基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统

摘要

本发明公开了一种基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法，其包括步骤：S1：获取待分割的紫外图像；S2:用公式替代蝙蝠算法中的速度和位置更新操作。S3：将大津算法中的类间方差函数作为蝙蝠算法的目标函数，将类间方差函数对应的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量；S4：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的紫外图像分割为背景区域和目标区域。此外，本发明还公开了相应的系统。本发明能实现快速地对待分割的紫外图像进行分割。相对于现有的紫外图像阈值分割方法，有效提高了阈值选取速度。

说明书

技术领域

本发明涉及紫外图像分割技术，尤其涉及一种基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割方法及系统。

背景技术

电力设备紫外图像是黑白图像，具有强度集中和对比度高等特性，传统的图像分割算法往往不能很好地将目标与背景分离。若采用人为圈定感兴趣区域，显然会大大降低智能诊断系统的效率。图像阈值自动选取方法的研究长期以来吸引着众多学者，寻找简单实用、自适应强的阈值自动选取方法是这些研宄者们的共同目标。Otsu在1979年提出的大津算法(也称为最大类间方差法或Otsu方法)一直被认为是阈值自动选取方法的最优方法之一，该方法计算简单，在一定条件下不受图像对比度与亮度变化的影响，因而在一些实时图像处理系统中得到了广泛的应用。

然而，在实际图像中，大津算法虽然分割性能较好，但计算量非常巨大。大津算法虽然有效解决了紫外图像二值化分割过程中阈值选取困难的问题，但在阈值分割速度上往往不能满足后续设备紫外场实时特征提取与分析的需求，再者原始蝙蝠算法法缺乏变异机制，个体容易被局部极值吸引而导致早熟收敛，种群不易保持多样性和算法仿生过程与真实情况有较大差异两个缺陷。

发明内容

本发明的目的之一是提供一种基于具有Lévy飞行特征的蝙蝠算法优化大津算法的紫外图像分割方法及系统，其能快速地对待分割的紫外图像进行分割，从而满足后续设备紫外场实时特征提取与分析的需求。

本发明的目的是通过以下技术方案实现的：

基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法，其特征在于：

包括如下步骤：

步骤S1：获取待分割的紫外图像；

步骤S2:改进算法中用式

步骤S3：将大津算法中的类间方差函数作为蝙蝠算法的目标函数，将所述类间方差函数对应的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量；

步骤S4：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的紫外图像分割为背景区域和目标区域。

进一步，所述步骤S3中还对所述蝙蝠算法的参数进行初始化，所述蝙蝠算法的参数包括蝙蝠参数、飞行尺度参数和迭代参数或搜索精度。

进一步，所述蝙蝠参数包括蝙蝠的初始位置、初始速度、跳跃步长L

进一步，所述蝙蝠参数还包括但不限于：蝙蝠的初始脉冲频度r

进一步，所述步骤S3中的类间方差函数为：σ

进一步，所述步骤S4中基于目标函数的值判断各蝙蝠优劣，找出全局最优蝙蝠。

进一步，所述步骤S4中还更新迭代各蝙蝠参数，并基于目标函数的值判断各蝙蝠优劣，更新全局最优。

进一步，所述迭代参数包括最大迭代次数N，若达到最大迭代次数N，则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。

进一步，所述迭代参数包括连续迭代不变次数M，若在连续迭代不变次数M内所述全局最优蝙蝠保持不变，则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值

本发明的目的之二是通过以下技术方案实现的：

基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割系统，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，，其特征在于：所述处理器执行所述计算机程序时实现如前所述的方法。

本发明的有益效果是：

1)充分利用Lévy飞行随机游走的特性，在搜索过程中借助Lévy飞行会产生较大跳跃且方向多次急剧改变，来有效避免蝙蝠个体被局部吸引子束缚，同时拓展了搜索空间，能够有效提高蝙蝠算法在高维复杂空间的优化效果，再结合蝙蝠的回声定位特征，有助于从本质上提升蝙蝠算法的性能；

2)以背景图像与目标图像间的类间方差为基础进行最大类间方差计算，准确地寻找最优阈值以对图像的背景与目标进行准确有效的分割；

3)采用类间方差公式作为蝙蝠算法的寻优评估函数，快速寻找图像中最优分割阈值，并将其用于当前图像的二值化分割，提高了图像的分割速度；

4)相对于现有的紫外图像阈值分割方法，有效提高了阈值选取速度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为基于具有Lévy飞行特征的蝙蝠算法和大津法方法的步骤示意图；

