CN113744216B - 一种基于人工黏菌群体智能的图像分割方法 - Google Patents
一种基于人工黏菌群体智能的图像分割方法 Download PDFInfo
- Publication number
- CN113744216B CN113744216B CN202110975858.XA CN202110975858A CN113744216B CN 113744216 B CN113744216 B CN 113744216B CN 202110975858 A CN202110975858 A CN 202110975858A CN 113744216 B CN113744216 B CN 113744216B
- Authority
- CN
- China
- Prior art keywords
- image
- segmented
- coliform
- neighborhood
- group
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000003709 image segmentation Methods 0.000 title claims abstract description 88
- 241000863434 Myxococcales Species 0.000 title claims abstract description 29
- 235000013305 food Nutrition 0.000 claims abstract description 87
- 230000008569 process Effects 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 31
- 235000015097 nutrients Nutrition 0.000 claims description 25
- 108010078777 Colistin Proteins 0.000 claims description 24
- 229960003346 colistin Drugs 0.000 claims description 24
- JORAUNFTUVJTNG-BSTBCYLQSA-N n-[(2s)-4-amino-1-[[(2s,3r)-1-[[(2s)-4-amino-1-oxo-1-[[(3s,6s,9s,12s,15r,18s,21s)-6,9,18-tris(2-aminoethyl)-3-[(1r)-1-hydroxyethyl]-12,15-bis(2-methylpropyl)-2,5,8,11,14,17,20-heptaoxo-1,4,7,10,13,16,19-heptazacyclotricos-21-yl]amino]butan-2-yl]amino]-3-h Chemical compound CC(C)CCCCC(=O)N[C@@H](CCN)C(=O)N[C@H]([C@@H](C)O)CN[C@@H](CCN)C(=O)N[C@H]1CCNC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCN)NC(=O)[C@H](CCN)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](CCN)NC1=O.CCC(C)CCCCC(=O)N[C@@H](CCN)C(=O)N[C@H]([C@@H](C)O)CN[C@@H](CCN)C(=O)N[C@H]1CCNC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCN)NC(=O)[C@H](CCN)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](CCN)NC1=O JORAUNFTUVJTNG-BSTBCYLQSA-N 0.000 claims description 24
- 235000016709 nutrition Nutrition 0.000 claims description 24
- XDJYMJULXQKGMM-UHFFFAOYSA-N polymyxin E1 Natural products CCC(C)CCCCC(=O)NC(CCN)C(=O)NC(C(C)O)C(=O)NC(CCN)C(=O)NC1CCNC(=O)C(C(C)O)NC(=O)C(CCN)NC(=O)C(CCN)NC(=O)C(CC(C)C)NC(=O)C(CC(C)C)NC(=O)C(CCN)NC1=O XDJYMJULXQKGMM-UHFFFAOYSA-N 0.000 claims description 24
- KNIWPHSUTGNZST-UHFFFAOYSA-N polymyxin E2 Natural products CC(C)CCCCC(=O)NC(CCN)C(=O)NC(C(C)O)C(=O)NC(CCN)C(=O)NC1CCNC(=O)C(C(C)O)NC(=O)C(CCN)NC(=O)C(CCN)NC(=O)C(CC(C)C)NC(=O)C(CC(C)C)NC(=O)C(CCN)NC1=O KNIWPHSUTGNZST-UHFFFAOYSA-N 0.000 claims description 24
- 230000035764 nutrition Effects 0.000 claims description 22
- 230000002431 foraging effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000004060 metabolic process Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 description 20
- 241000894006 Bacteria Species 0.000 description 13
- 230000033001 locomotion Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 210000003855 cell nucleus Anatomy 0.000 description 8
- 238000001727 in vivo Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 206010028116 Mucosal inflammation Diseases 0.000 description 4
- 201000010927 Mucositis Diseases 0.000 description 4
- 230000019637 foraging behavior Effects 0.000 description 4
- 230000003278 mimic effect Effects 0.000 description 4
