CN104036511A - 基于生物启发运算的彩色图像分割方法 - Google Patents
基于生物启发运算的彩色图像分割方法 Download PDFInfo
- Publication number
- CN104036511A CN104036511A CN201410284509.3A CN201410284509A CN104036511A CN 104036511 A CN104036511 A CN 104036511A CN 201410284509 A CN201410284509 A CN 201410284509A CN 104036511 A CN104036511 A CN 104036511A
- Authority
- CN
- China
- Prior art keywords
- hsv
- image
- algorithm
- images
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
基于生物启发运算的彩色图像分割方法,涉及一种图像分割方法,所述方法采用算法是优化的人工智能算法,按如下步骤进行:输入原始图像,将RGB图像转换到HSV空间上;读入HSV三个分量,分别采用基于生物启发运算的PS2O优化算法得到相应的分割图:将HSV三个分量的分割结果合并得到最后的分割图。使分割的性能可自适应调整。提高了算法整体运行速度,同时能够提高彩色图像的分割精度。为分析复杂问题提供了新思路,在图像处理、图像识别、通讯和决策优化等方面具有广泛的应用前景。
Description
技术领域
本发明涉及一种图像分割方法,特别是涉及基于生物启发运算的彩色图像分割方法。
背景技术
图像分割是图像处理的重要内容,图像分割结果优劣直接影响后续图像分析的质量。目前,传统的图像分割方法具有运算量大,运算时间长等缺点,脉冲耦合神经网络方法是一种不同于传统人工神经网络的新型神经网络,具有传统方法无法比拟的优越性。但是,为了实现最佳图像分割,需要通过多次实验来设置其数学模型中的各个参数。不同类型的图像要求不同的分割参数,不同的参数对图像分割结果影响很大,大大限制脉冲耦合神经网络方法的使用。
发明内容
本发明的目的在于提供一种基于生物启发运算的彩色图像分割方法,采用脉冲耦合神经网络方法分割彩色图像,然后将改进的粒子群算法PS2O用于自动设置脉冲耦合神经网络方法模型参数,使分割的性能可自适应调整。提高了算法整体运行速度,同时能够提高彩色图像的分割精度。为分析复杂问题提供了新思路,在图像处理、图像识别、通讯和决策优化等方面具有广泛的应用前景。
本发明的目的是通过以下技术方案实现的:
基于生物启发运算的彩色图像分割方法,所述方法采用算法是优化的人工智能算法,按如下步骤进行:
步骤1:输入原始图像,将RGB图像转换到HSV空间上;
步骤2:读入HSV三个分量,分别采用基于生物启发运算的PS2O优化算法得到相应的分割图:
(1)初始化脉冲耦合神经网络参数。设置的基本参数。设置最大迭代次数;
(2)对粒子个体进行解码,代入脉冲耦合神经网络标准模型,并将计算得到的图像熵值作为粒子个体的适应度函数;
(3)启动循环操作;
(4)更新粒子个体的位置和速度;
(5)重复计算,直到最大迭代次数达到或满足所需的***要求;输出相应的分割结果;
步骤3:将HSV三个分量的分割结果合并得到最后的分割图。
本发明的优点与效果是:
1.减少计算量和算法执行时间,不仅提高算法运行效率,且不影响算法收敛性,提高了图像的处理效率。
2.通过基于生物启发运算的PS2O优化算法的自动寻优,实现了脉冲耦合神经网络图像处理自动化。
3.利用图像熵值和基于生物启发运算的PS2O优化算法的收敛准则的结合,提高了图像分割精度。
附图说明
图1为彩色图像分割优化方法流程图;
图2为一种基于生物启发运算的PS2O优化算法流程图;
图3为原始图像;
图4为H分量的分割结果;
图5为S分量的分割结果;
图6为V分量的分割结果;
图7为H分量、S分量、V分量合并得到最后的分割图。
具体实施方式
下面结合附图所示实施例,对本发明作进一步详述。
参照图1与2描述根据本申请实施方式的彩色图像分割优化方法流程图及基于生物启发运算的PS2O优化算法流程图。
步骤1:参照图1描述,输入原始图像,将RGB图像转换到HSV空间上。彩色图像常用R,G,B三分量的值来表示。RGB三分量之间常有很高的相关性,直接利用这些分量常常不能得到所需的效果。为了降低彩色特征空间中各个特征分量之间的相关性以及为了使所选的特征空间更方便于彩色图像分割方法的具体应用,实际上常需要将 RGB图像变换到其他的彩色特征空间中去。HSV (色度,饱和度,亮度)空间比较接近人对颜色视觉的感知。其中,V表示颜色的明暗程度, 主要受光源强弱影响。S表示不同颜色,如黄,红,绿。H表示颜色的深浅。RGB转换为HSV的转换公式如下:
步骤2:读入HSV三个分量,分别采用得到相应的分割图。
