基于改進(jìn)狼群算法的最大熵圖像分割法

王玉銀 羅培中

摘? 要： 圖像分割是圖像處理的關(guān)鍵技術(shù)。為了提高圖像分割的效率，文章提出基于改進(jìn)狼群算法的最大熵圖像分割法，修改狼群算法中固定步長為自適應(yīng)步長，并將其應(yīng)用于最大熵閾值計(jì)算中，通過尋找最優(yōu)閾值來實(shí)現(xiàn)圖像分割。仿真結(jié)果表明，該方法能夠快速、準(zhǔn)確地找到分割閾值，在一定程度上改善圖像的分割效果。

關(guān)鍵詞： 圖像分割; 最大熵; 狼群算法; 最優(yōu)閾值

中圖分類號(hào)：TP391.9;TP312? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：1006-8228（2020）12-50-03

Abstract： Image segmentation is the key technology of image processing. In order to improve the efficiency of image segmentation， a maximum entropy image segmentation method with improved wolf colony algorithm is proposed， the fixed step size in wolf colony algorithm is modified to adaptive step size， and it is applied to calculate the maximum entropy threshold， and the image segmentation is realized by finding the optimal threshold. The simulation results show that the method can quickly and accurately find the segmentation threshold， and improve the image segmentation effect to a certain extent.

Key words： image segmentation; maximum entropy; wolf colony algorithm; the optimal threshold

0 引言

圖像分割是一種重要的圖像技術(shù)，是圖像處理和圖像識(shí)別的基礎(chǔ)。圖像分割在實(shí)際中已得到廣泛的應(yīng)用[1]，例如衛(wèi)星圖像、醫(yī)學(xué)圖像、面部識(shí)別以及軍事、農(nóng)業(yè)工程等方面。圖像分割是將圖像中有意義的部分提取出來。群體智能優(yōu)化算法作為一種新型的優(yōu)化方法，因其簡單、有效，被廣泛應(yīng)用于各個(gè)領(lǐng)域。為了改善圖像的分割效果[2]，本文提出一種基于改進(jìn)狼群算法的圖像分割法。首先計(jì)算最大熵法的閾值目標(biāo)函數(shù)，然后使用改進(jìn)狼群算法對目標(biāo)函數(shù)進(jìn)行計(jì)算，得到圖像的最優(yōu)分割閾值，最后根據(jù)閾值進(jìn)行分割。

1 相關(guān)理論

1.1 最大熵法

圖像信息熵是圖像所包含的平均信息量，最大熵對應(yīng)的閾值即為圖像分割閾值。圖像的二維熵是由圖像中灰度分布特征信息和鄰域灰度均值構(gòu)成的特征二元組。

令（i，j）表示二元組，其中i表示像素的灰度值，j表示鄰域灰度均值。f（i，j）為二元組（i，j）出現(xiàn)的頻數(shù)，則有：

1.2 狼群算法

狼群算法是模擬自然界狼群行為，算法主要有兩個(gè)準(zhǔn)則和三種智能行為，即“勝者為王”的頭狼產(chǎn)生規(guī)則和“強(qiáng)者生存”的狼群更新原則以及探狼游走、頭狼召喚和猛狼圍攻三種行為構(gòu)成。另外狼群是捕獲獵物后并不是平均分配，而是按照由強(qiáng)到弱的方式分配，即先分配給最先捕到獵物的狼，再分配給弱小的狼。

狼群算法的幾個(gè)規(guī)則：

⑴ 頭狼產(chǎn)生規(guī)則

在初始解空間中，目標(biāo)函數(shù)值最優(yōu)的人工狼為頭狼;在迭代過程中，每次迭代后對最優(yōu)狼的目標(biāo)函數(shù)與上一次迭代中頭狼的位置進(jìn)行比較，如果更優(yōu)則更新頭狼位置，如果存在多個(gè)相同解的情況下，則隨機(jī)選擇一個(gè)解為頭狼位置。

⑵ 探狼游走行為

選取目標(biāo)函數(shù)值最佳的幾匹人工狼（除頭狼外）為探狼，記錄當(dāng)前探狼的目標(biāo)函數(shù)值，接著探狼向h個(gè)方向游走（令游走步長為[stepa]），則第p（p=1，2，…，h）方向上探狼所處的位置為：[xpi=xi+sin（2π×ph）×stepa]，計(jì)算每個(gè)方向探狼所處的函數(shù)值，選擇函數(shù)值最大且大于當(dāng)前函數(shù)值的方向前進(jìn)，更新探狼的轉(zhuǎn)態(tài)，重復(fù)游走行為直到達(dá)到最大游走次數(shù)或者某匹狼的函數(shù)值大于頭狼，則代替頭狼發(fā)出召喚行為，更新頭狼的位置。

⑶ 召喚行為

頭狼發(fā)出召喚行為，猛狼（除了頭狼、探狼之外）以較大的奔襲步長向頭狼位置逼近。奔襲過程中，如果猛狼的位置優(yōu)于頭狼，則猛狼替換頭狼，發(fā)出召喚行為[4]。否則猛狼繼續(xù)奔襲，直到距離頭狼位置小于圍攻距離，轉(zhuǎn)換為圍攻行為。

⑷ 圍攻行為

當(dāng)猛狼距離頭狼較近時(shí)，將聯(lián)合探狼進(jìn)入圍攻行為并捕獲。若圍攻過程中，人工狼的目標(biāo)函數(shù)值優(yōu)于頭狼[4]，則代替頭狼發(fā)出召喚行為，否則人工狼位置不變。