- 239000011664 nicotinic acid Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 210000003097 mucus Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000004791 biological behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 239000004459 forage Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000235395 Mucor Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
一种基于人工黏菌群体智能的图像分割方法，所述方法包括：步骤1，进行待分割图像初始化；步骤2，进行黏菌群体参数初始化；步骤3，黏菌群体扩张寻找图像分割区域；步骤4，黏菌群体互相学习分割区域信息；步骤5，更新黏菌群体信息；步骤6，黏菌群体评估图像全局分割区域；步骤7，输出黏菌群体对图像分割结果；本发明采用黏菌群体互相学习的行为对图像进行分割，将图像分割过程描述为黏菌群体使用多个黏变形体四处寻找图像分割区域作为食物源的过程；本发明在图像分割问题求解过程中具有速度快、成本低、鲁棒性好等优势。
Description
技术领域
本发明属于人工智能和图像处理领域，具体说是一种基于人工黏菌群体智能的图像分割方法。
背景技术
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。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割，这对图像分割提出了很高要求。
近二十年来,国内外学者提出了成百上千的图像分割算法,在这些算法中,阈值技术是最流行的技术之一。经典的阈值分割算法中,一幅图像通常根据所选择的阈值被分割为对象和背景。然而当图像结构复杂,灰度分布较广,则阈值分割效果不理想。阈值分割技术采用优化算法获得最优阈值后再进行分割,如Otsu算法虽能获得较好的分割结果,但算法中不能反映出图像像素间的空间相关信息,因此很难获得满意的分割效果。针对这一问题,Liu提出二维直方图技术,分别是像素灰度级分布及其邻域平均灰度分布,构成的直方图含有邻域空间信息,基于二维直方图的阈值分割也就是在利用图像像素间的空间相关信息上迈进了一步。Hou提出用Otsu方法获得阈值趋于得到更接近聚类的结果,这种聚类是用一幅图像中大量的像素或方差进行聚类。Hou还提出最小类内方差的方法,这种方法是基于最小化类内像素方差获得的最优阈值"当图像受到外界环境的影响或噪声干扰时,这种方法就不是很可靠了。一幅图像中出现歧义性是由图像本性决定的,这种歧义性也来源与不确定性的出现。为了判定一个像素是归类为白还是黑,Huang提出定量衡量图像中呈现的模糊程度。
在基于目标函数的聚类方法中,C均值聚类算法最为常用,其中,由于FCM算法(模糊C均值算法)更加符合实际情况,且具有良好的聚类性能,因此被许多研究人员应用于图像的边缘检测但是用FCM算法进行图像边缘检测时存在对初始化敏感及容易陷入局部极小的两大缺陷。目前解决此问题的方法通常是根据一定的经验准则选取初始参数。在实际应用中,由于初始聚类中心和样本的输入次序对最终结果有重大影响,往往是用若干不同的初始聚类中心和聚类数目分别聚类,然后选择最满意的聚类作为最终结果。这种方法实验的次数和耗时往往令人难以接受,而且也不能保证全局最优。
自上世纪90年代,出现了许多模仿昆虫群体社会行为的新算法,如蚁群算法、粒子群算法、鱼群算法和蜂群算法。如何利用这些群体智能来解决聚类中的问题,也就成了研究热点。Omran等首先将粒子群优化(PSO)引入到聚类算法中,算法中为判断算法性能采用了基于量化误差的适应度衡量方法,实验结果显示基于PSO的方法明显强于k-均值方法。Cui等提出一种基于PSO的混合算法用于对文本进行分类,应用了PSO。K-均值混合PSO聚类算法对四种文本数据集进行聚类,结果显示混合PSO算法能产生更为紧凑的聚类结果和耗费时间更短。ZHANG提出用PSO方法解决带有障碍约束的空间聚类问题。该算法首先基于MAKLINK图表使用PSO算法得到最佳障碍路径,然后将PSO和K-means结合对带有障碍约束的空间数据进行聚类。该方法不仅考虑了如何获得更高的局部收敛速度和全局搜索能力，还考虑了空间数据聚类的障碍约束和实用性问题。
黏菌个体天然就是一个具有细胞核节点的多分支黏变形体结构，借助黏菌群体的分工与合作，特别适合求解交通网络节点选择和网络优化问题。以上文献均使用真实的黏菌对问题进行求解，虽然有一些优势，但也有不少缺点。其一，使用真实黏菌求解问题花费的时间比较长(如Atsushi Tero等人研究成果中26小时，Xiaoge Zhang等人研究成果中96小时)。其二，直接使用黏菌求解问题需要专业的生物学技能和专业的设施、场地、设备，这是很多研究人员所缺乏的。其三，培养黏菌求解问题的精度也不够高，基本上都是使用培养皿作为地图和使用燕麦片颗粒作为节点，培养皿空间有限且燕麦片体积较大，加上培养液的影响，显然限制了求解精度。其四，养殖黏菌还需要占据宝贵的空间和时间和人力，配套复杂的环境调节设备、营养和水份供应，实验前的生长环境控制、实验设计、数据处理和实验后清理都需要花费成本和专业操作。
但到目前为止，市场上和各类文献中仍然没有发现一种基于黏菌群体智能的基于黏菌图像分割方法。该算法不但具有智能搜索、全局优化能力,而且具有鲁棒性、正反馈、并行分布式计算等特点。
发明内容
本发明的目的是为了提供一种用于图像分割中的可有效抑制噪声干扰，最大限度保留细节信息，以达到高质量、高效的对图像进行分割的基于黏菌算法群体智能的图像分割方法。
本发明采用以下技术方案：
一种基于人工黏菌群体智能的图像分割方法，它采用黏菌群体互相学习的行为对图像进行分割，所述方法将待分割图像分成三类区域，首先是未分割区域，即黏菌群体尚未觅食过的区域，是图像分割的初始区域；其次是已分割区域，即黏菌群体搜索到食物源的区域，由未分割区域转换而来；再次是非分割区域，即黏菌群体搜索到已分割区域后又放弃的区域，由已分割区域和未分割区域转换而来；图像分割过程模拟为黏菌群体使用多个黏变形体四处搜索图像未分割区域并进行聚类分析的过程，并将有食物源的像素点归类于已分割区域，而将无食物源的像素点归类于非分割区域；
具体的，它包括以下几个步骤：
步骤1，待分割图像初始化；
步骤2，黏菌群体参数初始化；
步骤3，黏菌群体扩张寻找图像分割区域；
步骤4，黏菌群体互相学习分割区域信息；
步骤5，更新黏菌群体信息；
步骤6，黏菌群体评估图像全局分割区域；
步骤7，输出黏菌群体对图像分割结果；
在步骤1中，进行待分割图像的初始化，为每个图像像素点设置不同营养浓度；整个待分割图像归类为未分割区域，为待分割图像构造一个描述灰度值等信息的特征向量,将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成的信息特征向量,形成具有三维特征的数据集；包括以下子步骤；
子步骤1-1，将食物源定义为待分割图像聚类中心的集合；给定待分割的原始图像X,每个像素点Xi(i＝1,2,…n)看作是黏菌群体的未分割区域食物源集合C中的一个节点，即每个食物源是以灰度、梯度和邻域为特征的三维向量，即每个像素点都以待分割的信息作为食物源的参考依据；未分割区域为C＝{Xi}(i＝1,2,...,n)；