参照图2描述基于生物启发运算的PS2O的彩色图像分割优化方法。
(1)初始化脉冲耦合神经网络参数。设置的基本参数。设置最大迭代次数。
脉冲耦合神经网络参数主要有,,,。其中,为连接矩阵,取值为像素之间距离平方的倒数。其余三个主要参数,,,通过基于生物启发运算的PS2O优化算法在“ 解空间”里寻求准最优解。设置搜索空间维度D=3,群体规模N=50,最大迭代次数为I=40,惯权因子为[0.4,0.1]的线性下降,粒子最大速度Vmax=50。
(2)对粒子个体进行解码,代入脉冲耦合神经网络标准模型,计算图像的熵值,并将计算得到的图像熵值H(t)作为粒子个体的适应度函数。公式为:
式中,灰度上界为L的图像熵值为t,图像中第i个灰度出现的概率为Pt。
(3)启动循环操作。
(4)更新粒子个体的位置和速度。
第i个粒子在N维空间的位置表示为,飞行速度表示为)。每个粒子都具有被优化的目标函数决定的适应值。
速度更新公式
位置更新公式
代表协同进化群体S1第i个粒子的飞行速度,代表协同进化群体S1第i个粒子的最好位置。代表到目前为止个体的最好位置, 代表到目前为止协同进化群体邻域群体的最好位置。代表到目前为止协同进化群体S2群体的最好位置, c1是个体学习加速因子, c2是粒子和种群间的社会学习加速因子。c3是不同协同进化种群间的学习加速因子,是在[ 0,1 ]随机向量的均匀分布向量。代表粒子个体自身经验,代表粒子与种群间相互影响,考虑不同种群间的协同进化。
(5)重复计算,直到达到最大迭代次数或满足所需的***要求。
输出相应的分割结果。
步骤3:将HSV三个分量的分割结果合并得到最后的分割图。
由此整个方法过程结束。图3描述的分别为原始图像,图4为H分量的分割结果,图5为S分量的分割结果,图6为V分量的分割结果,图7为合并得到最后的分割图。由图4,图5,图6,图7可见,图像分割效果图细节丰富,图像形状明显,没有孤立点,分割效果与人类的视觉基本一致。
通过基于生物启发运算的PS2O优化算法的自动寻优,实现了脉冲耦合神经网络图像处理自动化。减少计算量和算法执行时间,不仅提高算法运行效率,且不影响算法收敛性,提高了图像的处理效率。利用图像熵值和基于生物启发运算的PS2O优化算法的收敛准则的结合,提高了图像分割精度。通过基于生物启发运算的PS2O优化算法的自动寻优,实现了脉冲耦合神经网络图像处理自动化。
Claims (1)
1.基于生物启发运算的彩色图像分割方法,其特征在于,所述方法采用算法是优化的人工智能算法,按如下步骤进行:
步骤1:输入原始图像,将RGB图像转换到HSV空间上;
步骤2:读入HSV三个分量,分别采用基于生物启发运算的PS2O优化算法得到相应的分割图:
(1)初始化脉冲耦合神经网络参数;
设置的基本参数;
设置最大迭代次数;
(2)对粒子个体进行解码,代入脉冲耦合神经网络标准模型,并将计算得到的图像熵值作为粒子个体的适应度函数;
(3)启动循环操作;
(4)更新粒子个体的位置和速度;
(5)重复计算,直到最大迭代次数达到或满足所需的***要求;输出相应的分割结果;
步骤3:将HSV三个分量的分割结果合并得到最后的分割图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410284509.3A CN104036511A (zh) | 2014-06-24 | 2014-06-24 | 基于生物启发运算的彩色图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410284509.3A CN104036511A (zh) | 2014-06-24 | 2014-06-24 | 基于生物启发运算的彩色图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104036511A true CN104036511A (zh) | 2014-09-10 |
Family
ID=51467270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410284509.3A Pending CN104036511A (zh) | 2014-06-24 | 2014-06-24 | 基于生物启发运算的彩色图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104036511A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287915A (zh) * | 2019-06-28 | 2019-09-27 | 南京林业大学 | 一种基于Landsat遥感影像的城市不透水层提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923715A (zh) * | 2010-09-02 | 2010-12-22 | 西安电子科技大学 | 基于粒子群优化空间纹理信息约束聚类的图像分割方法 |
