)外對(duì)多尺度圖像分割技術(shù)的研究取得了比較成熟的成果，國(guó)外有學(xué)者為了給出相應(yīng)的統(tǒng)計(jì)框架來(lái)支持最優(yōu)多尺度圖像的處理，提出了相應(yīng)的遞歸算法;在國(guó)內(nèi)研究中，為提高圖像分割方法的性能，在圖像分割中引入了多尺度融合的技術(shù)[1]。面對(duì)特征復(fù)雜的多尺度圖像，當(dāng)圖像信息數(shù)據(jù)過(guò)于復(fù)雜時(shí)，其分割成功率比較低，在分割閾值搜索方面存在比較大的方差，整體穩(wěn)定性需要進(jìn)一步提高[2]。因此，提出基于狼群算法的多尺度圖像分割方法，通過(guò)模擬狼群的捕獵行為來(lái)處理復(fù)雜的多尺度數(shù)據(jù)問(wèn)題，解決上述傳統(tǒng)圖像分割方法中存在的問(wèn)題。

1基于狼群算法的多尺度圖像分割方法設(shè)計(jì)

1.1基于多尺度的圖像預(yù)處理

在圖像預(yù)處理中，主要利用小波變換、小波分解等手段實(shí)現(xiàn)多尺度圖像的預(yù)處理，在圖像的尺度空間內(nèi)引入尺度參數(shù)，通過(guò)小波變換將尺度空間的各尺度層信息融合在一起。利用脈沖濾波器在尺度[a]上獲得粗尺度[a-1]上的平滑信號(hào)，使用高通濾波器得到其中的細(xì)節(jié)信號(hào)，通過(guò)小波變換將多尺度圖像狀態(tài)方法從尺度[a]上分解到粗尺度[a-1]上，發(fā)現(xiàn)不同尺度之間的參數(shù)矩陣之間的內(nèi)在聯(lián)系，進(jìn)而獲得不同尺度對(duì)應(yīng)的參數(shù)矩陣，利用獲得的參數(shù)矩陣對(duì)尺度數(shù)據(jù)進(jìn)行更新，待數(shù)據(jù)更新后，通過(guò)小波重構(gòu)得到尺度[a+1]上的狀態(tài)方程，重復(fù)以上步驟，直到在濾波結(jié)束[3]。

圖像濾波結(jié)束后，為了充分利用小尺度元素和大尺度元素的各自優(yōu)點(diǎn)，采用大小不同的結(jié)構(gòu)算子，對(duì)同一幅圖像進(jìn)行并行處理，形成結(jié)構(gòu)形態(tài)學(xué)空間，在此空間內(nèi)并行處理多尺度圖像，將高頻域與低頻域區(qū)分開(kāi)再進(jìn)行融合處理，通過(guò)小波重構(gòu)得到多尺度融合圖像[4]。將通過(guò)上述過(guò)程得到不同狀態(tài)方程的圖像作為子圖像，計(jì)算子圖像能量，如果子圖像中含有的信息比較少，計(jì)算出的能量也比較小，若遠(yuǎn)小于其他子圖像能量，則停止對(duì)該圖像的精細(xì)化處理完所有子圖像后，采用兩種融合規(guī)則融合圖像。

規(guī)則1：圖像中高頻分量與圖像的重要特征信息有著密切聯(lián)系，在處理中針對(duì)高頻域主要采用基于極大值的選擇規(guī)則。

規(guī)則2：對(duì)于低頻域尺度系數(shù)的選擇，主要采用加權(quán)平均方法來(lái)融合。

對(duì)于高頻域融合，根據(jù)圖像高頻域的小波系數(shù)定義一個(gè)衡量其顯著性的變量，結(jié)合基于小波系數(shù)的層數(shù)、頻率段的序號(hào)以及小波系數(shù)的空間位置，保留圖像中最顯著的特征融合圖像[5]。對(duì)低頻域的融合，根據(jù)圖像不同尺度下的顯著性，定義圖像匹配矩陣，當(dāng)匹配矩陣的值小于設(shè)定的閾值時(shí)，融合圖像的尺度系數(shù)的選擇需要結(jié)合顯著性綜合考慮，反之，如果匹配矩陣的值大于設(shè)定的閾值，則合成圖像的尺度系數(shù)采用尺度系數(shù)的加權(quán)平均值。待確定合成圖像的尺度系數(shù)后，即可完成圖像融合。