子步骤1-2，设置邻域像素点数量；对于任何一个待分割的二维图像，除了边缘像素点外，每个像素点都有8个邻域像素点；进一步地，可以初始化为邻域像素点数量为8，即包括该像素点周围8个相邻的所有像素点；进一步地，也可以根据算法应用的需要，选择邻域像素点数量为4，即仅包括该像素点上下左右4个相邻的所有像素点，但不包括相邻4个角上的像素点；
子步骤1-3，为待分割图像的每个像素点设置邻域一致性分量；待分割图像像素点邻域内的灰度分布和非像素点邻域内的灰度分布不同，像素点邻域内灰度分布差异较大。设待分割图像当前像素点编号为k＝1,2,…N,其坐标为(i,j),灰度值为gray(i,j)，以其为中心的邻域Ne＝{(x,y)||x-i|≤L,|y-i|≤L}中,L是邻域长度的一半,过中心点(i,j)以方向θk将该邻域分成两个部分KNe1和KNe2。其中,0°≤θk≤180°。定义待分割图像像素点的邻域一致性分量为Ne(i,j)＝max{|Grayk1-Grayk2|}，k＝1,2,…N。其中中,Grayk1，Grayk2分别为待分割图像像素点(i,j)在方向θk两侧的灰度平均值。
子步骤1-4，为待分割图像的每个像素点设置结构性分量；设待分割图像第k＝1,2,…N个像素点的坐标为(i,j),以其为中心的邻域可描述为Ne(i,j)＝max{|Grayk1-Grayk2|}中，L是邻域长度的一半，lθ是过中心点且角度为θ的一条直线,则定义像素点(i,j)结构性分量为其中，gray(m,n)表示像素点(i,j)邻域座标为(m,n)的像素点处的梯度幅值。
子步骤1-5，为待分割图像的每个像素点设置方向性分量；设待分割图像第k＝1,2,…N个像素点的坐标为(i,j),在以其为中心的邻域Ne＝{(x,y)||x-i|≤L,|y-i|≤L}中,L是邻域长度的一半,lθ是过中心点且角度为θ的一条直线，lθ将该邻域分成两部分KV1和KV2，则定义像素点(i,j)方向性信息测度分量为其中分别表示座标为(m,n)的像素点处位于两部分KV1和KV2的梯度幅值之和。
子步骤1-6，将待分割图像的每个像素点描述为三维向量Cj(V,G,Ne),j＝1,2…n；即将待分割图像的食物源可使用聚类中心表示为Cj(V,G,Ne),j＝1,2…n，描述各个像素点的不同待分割特征，依次计算所有k＝1,2,…N个像素点，完成待分割图像所有像素点的初始化；
子步骤1-7，设置迭代总次数T；参数T的设置与待分割图像大小和分割精度有关，图像越大，精度要求越高，则T越大；反之，则T越小。
在步骤2中，黏菌群体参数初始化，黏菌群体对图像进行分割的过程就是觅食过程，即寻找一组聚类中心；黏菌群体根据分割图像和像素聚类过程中所积累的信息以及启发引导函数决定对路径选择的影响因子，即建立黏变形体转移像素点时学习机制；包括以下子步骤；
子步骤2-1，设置黏菌群体中单个黏菌的搜索半径为聚类半径r；设置已分割区域为空集S＝{}，设置非分割区域为空集S'＝{}；即黏菌群体尚未搜索任何像素点，整张图像均为未分割区域，尚未形成已分割区域或非分割区域；
子步骤2-2，设置图像分割的求解误差为ε0；
子步骤2-3，设置各个黏菌个体体内营养浓度置为0，即τij(0)＝0；图像分割可以看作是随机散步在原始图像的黏菌搜索食物源的过程，不同像素点具有不同的营养浓度，在分割区域上营养浓度差异大；
子步骤2-4，设置黏菌群体内任意像素点Xi到Xj的距离初始化为Dij＝0；设置黏变形体数量为m；后续计算采用欧式距离计算：其中，p为加权因子，其值根据像素三维向量Cj(V,G,Ne),j＝1,2…n对聚类的影响程度设定；
子步骤2-5，设置黏菌群体查找分割区域的概率阈值P0；模拟自然界黏菌的概率搜索行为；
子步骤2-6，设置黏菌群体营养物质量随时间的衰减速度ρ；模拟自然界黏菌的新阵代谢过程；
子步骤2-7，设置黏菌群体的自学习因子α；即α为黏变形体的历史信息启发因子，即黏变形体在向另一个像素点转移时，该目标像素点历史累积的营养物质在指导黏菌搜索中选择像素点转移时的相对重要程度，反映了黏菌在路径搜索中经验性因素作用的强度；进一步地，α值越大，黏菌选择以前走过的像素点的可能性越大，搜索的经验性越强；但α值过大也可能使黏菌的搜索过早陷于局部最优；
子步骤2-8，设置黏菌群体的随机学习因子β；即β为黏变形体随机值启发式因子，反映了黏菌群体在随机搜索过程中启发信息在指导黏菌搜索中的相对重要程度。期望值启发因子β的大小反映了黏菌群体在道路搜索中先验性、确定性因素作用的强度，其值越大，黏菌在某个局部点上选择局部最短路径的可能性越大。虽然它使搜索的收敛速度得以加快，但黏菌在最优路径的搜索过程中随机性减弱，容易陷入局部最优。如果Pij(t)大于阈值P0，就将Xi合并到Xj的邻域内。令所有归并到Xj邻域的数据集和为Cj，则Cj＝{Xk|Dkj≤r,k＝1,2…J}。
在步骤3中，黏菌群体扩张寻找图像分割区域，黏菌群体互相学习分割区域信息，黏菌群体通过学习自己过去的经验以及其他黏菌共享的信息，更新自己黏变形体的位置，一方面黏菌根据自己所处的位置，以个体学习概率学习自己黏变形体搜索到的像素点信息，并移动到下一个像素点，尝试归为最优的聚类；另一方面通过黏菌个体与个体之间的交叉合作收缩等操作，以邻居学习概率学习更远的邻居黏菌个体觅食信息和像素点信息，供自己黏变形体移动选择；另外，黏菌群体还具有随机搜索功能；包括以下子步骤；
子步骤3-1，设置当前迭代次数t<＝T；首次进行图像分割计算时，设置t＝1；每一轮进行图像分割计算，执行t＝t+1；
子步骤3-2，黏菌群体使用多条黏菌形体在待分割图像上进行扩张；假设黏菌群体中某条黏变形体从像素点Xi选择到Xj路径的概率为Pij，则有其中，J表示黏菌群体下一步要归类的聚类中心，ηij(t)是引导函数启发式引导函数，基于黏菌群体算法中，ηij(t)是Dij的倒数；
子步骤3-3，黏菌群体找到分割区域；黏菌群体比较Pij(t)，如果Pij(t)大于阈值P0，就将Xi合并到Xj的邻域内；阈值P0设置过程见子步骤2-5；进一步地，令所有归并到Xj邻域的像素点集合为Cj，则Cj＝{Xk|Dkj≤r,k＝1,2…J}；
子步骤3-4，黏菌群体将未分割区域像素点添加到已分割区域，即已发现的食物源列表，S＝{XS|Dsj≤r,s＝1,2,…N}为已分割区域像素点集合；
子步骤3-5，计算黏菌群体的引导函数；引导函数用于度量当前像素点与聚类中心的相似度，用下面公式计算其中,r为聚类半径,其设置过程见子步骤2-1；因此，黏菌群体聚类半径越大，引导函数值越大，选择该聚类中心的概率随之增大；反之，待分割图像像素点与聚类中心之间的距离越大，则引导函数值越小，选择该聚类中心的概率就越小；黏菌群体将选择入分割区域的像素点集合Cj加入已分割区域S，将未选择入分割区域的像素点集合Cj加入未分割区域S’；
子步骤3-6，计算黏菌群体理想聚类中心为：进一步地，Oj包括多个分量，即Oj＝{Oij}；
子步骤3-7，计算黏菌群体第j个聚类中心的偏离误差：其中，其中，Oij表示第j个聚类中心Oj的第i个分量。
在步骤4中，黏菌群体互相学习分割区域信息，黏菌群体以步骤3中局部最优解为起点，在邻域内互相学习搜索食物源，不断循环下去，直至寻找到最优分割阈值和分割区域集合S，，包括以下子步骤；
子步骤4-1，黏菌群体学习图像分割区域的价值；黏变形体在寻得的食物源邻域像素点周围寻找新的食物源，并计算所寻找到的食物源的价值，其目标函数计算为：