1.3 改進(jìn)狼群算法

針對狼群算法對局部區(qū)域搜索較粗略，容易過早局部收斂[5]，提出一種自適應(yīng)步長的狼群算法。主要表現(xiàn)在個(gè)體狼召喚行為和圍攻行為，具體如下：

⑴ 改進(jìn)的召喚行為

在基本狼群算法中，召喚行為的奔襲步長固定不變，搜索范圍有限。因此，步長計(jì)算中加入動(dòng)態(tài)慣性權(quán)重系數(shù)[6]，使奔襲步長和狼群算法的適應(yīng)度值之間建立關(guān)聯(lián)，根據(jù)狼群算法的適應(yīng)度值變化而自動(dòng)調(diào)整大小。從而提高算法在搜索過程中的多樣性。奔襲步長計(jì)算公式：

2 基于改進(jìn)狼群算法的最大熵法

⑴算法初始化。初始化狼群規(guī)模、空間維數(shù)、最大迭代次數(shù)、探狼比例因子、距離判定因子、圍攻距離、探索方向等。

⑵初始化狼群位置，按適應(yīng)度函數(shù)降序排列，頭狼為第一位。

⑶根據(jù)探狼比例因子計(jì)算探狼數(shù)目，探狼開始游走，游走過程中，選取目標(biāo)函數(shù)值最大且大于當(dāng)前目標(biāo)函數(shù)的方向前進(jìn)一步。如果探狼的目標(biāo)函數(shù)值大于頭狼，更新頭狼信息，發(fā)出召喚。若沒有發(fā)現(xiàn)，探狼將繼續(xù)游走直到達(dá)到最大游走次數(shù)，頭狼在原本的位置發(fā)出召喚行為。

⑷ 猛狼聽到頭狼召喚，以奔襲步長公式（式⑹）快速靠近頭狼，若奔襲中，猛狼的目標(biāo)函數(shù)值大于頭狼，則代替頭狼發(fā)出召喚，退出當(dāng)前循環(huán)。否則，繼續(xù)奔襲直至到達(dá)圍攻距離。

⑸ 到達(dá)圍攻距離后，猛狼和探狼對獵物（頭狼視為獵物）根據(jù)圍攻步長公式（式⑺）進(jìn)行圍捕，若在圍捕過程中，人工狼的函數(shù)值大于頭狼的值，則更新頭狼位置，直到捕獲獵物。

⑹ 對狼群中的目標(biāo)函數(shù)值重新排序，更新狼群，隨機(jī)生成新的人工狼代替目標(biāo)函數(shù)值較小的狼。

⑺ 判斷目標(biāo)函數(shù)值是否滿足結(jié)束條件或者算法是否達(dá)到最大次數(shù)，若滿足則結(jié)束，計(jì)算出最優(yōu)閾值。不滿足重復(fù)執(zhí)行，直到滿足條件為止。

⑻ 根據(jù)閾值進(jìn)行圖像分割。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證改進(jìn)狼群算法對最大熵閾值選取方面的可行性，本文對2幅圖像進(jìn)行了試驗(yàn)，分割結(jié)果如圖1所示。初始化設(shè)定狼群規(guī)模為20、空間維數(shù)為2、最大迭代次數(shù)為500、最大游走次數(shù)為20、探狼比例因子為4、更新比例因子為6、距離判定因子為600、搜索范圍為[1，256]，探狼的探索方向?yàn)?0。用改進(jìn)狼群算法和基本狼群算法對圖像進(jìn)行100次重復(fù)試驗(yàn)，統(tǒng)計(jì)出兩種方法計(jì)算最大熵分別得到結(jié)果相同的次數(shù)情況，試驗(yàn)結(jié)果如表1所示。

4 結(jié)論

針對基本狼群算法在計(jì)算最大熵閾值時(shí)，易陷入局部收斂，提出一種改進(jìn)狼群算法。實(shí)驗(yàn)結(jié)果表明，將改進(jìn)狼群算法用于最大熵閾值計(jì)算，能提高圖像分割的速度和執(zhí)行效率。在圖像處理領(lǐng)域有較大的應(yīng)用潛力。由于圖像分割主要是針對具體的圖像進(jìn)行分割，而改進(jìn)后算法的通用性有待進(jìn)一步研究。

參考文獻(xiàn)（References）：

[1] 馮博.基于多智能體的圖像分割[D].西安電子科技大學(xué)，2009.

[2] 吳鵬.螢火蟲算法優(yōu)化最大熵的圖像分割方法[J].計(jì)算機(jī)工程與應(yīng)用，2014.50（12）：115-119

[3] 石帥，王睿，文思思，湯盈盈.基于機(jī)器視覺的隧道襯砌裂縫圖像分割處理算法研究[J].高速鐵路技術(shù)，2020.11（1）：17-22

[4] 黃達(dá).基于改進(jìn)快速學(xué)習(xí)網(wǎng)的鍋爐燃燒優(yōu)化研究與應(yīng)用[D].燕山大學(xué)，2019.

[5] 惠曉濱，郭慶，吳娉娉，趙昱.一種改進(jìn)的狼群算法[J].控制與決策，2017.32（7）：1163-1172

[6] 師喜婷.狼群算法的改進(jìn)及其在復(fù)雜函數(shù)優(yōu)化問題中的應(yīng)用[D].西安理工大學(xué)，2018.