图2为Lévy飞行特征的示意图；

图3为基于具有Lévy飞行特征的蝙蝠算法和大津法结合的流程示意图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

如图1所示，图1示意了本发明所述的基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割方法的基本流程。

本发明的紫外图像分割方法包括如下步骤：

步骤S1：获取待分割的紫外图像。

步骤S2：将大津算法中的类间方差函数作为蝙蝠算法的目标函数，将类间方差函数对应的分割阈值变量作为蝙蝠算法中的蝙蝠位置变量。

在某些实施方式下，该步骤中还对蝙蝠算法的参数进行初始化，蝙蝠算法的参数包括蝙蝠参数、飞行尺度参数和迭代参数或搜索精度。

在某些实施方式下，该步骤中蝙蝠参数包括蝙蝠的初始位置和初始速度、跳跃步长L

在某些实施方式下，所述蝙蝠参数还包括蝙蝠的初始脉冲频度r

在某些实施方式下，该步骤中的类间方差函数为：σ

本实施例中，该步骤中蝙蝠为蝙蝠种群，蝙蝠参数包括蝙蝠数量和蝙蝠编号。

步骤S3：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的紫外图像分割为背景区域和目标区域。

在某些实施方式下，该步骤中基于目标函数的值判断各蝙蝠优劣，找出全局最优的值判断各蝙蝠优劣，更新全局最优蝙蝠。该步骤中迭代参数包括最大迭代次数N，若达到最大迭代次数N，则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。在某些实施方式下，该步骤中迭代参数包括连续迭代不变次数M，若在连续迭代不变次数M内全局最优蝙蝠保持不变，则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。

图2模拟的是Lévy飞行模式蝙蝠的飞行搜索行为，在Levy飞行中,短距离深入和偶尔的长距离行走交替发生,因此搜索的部分解靠近局部最优值,从而加快了搜索速度；搜索的另一部分解远离局部最优值,可以避免算法陷入局部最优。

图3示意了本发明实施例的基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割方法的流程图。

如图3所示，本实施例通过上述计算机运行软件实现以下步骤：

步骤10：获取待分割的紫外图像

该步骤中，导入分辨率为240×320的电力设备原图，将其作为待分割的紫外图像。

间方差函数对应的分割阈值变量作为蝙蝠算法中的蝙蝠位置变量。

该步骤中，对蝙蝠算法的参数进行初始化，蝙蝠算法的参数包括蝙蝠参数和迭代参数，其中：蝙蝠参数初始化包括设定投放的蝙蝠种群中的蝙蝠数量n＝20和蝙蝠编号i＝0、1……20。蝙蝠的初始位置

该步骤中定义紫外图像分割阈值T对应的类间方差函数为：σ

选取类间方差σ

步骤S3：基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置，将该蝙蝠位置作为最优分割阈值将所述待分割的紫外图像分割为背景区域和目标区域，本实施例中，包括步骤：

步骤S301：基于目标函数的值判断各蝙蝠优劣，找出全局最优蝙蝠。

步骤S302：更新迭代各蝙蝠参数，并基于目标函数的值判断各蝙蝠优劣，更新全局最优蝙蝠。

本实施例中，在局部搜索过程中，选取当前蝙蝠群中的最优蝙蝠(本实施例中，此最优蝙蝠设为当次迭代中20个蝙蝠的最优蝙蝠)，将该蝙蝠的位置更新为

步骤S303：若达到最大迭代次数N，或者在连续迭代不变次数M内全局最优蝙蝠保持不变，则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。

该步骤中，若达到最大迭代次数50或连续三次迭代过程中最优蝙蝠位置保持不变则输出最优解，即将当前全局最优蝙蝠的蝙蝠位置x

本发明采用Lévy飞行模式来模拟蝙蝠的飞行搜索行为，充分利用Lévy飞行随机游走的特性，在搜索过程中借助Lévy飞行会产生较大跳跃且方向多次急剧改变，来有效避免蝙蝠个体被局部吸引子束缚，同时拓展了搜索空间，能够有效提高蝙蝠算法在高维复杂空间的优化效果，再结合蝙蝠的回声定位特征，有助于从本质上提升蝙蝠算法的性能。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。