子步骤4-2，黏菌群体学习分割聚类中心信息；黏菌群体从每个邻域像素点中选出局部最佳聚类中心，按下式计算第j个聚类中心信息：其中j为Cj类中元素个数；否则，将该像素点记录在C集中，其中，C为黏菌群体未归类的像素集合；
子步骤4-3，黏菌群体计算总体图像分割误差其中，/>为第j个聚类中心的偏离误差；
子步骤4-4，判断阈值条件；当聚类中心间距即小于阈值，黏变形体将转移到当前的聚类中心，并更新第j个聚类中心；否则，黏变形体不转移，黏菌群体保持原状；因此，黏菌群体可以优先从较优的聚类中心取出最优食物源，即最优聚类中心作为图像已分割区域S；
在步骤5中，更新黏菌群体信息，每经过一次循环，黏菌群体的图像分割信息需要进行更新调整，从而不断改进图像分割效果；包括以下子步骤；
子步骤5-1，更新单条黏变形体上的营养浓度增量；时刻t的营养浓度增量更新计算公式如下： 表示第k只黏菌在本次循环中留在黏菌形体内的营养物质量；
子步骤5-2，更新单条黏变形体上的营养浓度值；时刻t的营养浓度值更新计算公式如下：其中，ρ为营养物质量随时间的衰减程度，Δτij(t)为本次循环中路径上营养浓度增量；
子步骤5-3，计算新的聚类中心C和样本到该新的聚类中心的距离；时刻t的距离计算公式如下：其中，/>
子步骤5-4，更新黏菌群体的引导函数；时刻t的引导函数为距离的倒数，则有计算公式为：根据图像阈值分割的特点，给出初始聚类中心地黏菌聚集行为加以引导,以减少黏菌黏变形体移动的盲目性，并将黏菌群体与聚类中心的相似度作为引导函数,降低计算量和加快黏菌群体的聚类进程，即图像分割过程；
子步骤5-5，更新黏菌群体的从Xi选择到Xj路径的概率为Pij；则有时刻t的概率计算公式为：其中，J表示黏菌群体下一步要归类的聚类中心，ηij(t)是引导函数启发式引导函数；非重要食物源的像素点具有营养浓度低，黏菌个体密度低，转移概率低；且随着黏菌群体的不断学习和不断移动，分阈值分割区域上的黏菌变形体越来越少，则该像素点的上营养物质就越低；反之，阈值分割区域上的营养物质越多，聚集的黏菌个体也越多；
子步骤5-6，更新黏菌群体对图像分割的聚类中心信息；时刻t的第j个聚类中心信息的计算公式为：其中j为Cj类中元素个数；黏变形体每次移动，最优食物源或聚类中心位置随之更新。
在步骤6中，黏菌群体评估图像全局分割区域S，包括以下子步骤；
子步骤6-1，判断终止条件；判断是否满足迭代次数t<＝T，如果满足，则返回子步骤3-1；如果不满足，进入子步骤6-2；
子步骤6-2，判断误差条件是否满足；计算各类的类间距离，若ε≤ε0，则输出聚类中心个数c个聚类中心，图像分割的求解结束，得到图像最优分割阈值和已分割区域S，转入步骤7，输出黏菌群体对图像分割结果；否则，转入子步骤3-1，执行t＝t+1；进行新一轮进行图像分割计算；
在步骤7中，输出黏菌群体对图像分割结果，包括以下子步骤；
子步骤7-1，输出分割后的图像和已分割区域S；分割后的图像，图像像素点邻域内的灰度分布和非像素点邻域内的灰度分布不同,像素点邻域内灰度分布差异较大；根据图像中不同种类像素邻域特点,梯度值较高的聚类中心,如果灰度特征对应的像素个数较多,则该聚类中心可能为分割区域；反之，如果灰度特征对应的像素个数较少,则该聚类中心可能为噪声，不设为分割区域。
子步骤7-2，输出聚类中心灰度值；图像的灰度直方图体现了不同灰度级像素出现的频数,很大程度上反映灰度聚类的结果。以原始图像的灰度直方图为基础,选择灰度直方图的n个峰值点作为聚类中心的灰度特征,同时n也确定了初始聚类中心的个数。这样,可以将所有像素之间大量循环计算转化为像素与少数几个峰值点之间的比较,引导黏菌直奔聚类中心附近,减少搜索过程,极大降低计算量，聚类中心C的第一个特征向量V可以确定；
子步骤7-3，输出聚类中心梯度值；图像中背景和目标内部像素的梯度一般较小,而边界点和噪声点梯度较大:同时背景和目标内部像素占多数,边界点像素个数又远大于噪声点的像素个数。所以,根据原始图像的灰度直方图及梯度图像,在确定的n个聚类中心中,如果某些聚类中心的灰度特征对应的像素个数远大于其它像素个数,则该聚类中心极大可能在背景或目标内部,设置该聚类中心梯度特征为零,而对其余的聚类中心,使其梯度值为梯度图像最大梯度列的均值。
本发明具有以下有益效果：
1)本方法模仿了单细胞黏菌群体在觅食过程中的科学规律，建立起以生物学和数学理论为基础的黏菌群体觅食运动规律模型，将图像分割寻找最优阈值问题描述为多食物源节点情况下的黏菌群体觅食问题。该方法能够用于图像分割问题此算法可有效抑制噪声干扰,最大限度的保留细节信息,以达到有效地进行图像分割。相比于当前广泛应用图像分割方法，黏菌群体仿生算法在问题求解过程中具有速度快、成本低、鲁棒性好等优势，并且通过计算机模仿生物群体智能极大减少了使用真实黏菌群体进行问题求解的复杂性。
2)提高图像分割的效果和处理效率，减小图像处理的成本。本发明位于生物学科与计算机学科的交叉处，结合黏菌群体的觅食行为和图像分割问题，基于最优化理论、自组织理论、生物行为理论、分子生物学、并行计算理论等，形成基于黏菌群体觅食行为的计算机仿生优化理论与知识体系，有可能形成一个全新的群体智能邻域和图像分割学科邻域。
3)高效完成复杂优化问题的求解。本发明将严谨的数学理论和物理学原理引入生物行为学，深入挖掘没有大脑的黏菌群体觅食行为的内部机理，并用于图像分割问题，建立比较完整的黏菌群体觅食生物学行为的数学模型，给出量化、公式化、公理化的黏菌群体觅食规则和新型智能图像分割方法。本发明不仅能够用于图像分割等问题，也能够像其他仿生算法一样在计算机视觉***、图像理解***、实时监控***、激动目标跟踪***中应用前景广阔。
4)简化研究人员的问题求解流程。本发明仅需一台计算机便可仿真黏菌群体觅食行为，快速准确进行图像分割，省去了使用真实黏菌群体求解问题时涉及的黏菌群体养殖、实验设计、生物学专业操作、实验后处理等所产生的各种问题，大大方便了各类研究问题求解。本发明进行图像分割求解过程时对聚类中心问题的处理完全不同于传统的人工智能和机器学习理论，而是借助无脑黏菌群体的觅食过程和分工合作，能够完成图像分割问题的反复试错、学习和最优化，从而为人工智能理论和图像处理理论提供新的研究方法工具。
附图说明
图1是本发明的方法步骤图；
图2是本发明一个实例所用到的原图；
图3是用本发明处理后得到的结果图。
具体实施方式
如图1所示，为基于人工黏菌群体智能的图像分割方法的方法步骤图，所述方法采用黏菌群体智能行为对图像分割问题进行求解，根据像素点聚类中心重要性进行排序和优化布局，将待分割图像的像素点模拟成黏菌群体的外部食物源，将分割图像的像素点网络模仿成黏变形体，将图像模拟成覆盖所有外部食物源的黏菌群体原质团，将图像分割的过程模拟成黏菌群体觅食和运输体内营养物质的过程，将图像分割区域网络优化问题模拟成黏菌群体觅食网络优化问题；
优选地，黏菌群体对应于聚类中心选择问题的可行解集合；黏菌个体对应于图像分割问题的单个可行解；各黏菌的细胞核随机的散落在个像素点，即个体搜索到的最优解节点；黏菌个体自身营养物质约束对应于单个解的搜索范围；外部食物源对应于解空间中待分割的像素点；非食物源对应于交通网络中不可行的图像分割区域；黏菌群体求解的目标函数对应于像素点聚类的重要度评估；黏菌群体运输体内营养物质对应于图像分割和边缘检测；黏菌个体的移动对应于单个图像分割解的搜索；黏菌群体分工对应于分布式寻找图像分割的聚类中心；黏菌群体合作对应于图像分割的聚类中心评估和更新；黏菌群体分工合作的目标函数是以最优的拓扑结构来最大化地获得外部食物源，对应于图像分割的目标是以最优的分割区域网络来最大化地模拟不同重要性节点的食物源网络；交叉学习对应于黏菌群体寻找不同可行解时以一定的概率进行互相联系和传递消息；收缩操作对应于黏菌群体寻找可行解时能够共享食物源，优化食物消化网络。