CN102651132A (zh) * | 2012-04-06 | 2012-08-29 | 华中科技大学 | 一种基于交叉视觉皮质模型的医学图像配准方法 |
-
2014
- 2014-06-24 CN CN201410284509.3A patent/CN104036511A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923715A (zh) * | 2010-09-02 | 2010-12-22 | 西安电子科技大学 | 基于粒子群优化空间纹理信息约束聚类的图像分割方法 |
CN102651132A (zh) * | 2012-04-06 | 2012-08-29 | 华中科技大学 | 一种基于交叉视觉皮质模型的医学图像配准方法 |
Non-Patent Citations (4)
Title |
---|
CHEN HANNING ET AL: "RFID network planning using a multi-swarm optimizer", 《JOURNAL OF NETWORK AND COMPUTER APPLICATIONS》 * |
张辰等: "基于HSV综合显著性的彩色图像分割方法", 《计算机工程与设计》 * |
李丽,徐坤: "基于 PCNN 和粒子群算法的图像自动分割方法研究", 《机电产品开发与创新》 * |
许珂,刘栋: "多粒子群协同进化算法", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287915A (zh) * | 2019-06-28 | 2019-09-27 | 南京林业大学 | 一种基于Landsat遥感影像的城市不透水层提取方法 |
CN110287915B (zh) * | 2019-06-28 | 2020-12-04 | 南京林业大学 | 一种基于Landsat遥感影像的城市不透水层提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017088365A1 (zh) | 一种肤色检测方法及装置 | |
CN106296620B (zh) | 一种基于直方图平移的色彩还原方法 | |
CN111864896B (zh) | 一种电力负荷监测方法及*** | |
CN110880165A (zh) | 一种基于轮廓和颜色特征融合编码的图像去雾方法 | |
CN103914124B (zh) | 面向三维场景的节能颜色映射方法 | |
CN109766822B (zh) | 基于神经网络的手势识别方法及*** | |
CN108921942B (zh) | 对图像进行2d转制3d的方法及装置 | |
CN108615229B (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
CN105976379A (zh) | 一种基于布谷鸟优化的模糊聚类彩色图像分割方法 | |
CN109040764B (zh) | 一种基于决策树的hevc屏幕内容帧内快速编码算法 | |
CN108021881B (zh) | 一种肤色分割方法、装置和存储介质 | |
CN102831604A (zh) | 一种灰度图像的二维Renyi熵阈值分割方法 | |
CN108230340A (zh) | 一种基于mmtd的slic超像素提取权值确定方法及超像素提取方法 | |
CN103778900A (zh) | 一种图像处理方法及*** | |
CN111127340B (zh) | 一种图像去雾方法 | |
CN106682684A (zh) | 一种基于k均值聚类的目标识别方法 | |
CN103839245B (zh) | 基于统计规律的Retinex夜间彩色图像增强方法 | |
CN108898564A (zh) | 一种基于人类视觉模型和wls滤波器的高动态范围图像色调映射方法 | |
CN103413331B (zh) | 一种支持编辑传播的高分辨率视频图像内容稀疏表达方法 | |
CN105488769B (zh) | 一种实时视频去雾方法 | |
CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN105913451B (zh) | 一种基于图模型的自然图像超像素分割方法 | |
CN103164847A (zh) | 视频图像中运动目标阴影消除方法 | |
CN104036511A (zh) | 基于生物启发运算的彩色图像分割方法 | |
CN109636741A (zh) | 一种图像去噪处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140910 |