在確定多尺度圖像分割策略后，采用狼群算法分割多尺度圖像。

1.2確定多尺度圖像分割規(guī)則

多尺度圖像分割就是將有限集合中的標(biāo)號(hào)從原始集合中分配給圖像中不同性質(zhì)的像素，實(shí)際上就是一個(gè)標(biāo)號(hào)問(wèn)題。在空間內(nèi)某個(gè)單元位置發(fā)生的事件就是標(biāo)號(hào)，標(biāo)號(hào)也可以是像素所屬類別，在分割過(guò)程中，位置集合中的每個(gè)元素都會(huì)被賦予一個(gè)類別標(biāo)記。多尺度分割就是將一個(gè)元素從一個(gè)集合映射到另一集合的過(guò)程，在此過(guò)程中需要保證每個(gè)元素的合理分配。

對(duì)于這種關(guān)系，對(duì)多尺度圖像像素間相關(guān)性的統(tǒng)計(jì)研究表明，相鄰像素之間具有接近拉普拉斯分布的統(tǒng)計(jì)偏差值，這種差值信號(hào)的標(biāo)準(zhǔn)差比原圖像的標(biāo)準(zhǔn)差要小很多，這種相關(guān)性隨著像素位置的差異擴(kuò)大而不斷減小。因此，通過(guò)未知點(diǎn)補(bǔ)零、由已知像素點(diǎn)插值獲得未知像素點(diǎn)、延拓圖像周期等方法建立鄰域之間的相互關(guān)系。

在已知分割標(biāo)號(hào)的情況下，每個(gè)標(biāo)號(hào)元素的條件概率相對(duì)獨(dú)立，這樣就能保證最大化的先驗(yàn)概率等價(jià)于最小化后驗(yàn)?zāi)芰亢瘮?shù)，將問(wèn)題轉(zhuǎn)化為最小化后驗(yàn)?zāi)芰亢瘮?shù)。對(duì)于后驗(yàn)?zāi)芰亢瘮?shù)，限制標(biāo)號(hào)集合中每個(gè)元素的觀測(cè)值只與本身的分布相關(guān)，另外，像素鄰域內(nèi)的每個(gè)點(diǎn)的類別屬性受到其鄰域的影響，在這種條件限制下，不受其他因素影響。

1.3分割多尺度圖像

采用狼群算法分割多尺度圖像，狼群算法中的頭狼就是分割閾值，當(dāng)算法達(dá)到最大迭代次數(shù)時(shí)，得到頭狼位置就是分割最優(yōu)解。在圖像分割中，主要依據(jù)自身所屬等級(jí)情況確定每個(gè)個(gè)體狼的狩獵模式，依據(jù)狼群的等級(jí)制度，將候選解按照適應(yīng)度值劃分為4個(gè)等級(jí)，適應(yīng)度值優(yōu)者為等級(jí)1，對(duì)應(yīng)的是[χ]狼;等級(jí)為2的是適應(yīng)度值次優(yōu)者，對(duì)應(yīng)的是[γ]狼;等級(jí)3對(duì)應(yīng)的是[ω]狼，適應(yīng)度值第三優(yōu)者;余下的候選解均屬于等級(jí)4，對(duì)應(yīng)的是[ν]狼。以[Qit]表示第[i]頭狼[t]時(shí)刻的等級(jí)，當(dāng)?shù)赱i]頭狼[t]時(shí)刻在群體中所屬等級(jí)為1時(shí)，[Qit=1]，等級(jí)為2時(shí)，[Qit=2]，以此類推。標(biāo)記每一頭狼的等級(jí)情況的計(jì)算公式為：

公式中[DFit]表示決策因子，[S]表示狼群所分等級(jí)總數(shù)。通過(guò)公式1完成種群的初始化，設(shè)定與種群數(shù)目相匹配的迭代次數(shù)。在每一次的迭代過(guò)程中，每一個(gè)候選解都會(huì)生成一個(gè)隨機(jī)數(shù)，隨機(jī)數(shù)生成的區(qū)間為[0，1]，如果生成的隨機(jī)數(shù)小于計(jì)算的決策因子，則個(gè)體[i]在[t]時(shí)刻采用自主探索模式，反之，如果生成的隨機(jī)數(shù)大于決策因子，則采用跟隨狩獵模式。對(duì)于[γ]狼，因其等級(jí)為1，決策因子為1，其隨機(jī)數(shù)就小于或等于1。在這種情況下，[γ]狼只有自主探索狩獵模式，將[γ]狼作為頭狼。對(duì)于頭狼，其位置更新公式為：