如图1所示，本发明包括以下步骤：
步骤1，待分割图像初始化；图像分割的拓扑结构模仿黏菌群体觅食网络的拓扑结构，由黏菌群体根据食物源远近自行分工就近寻找附近食物，以便以最小的代价找到最多的外部食物源。因此，通过黏菌群体在觅食过程中的聚集行为很容易帮助人们选择分割图像的最优聚类中心。进一步地，图像的聚类能够模仿黏菌群体对不同亲和性的外部食物源或非食物源产生的不同应激反应，即包围外部食物源以进食，以及离开非食物源；进一步地，模仿黏菌群体在分工合作中的不同应激反应，即交叉、合并、收缩能够完成图像分割区域的求解；进一步地，待分割图像中，分割区域包括多个分割像素点，非分割区域也包括多个非分割像素点。
步骤2，黏菌群体参数初始化；将图像分割模仿成为多个黏菌组成的有机体群体，每个黏菌个体随机分布于待分割图像不同的像素点上，每个黏菌个体自行分工，在各自所处位置上进行原质团扩张操作完成觅食，不同的黏菌个体可以互相共享找到的图像分割区域信息和传输链路信息，尽可能利用不同黏菌个体的地理位置覆盖所有外部食物源即解空间中待选择的像素点；
步骤3，黏菌群体扩张寻找图像分割区域；黏菌群体以个体局部最优聚类中心为起点，使用多个黏变形体在邻域内搜索与起点聚类中心最相近的点，一直作为起点一次循环下去，直至达到结束条件，将所得出一组最优食物源作为分割图像的最佳分割区域对图像进行分割。
步骤4，黏菌群体互相学习分割区域信息；黏菌群体优化分割区域过程，即黏变形体收缩阶段并优化搜索过程，模仿黏菌群体活动的合作行为。黏菌群体通过学习自己过去的经验以及其他黏菌共享的信息，优化自己黏变形体的位置；一方面黏菌根据自己所处的位置，以个体学习概率学习自己黏变形体搜索到的像素点信息，并移动到下一个像素点，尝试寻找更优的像素点；另一方面通过黏菌个体与个体之间的交叉学习和收缩等操作，以邻居学习概率学习更远的邻居黏菌个体觅食信息和像素点信息，供自己黏变形体移动选择；对每一组聚类中心进行适应度排序，适应度越大，分割区域聚类效果越好；
步骤5，更新黏菌群体信息；黏菌每一轮求解都要更新求解信息；非分割区域的像素点具有营养浓度低，黏菌个体密度低的特点，且随着黏菌群体的不断移动，非分割区域的像素点上的黏变形体越来越少，每当有一个黏菌个体离开，则非分割区域像素点的上营养物质就越低；反之，分割区域上像素点的营养物质量就越多，黏菌群体聚集也越多；黏变形体每次移动和学习，最优食物源位置随之更新。
步骤6，黏菌群体评估图像全局分割区域；对各个像素点建立黏菌数量矩阵作为该像素点的重要度矩阵，即像素点重要性取决于该像素点上进食的黏菌个体数量或细胞核数量，在图像分割时参考该重要度矩阵对图像分割区域进行排序，并根据重要度矩阵对拓扑结构进行合理优化；黏菌是一个以细胞核为中心的扩张结构，该像素点上的黏菌数量实际上包括与该像素点相连接的邻居像素点信息，以及其与邻居像素点相连接的长度信息；像素点重要度矩阵中的值越大，表明该像素点越重要，即该像素点连接的邻居像素点越多，且到邻居像素点的距离越短；反之，该值越小，表明该像素点越不重要，即该像素点连接的邻居像素点越少，且与邻居像素点相连的距离较长。
步骤7，输出黏菌群体对图像分割结果；该方法用于图像分割问题表现出寻优能力强和高运算速度等特点，以达到有效提取目标图像的目的。相比于当前广泛应用图像分割方法，黏菌群体仿生算法并且通过计算机模仿生物群体智能极大减少了使用真实黏菌群体进行问题求解的复杂性，提高了收敛速度。
图2、3可以看出该方法在对图像进行边缘检测时较好的模拟了生物界黏菌感知周围环境运输体内营养物质特性，该方法能够用于图像分割问题此算法可有效抑制噪声干扰,有效地提高分割质量，缩短寻找阈值和分割区域的时间。
步骤1，待分割图像初始化；初始化对图像像素点进行处理，将图像转换成待聚类的特征向量数据集的食物源，不同食物源带有不同特征的营养浓度。以便下一步骤对黏菌群体进行初始化，再每个黏菌个体的细胞核随机分布于图像的不同像素点上，记录每一个黏菌个体的初始位置和像素点坐标，选择黏菌群体进行对食物源进行觅食，得到局部最优食物源。包括以下子步骤；
子步骤1-1，将食物源定义为待分割图像聚类中心的集合为未分割区域C＝{Xi}(i＝1,2,...,n)；如图2所示；
子步骤1-2，设置邻域像素点数量；本例中，邻居像素点数量＝8；如图2、图3所示；
子步骤1-3，为待分割图像的每个像素点设置邻域一致性分量；
Ne(i,j)＝max{|Grayk1-Grayk2|}，k＝1,2,…N；
子步骤1-4，为待分割图像的每个像素点设置结构性分量；
子步骤1-5，为待分割图像的每个像素点设置方向性分量；
其中/>
子步骤1-6，将待分割图像的每个像素点描述为三维向量Cj(V,G,Ne),j＝1,2…n；
子步骤1-7，设置迭代总次数T；本例中，T＝200；如图2、图3所示；
步骤2，黏菌群体参数初始化；每个黏菌个体的细胞核随机分布于不同像素点上，每个黏菌个体以各自的细胞核为中心自行分工四处扩张寻找新的食物源，记录每个黏菌个体的细胞核坐标矩阵，以及每个黏菌个体的黏变形体寻找到像素点个数及其相应坐标；包括以下子步骤；
子步骤2-1，设置黏菌群体中单个黏菌的搜索半径为聚类半径r；设置已分割区域为空集S＝{}，设置非分割区域为空集S'＝{}；
子步骤2-2，设置图像分割的求解误差为ε0；
子步骤2-3，设置各个黏菌个体体内营养浓度置为0，即τij(0)＝0；
子步骤2-4，设置黏菌群体内任意像素点Xi到Xj的距离初始化为Dij＝0；
子步骤2-5，设置黏菌群体查找分割区域的概率阈值P0；
子步骤2-6，设置黏菌群体营养物质量随时间的衰减速度ρ；
子步骤2-7，设置黏菌群体的自学习因子α；本例中α值取为0.9。
子步骤2-8，设置黏菌群体的随机学习因子β；本例中β值取为0.1。
步骤3，黏菌群体扩张寻找图像分割区域；使用不同区域划分模仿黏菌群体确认食物节点。图像的分割区域和未分割区域模仿了黏菌群体原质团在寻找外部食物源时遇到的食物和非食物物体，如无机物、盐和其它原质团。不同的物质与黏菌群体接触时的亲和性不同，黏菌经过漫长的进化过程，已经具备了通过亲和性来识别不同物质的能力。在本方法中，像素点能够模仿黏菌群体原质团和黏变形体通过亲和性和生化反应判断食物和非食物的特征，交通网络还能够模仿黏菌群的分工合作和对外部食物源的共享，黏菌群通过共享像素点信息就近扩张或收缩，从而包围外部食物源并离开无食物源或非食物源的区域，即分割区域和未分割区域。包括以下子步骤；
子步骤3-1，设置当前迭代次数t<＝T；
子步骤3-2，黏菌群体使用多条黏菌形体在待分割图像上进行扩张；计算概率
子步骤3-3，黏菌群体找到分割区域；计算Cj＝{Xk|Dkj≤r,k＝1,2…J}；
子步骤3-4，黏菌群体将未分割区域像素点添加到已分割区域，计算S＝{XS|Dsj≤r,s＝1,2,…N}为已经找到的分割区域集合；
子步骤3-5，计算黏菌群体的引导函数；
子步骤3-6，计算黏菌群体理想聚类中心；
子步骤3-7，计算黏菌群体第j个聚类中心的偏离误差；其中，
步骤4，黏菌群体互相学习分割区域信息，使用图像的分割模仿黏菌群体在食物节点上的移动和选择行为。交通网络收缩成最优拓扑结构模仿了黏菌群体原质团寻找外部食物源的概率性搜索过程，以及共享外部食物源和运输网络的行为，以便多个黏菌共同通过进食网络分享和消化吸收外部食物源，并以最优的通道结构将营养物质运输回体内。在黏菌群体进食的整个过程中，体内营养物质能够从某个黏菌体内通过黏变形体的合并而流入到另一个黏菌体内，实现图像分割信息的共享和链路的多黏菌复用。包括以下子步骤；
子步骤4-1，黏菌群体学习图像分割区域的价值；
子步骤4-2，黏菌群体学习分割聚类中心信息；
子步骤4-3，黏菌群体计算总体图像分割误差；其中，/>为第j个聚类中心的偏离误差；
子步骤4-4，判断阈值条件；并决定黏变形体的移动；
步骤5，更新黏菌群体信息，模仿黏菌群体使用体内营养物质传递拓扑信息。本方法模仿了黏菌群体觅食过程中的信息传输和共享机制，不但能够反复利用最有效的食物运输网络(营养物质浓度高)，还能在不成功的线路上用化学物质(例如黏液)标记。包括以下子步骤；
子步骤5-1，更新单条黏变形体上的营养浓度增量；
子步骤5-2，更新单条黏变形体上的营养浓度值；
子步骤5-3，计算新的聚类中心C和样本到该新的聚类中心的距离；
子步骤5-4，更新黏菌群体的引导函数；
子步骤5-5，更新黏菌群体的从Xi选择到Xj路径的概率为Pij；
子步骤5-6，更新黏菌群体对图像分割的聚类中心信息；
步骤6，黏菌群体评估图像全局分割区域，本发明采用基于代价函数最优的聚类方式，不同食物源对应不同的聚类中心集合。对图像数据集按此组聚类中心进行分类,将使得分割区域的目标函数达到最优值。本发明利用黏菌算法进行图像进行分割，图像分割可以看作是黏菌利用黏变形体在特征不同的像素点上收缩扩张，利用体内营养物质浓度作为信息搜索食物源，并最终得到最优食物源集合即是一组最佳分割区域的过程。包括以下子步骤；
子步骤6-1，判断终止条件；判断是否满足迭代次数t<＝T；决定是否结束；
子步骤6-2，判断误差条件是否满足；判断是否满足类间距离ε≤ε0；决定是否继续循环；
步骤7，输出黏菌群体对图像分割结果；黏菌群体图像分割结束的阶段，即输出最有价值食物源收缩迭代阶段，模仿黏菌群体活动的合作的结果；每个黏变形体在不断移动选择新的外部食物源，以便在自身营养物质约束的条件下以最短的路径进食最多的食物，不同黏菌群体的黏变形体能够交叉、合并、收缩；在图像分割结束时，在外部食物源较多的位置聚集较多的黏菌个体，在黏菌个体较集中的食物源中心可确定为较高的优先级或重要性；最终，黏菌群体利用重要性质以最高的效率传输外部食物源，即利用不同黏菌个体的集中度求解最优图像聚类中心，从而获得最佳分割区域。
包括以下子步骤；
子步骤7-1，输出分割后的图像和已分割区域S；如图3所示；
子步骤7-2，输出聚类中心灰度值；
子步骤7-3，输出聚类中心梯度值；
一方面，本方法模仿了黏菌群体觅食扩张时的信息传递机制，在已经探索过的路径上如没有发现外部食物源，原质团和黏变形体将会收缩，并留下化学物质(例如亲和性不好的黏液)，形成一个非分割区域，其他黏菌的黏变形体接触到该黏液便自行收缩，促使所有黏菌群体的原质团和黏变形体将向其他未探索过的区域(如无黏液)扩张，扩大范围继续寻找外部食物源。另一方面，本方法模仿了黏菌群体进食收缩时的信息传递机制，如果已经找到外部食物源，则将外部食物源转化为体内营养物质运输回体内，运输营养物质的路线上体内营养物质的浓度要高于周围区域，所有黏菌群体能够共享运输链路，并进一步收缩到体内营养物质浓度较高的运输路线上。当探索到新的外部食物源时，黏菌群体会尽可能利用其他黏菌已经形成的黏变形体运输路线，这样重要节点和重要运输路线上的黏变形体中营养物质浓度将进一步得到正反馈加强。
所述算法利用黏菌该方法模仿了单细胞黏菌群体在觅食过程中的科学规律，建立起以生物学和数学理论为基础的黏菌群体觅食运动规律模型，将图像分割问题描述为多食物源节点情况下的黏菌群体觅食问题。模拟黏菌群体活动的分工和合作行为，每个黏菌个体随机分布于不同的外部食物源节点上，每个黏菌个体自行分工，在各自所处位置上进行原质团扩张操作和交叉学习完成觅食，黏菌个体通过感知营养物质与营养物质的浓度来达到对黏变形体的引导作用，寻找局部的最优食物源。本发明利用黏菌算法较强的处理局部极值的能力确定了聚类数目和中心，再进一步优化得到全局分布特性的最优聚类，黏菌群体的聚类的过程就是搜索图像分割目标函数的全局最小解，将最小解中的一组聚类中心用来对数据集进行分类输出就是聚类结果，最后根据营养物质浓度来分割图像。
Claims (9)
1.一种基于人工黏菌群体智能的图像分割方法，其特征在于，包括以下步骤：
步骤1，进行待分割图像的初始化；
步骤2，进行黏菌群体参数的初始化；
步骤3，黏菌群体扩张寻找图像分割区域；
步骤4，黏菌群体互相学习分割区域信息；
步骤5，更新黏菌群体信息；
步骤6，黏菌群体评估图像全局分割区域；
步骤7，输出黏菌群体对图像分割结果；
所述步骤2包括以下步骤：
子步骤2-1，设置黏菌群体中单个黏菌的搜索半径为聚类半径r；设置已分割区域为空集S＝{}，设置非分割区域为空集S'＝{}；即黏菌群体尚未搜索任何像素点，整张图像均为未分割区域，尚未形成已分割区域或非分割区域；
子步骤2-2，设置图像分割的求解误差为ε0；
子步骤2-3，设置各个黏菌个体体内营养浓度置为0，即τij(0)＝0；图像分割看作是随机散步在原始图像的黏菌搜索食物源的过程，不同像素点具有不同的营养浓度，在分割区域上营养浓度差异大；
子步骤2-4，设置黏菌群体内任意像素点Xi到Xj的距离初始化为Dij＝0；设置黏变形体数量为m；后续计算采用欧式距离计算：其中，p为加权因子，其值根据像素三维向量Cj(V,G,Ne),j＝1,2…n对聚类的影响程度设定；
子步骤2-5，设置黏菌群体查找分割区域的概率阈值P0；模拟自然界黏菌的概率搜索行为；
子步骤2-6，设置黏菌群体营养物质量随时间的衰减速度ρ；模拟自然界黏菌的新阵代谢过程；
子步骤2-7，设置黏菌群体的自学习因子α；即α为黏变形体的历史信息启发因子，即黏变形体在向另一个像素点转移时，目标像素点历史累积的营养物质在指导黏菌搜索中选择像素点转移时的相对重要程度，反映了黏菌在路径搜索中经验性因素作用的强度；
子步骤2-8，设置黏菌群体的随机学习因子β；即β为黏变形体随机值启发式因子，反映了黏菌群体在随机搜索过程中启发信息在指导黏菌搜索中的相对重要程度，期望值启发因子β的大小反映了黏菌群体在道路搜索中先验性、确定性因素作用的强度，如果Pij(t)大于阈值P0，就将Xi合并到Xj的邻域内，令所有归并到Xj邻域的数据集和为Cj，则Cj＝{Xk|Dkj≤r,k＝1,2…J}。
2.根据权利要求1所述的方法，其特征在于，在步骤1中，在进行待分割图像的初始化时，为每个图像像素点设置不同营养浓度；整个待分割图像归类为未分割区域，为待分割图像构造一个描述灰度值信息的特征向量,将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成的信息特征向量,形成具有三维特征的数据集。
3.根据权利要求2所述的方法，其特征在于，所述步骤1包括以下具体步骤：
子步骤1-1，将食物源定义为待分割图像聚类中心的集合；给定待分割的原始图像X,每个像素点Xi看作是黏菌群体的未分割区域食物源集合C中的一个节点，其中i＝1,2,…n，即每个食物源是以灰度、梯度和邻域为特征的三维向量，即每个像素点都以待分割的信息作为食物源的参考依据；未分割区域为C＝{Xi}，其中，i＝1,2,...,n；
子步骤1-2，设置邻域像素点数量；对于任何一个待分割的二维图像，除了边缘像素点外，每个像素点都有8个邻域像素点；进一步地，初始化为邻域像素点数量为8，即包括该像素点周围8个相邻的所有像素点；进一步地，根据算法应用的需要，选择邻域像素点数量为4，即仅包括该像素点上下左右4个相邻的所有像素点，但不包括相邻4个角上的像素点；
子步骤1-3，为待分割图像的每个像素点设置邻域一致性分量；待分割图像像素点邻域内的灰度分布和非像素点邻域内的灰度分布不同，像素点邻域内灰度分布差异大，设待分割图像当前像素点编号为k＝1,2,…N,其坐标为(i,j),灰度值为gray(i,j)，以其为中心的邻域Ne＝{(x,y)||x-i|≤L,|y-i|≤L}中,L是邻域长度的一半,过中心点(i,j)以方向θk将该邻域分成两个部分KNe1和KNe2，其中,0°≤θk≤180°，定义待分割图像像素点的邻域一致性分量为Ne(i,j)＝max{|Grayk1-Grayk2|}，k＝1,2,…N，其中,Grayk1，Grayk2分别为待分割图像在方向θk两侧的灰度平均值；
子步骤1-4，为待分割图像的每个像素点设置结构性分量；设待分割图像第k＝1,2,…N个像素点的坐标为(i,j),以其为中心的邻域描述为Ne(i,j)＝max{|Grayk1-Grayk2|}中，L是邻域长度的一半，lθ是过中心点且角度为θ的一条直线,则定义像素点(i,j)结构性分量为其中，gray(m,n)表示像素点(i,j)邻域座标为(m,n)的像素点处的梯度幅值；
子步骤1-5，为待分割图像的每个像素点设置方向性分量；设待分割图像第k＝1,2,…N个像素点的坐标为(i,j),在以其为中心的邻域Ne＝{(x,y)||x-i|≤L,|y-i|≤L}中,L是邻域长度的一半,lθ是过中心点且角度为θ的一条直线，lθ将该邻域分成两部分KV1和KV2，则定义像素点(i,j)方向性信息测度分量为其中分别表示座标为(m,n)的像素点处位于两部分KV1和KV2的梯度幅值之和；
子步骤1-6，将待分割图像的每个像素点描述为三维向量Cj(V,G,Ne),j＝1,2…n；即将待分割图像的食物源使用聚类中心表示为Cj(V,G,Ne),j＝1,2…n，描述各个像素点的不同待分割特征，依次计算所有k＝1,2,…N个像素点，完成待分割图像所有像素点的初始化；
子步骤1-7，设置迭代总次数T；参数T的设置与待分割图像大小和分割精度有关，图像越大，精度要求越高，则T越大；反之，则T越小。
4.根据权利要求1所述的方法，其特征在于，在步骤2中，在进行黏菌群体参数的初始化时，黏菌群体对图像进行分割的过程就是觅食过程，即寻找一组聚类中心；黏菌群体根据分割图像和像素聚类过程中所积累的信息以及启发引导函数决定对路径选择的影响因子，即建立黏变形体转移像素点时学习机制。
5.根据权利要求1所述的方法，其特征在于，在步骤3中，黏菌群体扩张寻找图像分割区域时，黏菌群体互相学习分割区域信息，黏菌群体通过学习自己过去的经验以及其他黏菌共享的信息，更新自己黏变形体的位置，一方面黏菌根据自己所处的位置，以个体学习概率学习自己黏变形体搜索到的像素点信息，并移动到下一个像素点，尝试归为最优的聚类；另一方面通过黏菌个体与个体之间的交叉合作收缩操作，以邻居学习概率学习更远的邻居黏菌个体觅食信息和像素点信息，供自己黏变形体移动选择。
6.根据权利要求1或5所述的方法，其特征在于，所述步骤3包括以下步骤：
子步骤3-1，设置当前迭代次数t<＝T；首次进行图像分割计算时，设置t＝1；每一轮进行图像分割计算，执行t＝t+1；
子步骤3-2，黏菌群体使用多条黏菌形体在待分割图像上进行扩张；假设黏菌群体中某条黏变形体从像素点Xi选择到Xj路径的概率为Pij，则有其中，J表示黏菌群体下一步要归类的聚类中心，ηij(t)是引导函数启发式引导函数，基于黏菌群体算法中，ηij(t)是Dij的倒数；
子步骤3-3，黏菌群体找到分割区域；黏菌群体比较Pij(t)，如果Pij(t)大于阈值P0，就将Xi合并到Xj的邻域内；阈值P0设置过程见子步骤2-5；进一步地，令所有归并到Xj邻域的像素点集合为Cj，则Cj＝{Xk|Dkj≤r,k＝1,2…J}；
子步骤3-4，黏菌群体将未分割区域像素点添加到已分割区域，即已发现的食物源列表，S＝{XS|Dsj≤r,s＝1,2,…N}为已分割区域像素点集合；
子步骤3-5，计算黏菌群体的引导函数；引导函数用于度量当前像素点与聚类中心的相似度，用下面公式计算其中,r为聚类半径,其设置过程见子步骤2-1；因此，黏菌群体聚类半径越大，引导函数值越大，选择该聚类中心的概率随之增大；反之，待分割图像像素点与聚类中心之间的距离越大，则引导函数值越小，选择该聚类中心的概率就越小；黏菌群体将选择入分割区域的像素点集合Cj加入已分割区域S，将未选择入分割区域的像素点集合Cj加入未分割区域S’；
子步骤3-6，计算黏菌群体理想聚类中心为：进一步地，Oj包括多个分量，即Oj＝{Oij}；
子步骤3-7，计算黏菌群体第j个聚类中心的偏离误差：其中，其中，Oij表示第j个聚类中心Oj的第i个分量。
7.根据权利要求6所述的方法，其特征在于，在步骤4中，黏菌群体互相学习分割区域信息时，黏菌群体以步骤3中局部最优解为起点，在邻域内互相学习搜索食物源，不断循环下去，直至寻找到最优分割阈值和分割区域集合S。
8.根据权利要求7所述的方法，其特征在于，所述步骤4，包括以下步骤：
子步骤4-1，黏菌群体学习图像分割区域的价值；黏变形体在寻得的食物源邻域像素点周围寻找新的食物源，并计算所寻找到的食物源的价值，其目标函数计算为：
子步骤4-2，黏菌群体学习分割聚类中心信息；黏菌群体从每个邻域像素点中选出局部最佳聚类中心，按下式计算第j个聚类中心信息：其中j为Cj类中元素个数；否则，将该像素点记录在C集中，其中，C为黏菌群体未归类的像素集合；
子步骤4-3，黏菌群体计算总体图像分割误差其中，/>为第j个聚类中心的偏离误差；
子步骤4-4，判断阈值条件；当聚类中心间距即小于阈值，黏变形体将转移到当前的聚类中心，并更新第j个聚类中心；否则，黏变形体不转移，黏菌群体保持原状；因此，黏菌群体优先从较优的聚类中心取出最优食物源，即最优聚类中心作为图像已分割区域S。
9.根据权利要求1所述的方法，其特征在于，在步骤5中，更新黏菌群体信息，每经过一次循环，黏菌群体的图像分割信息需要进行更新调整，从而不断改进图像分割效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110975858.XA CN113744216B (zh) | 2021-08-24 | 2021-08-24 | 一种基于人工黏菌群体智能的图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110975858.XA CN113744216B (zh) | 2021-08-24 | 2021-08-24 | 一种基于人工黏菌群体智能的图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113744216A CN113744216A (zh) | 2021-12-03 |
| CN113744216B true CN113744216B (zh) | 2024-02-20 |
Family
ID=78732509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110975858.XA Active CN113744216B (zh) | 2021-08-24 | 2021-08-24 | 一种基于人工黏菌群体智能的图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744216B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258864B (zh) * | 2023-05-15 | 2023-07-28 | 山东昆仲信息科技有限公司 | 一种村庄规划建设大数据管理*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007147166A2 (en) * | 2006-06-16 | 2007-12-21 | Quantum Leap Research, Inc. | Consilence of data-mining |
| CN110288131A (zh) * | 2019-06-04 | 2019-09-27 | 三峡大学 | 基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法 |
| CN110298491A (zh) * | 2019-06-04 | 2019-10-01 | 三峡大学 | 一种基于黏菌群体智能的交通网络节点选择方法 |
-
2021
- 2021-08-24 CN CN202110975858.XA patent/CN113744216B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007147166A2 (en) * | 2006-06-16 | 2007-12-21 | Quantum Leap Research, Inc. | Consilence of data-mining |
| CN110288131A (zh) * | 2019-06-04 | 2019-09-27 | 三峡大学 | 基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法 |
| CN110298491A (zh) * | 2019-06-04 | 2019-10-01 | 三峡大学 | 一种基于黏菌群体智能的交通网络节点选择方法 |
Non-Patent Citations (1)
| Title |
|---|
| a node selecting approach for traffic network based on artificial slime mold;ZHENGYING CAI 等;《IEEEAccess》;第8436-8448 页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113744216A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191732B (zh) | 一种基于全自动学习的目标检测方法 | |
| CN106682696B (zh) | 基于在线示例分类器精化的多示例检测网络及其训练方法 | |
| Mohamad et al. | Bacteria identification from microscopic morphology: a survey | |
| Wang et al. | Modified salp swarm algorithm based multilevel thresholding for color image segmentation | |
| CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN101814063A (zh) | 基于距离权重的全局k-均值聚类算法 | |
| CN114360652B (zh) | 细胞株相似性评价方法及相似细胞株培养基配方推荐方法 | |
| CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
| Chouhan et al. | Plants leaf segmentation using bacterial foraging optimization algorithm | |
| Yu et al. | Deep latent graph matching | |
| CN115761240B (zh) | 一种混沌反向传播图神经网络的图像语义分割方法及装置 | |
| CN111611972A (zh) | 基于多视图多任务集成学习的作物叶片种类识别方法 | |
| CN113744216B (zh) | 一种基于人工黏菌群体智能的图像分割方法 | |
| Saidala et al. | Multi-swarm whale optimization algorithm for data clustering problems using multiple cooperative strategies | |
| Kreshuk et al. | Who is talking to whom: synaptic partner detection in anisotropic volumes of insect brain | |
| CN114581451A (zh) | 一种基于散射图神经网络的大脑磁共振图像分割方法 | |
| CN117011714A (zh) | 基于伪标签辅助的高光谱图像分类方法 | |
| Qiao et al. | A multi-level thresholding image segmentation method using hybrid Arithmetic Optimization and Harris Hawks Optimizer algorithms | |
| Liu et al. | A collaborative dragonfly algorithm with novel communication strategy and application for multi-thresholding color image segmentation | |
| CN113744296B (zh) | 一种基于人工黏菌群体智能的图像边缘检测方法 | |
| CN112509017A (zh) | 一种基于可学习差分算法的遥感影像变化检测方法 | |
| CN108388769A (zh) | 基于边驱动的标签传播算法的蛋白质功能模块识别方法 | |
| CN110047088B (zh) | 一种基于改进教与学优化算法的ht-29图像分割方法 | |
| CN105354585A (zh) | 一种基于改进猫群算法的目标提取与分类的方法 | |
| Zhao et al. | A pipeline for fair comparison of graph neural networks in node classification tasks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |