基于麻雀搜索算法的图像分割方法、电子设备及存储介质

1.本发明涉及高维空间优化技术领域，具体而言，涉及一种基于莱维飞行麻雀搜索优化的otsu多阈值图像分割方法、电子设备及存储介质。


背景技术：

2.图像分割作为图像处理领域的一类经典难题，吸引了国内外众多学者的广泛关注与深入研究。
3.图像分割方法中的阈值分割策略是一类性能优异、应用广泛的分割方法。阈值分割的核心是通过一定的准则寻找最优的阈值以实现快速准确分割的目标，对于整个图像分割阈值分割表现出较好的分割性能且应用广泛，但也不可避免地存在一些不足，如计算时间较长，分割精度不够高。阈值分割主要有最大类间方差法，一些学者通过引入群智能优化策略以改进阈值分割从而取得了较好地实验效果。其中，分水岭分割策略引入蚁群算法促进聚类合并解决噪声敏感使得分割过剩的问题，但算法运行时间过长。
4.麻雀搜索算法(sparrow search algorithm，ssa)最早于2020年由学者薛建凯提出，采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法。该策略相比于粒子群优化算法(particle swarm optimization，pso)、灰狼优化算法(grey wolf optimizer，gwo)表现出更优异的搜索性能。但其在搜索过程中仍存在易陷入局部最优，寻优时间过长的不足问题。使群智能算法优化多阈值图像分割策略易陷入局部最优，导致搜索精度不高等问题。
5.因此，亟需提高多阈值图像分割的应用性能，亟待研发一种同时提高收敛速度和求解精度的图像分割方法。


技术实现要素：

6.本发明要解决的技术问题是如何实现多阈值图像分割的应用性能提升，在保持算法全局寻优能力的基础上大幅度提高收敛速度和求解精度。
7.为解决上述技术问题，根据本发明的一个方面，提供一种基于莱维飞行麻雀搜索优化算法的图像分割方法，该方法包括如下步骤：s1：参数设置，设置麻雀种群规模数n，初始化麻雀发现者数量pd，警戒者数量sd，设置寻食步数计数器t＝0，最大寻食迭代次数为mcn；s2：初始化种群，在搜索区域内利用sin混沌模型进行初始化种群分布，用于增加种群搜索的多样性，产生n个向量xi(i＝1,2,
…
,n)，计算适应度值，记录适应度值的最佳和最差个体位置；s3：发现者搜索，根据麻雀搜索算法采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法，进行发现者位置搜索更新；s4：加入者搜索，根据麻雀搜索算法采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法，进行加入者位置搜索更新；s5：警戒者搜索，根据麻雀搜索算法采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法，进行警戒者位置搜索更新；s6：适应度值计算位置更新，比较当前最优值y
min
与min全局最优值，若有y
min
＜min，xg(t)为当前全局最优位置，则令min＝y
min
,xg(t)＝x'g(t)，
记录当前所有麻雀找到的最优食物源，即全局最优解s
*
；s7：莱维飞行机制，随机生成一个数rnd，根据概率pi，如果rnd＜pi，采用轮盘赌的选择机制，根据莱维飞行步长扰动策略对满足条件的麻雀进行莱维飞行搜索；s8：更新迭代次数t＝t+1，若满足当前迭代次数t＞mcn，则搜索停止，输出全局最优位置xg和搜索结果f(xg)，否则，若不满足当前迭代次数t＞mcn，则转s3继续执行。
8.根据本发明的实施例，步骤s2用于初始化种群分布的sin混沌模型可为：
[0009][0010]
其中，xn∈[-1,1]且xn≠0，n＝0,1,...,n，通过式(1)以产生数值不同的混沌序列，从而增加初始空间分布的多样性。
[0011]
根据本发明的实施例，步骤s3发现者位置搜索更新的位置可变化如式(2)所示：
[0012][0013]
其中，当前迭代数表示为t，表示种群中第i只麻雀在第j维度上的位置，i＝1,2,...n,j＝1,2,...,d,d是搜索空间的维数，iter
max
为常数，表示最大迭代次数，α∈(0,1]表示随机数。q表示服从正态分布的一个随机数。预警参数r2取值范围为r2∈[0,1]，安全参数st的取值范围st∈[0.5,1]，l是一个1
×
d的矩阵向量，所有元素值为1；当满足条件r2＜st，说明未出现捕食者，发现者可进行大范围的觅食搜索，反之，表示出现捕食者应立即给同伴预警，同时转移新的搜寻位置。
[0014]
根据本发明的实施例，步骤s4加入者位置搜索更新的位置可如式(3)所示：
[0015][0016]
其中，x
p
为发现者获得的最优位置，x
worst
表示当前迭代全局的最差位置，a为一个1
×
d的矩阵向量，向量中的元素随机选择1或-1进行赋值，并且满足条件a
+
＝a
t
(aa
t
)-1
，当满足条件i＞n/2的情况下，说明第i个适应度值较低的加入者获取食物失败，则转移觅食搜索。
[0017]
根据本发明的实施例，警戒者具有敏锐发觉有危险的麻雀的能力，步骤s5警戒者位置搜索更新的初始位置可表示如式(4)所示：
[0018][0019]
其中，x
best
表示当前迭代中全局最优位置，常数ε为一个最小值，步长控制参数β服从正态分布，随机值k取值范围在-1到1之间，fw表示全局最差适应度值、fg为全局最优适应度值，fi则表示当前麻雀个体的适应度值。
[0020]
根据本发明的实施例，步骤s7采用莱维飞行步长扰动策略，麻雀位置更新在原有的更新策略基础上进行步长扰动，可定义为：
[0021]vi,j
＝v
i,j
*stepi………………………………………………………………
(5)
[0022]
根据本发明的第二个方面，提供一种电子设备，其包括：存储器、处理器及存储在存储器上并可在处理器上运行的图像分割程序，图像分割程序被处理器执行时实现上述的图像分割方法的步骤。
[0023]
根据本发明的第三个方面，提供一种计算机存储介质，该计算机存储介质上存储有图像分割程序，图像分割程序被处理器执行时实现上述的图像分割方法的步骤。
[0024]
与现有技术相比，本发明的实施例所提供的技术方案至少可实现如下有益效果：
[0025]
本发明受布谷鸟搜索(cuckoo search，cs)策略的启示，将莱维飞行扰动策略融入到麻雀种群觅食搜索的过程中，提出一种改进的基于莱维飞行扰动策略的麻雀搜索算法(levy sparrow search algorithm，lssa)，以增加图像分割空间搜索的多样性，从而提高分割精度，避免搜索过程陷入局部最优；同时嵌入sin混沌搜索机制，改进种群初始化策略，加强搜索性能。最终实现多阈值图像分割的应用性能提升，在保持算法全局寻优能力的基础上大幅度提高收敛速度和求解精度。对经典的图像多阈值分割的实验结果表明，本发明方法相比于传统的智能优化策略，在寻优率和分割精度方面提升显著，收敛能力强。
附图说明
[0026]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
[0027]
图1是示出依据本发明的基于麻雀搜索算法的图像分割方法流程图。
[0028]
图2是示出依据本发明的基于麻雀搜索算法的图像分割所用测试图。
[0029]
图3是示出依据本发明的基于otsu的lssa算法的cameraman多阈值分割效果图。
[0030]
图4是示出依据本发明的基于otsu的智能优化算法baboon六阈值分割效果图。
[0031]
图5是示出依据本发明的基于otsu的智能优化算法horses三阈值分割效果图。
具体实施方式
[0032]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0033]
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。
[0034]
图1是示出依据本发明的基于麻雀搜索算法的图像分割方法流程图。
[0035]
如图1所示，基于莱维飞行麻雀搜索优化算法的图像分割方法包括如下步骤：
[0036]
s1：参数设置，设置麻雀种群规模数n，初始化麻雀发现者数量pd，警戒者数量sd，设置寻食步数计数器t＝0，最大寻食迭代次数为mcn。
[0037]
s2：初始化种群，在搜索区域内利用sin混沌模型进行初始化种群分布，用于增加种群搜索的多样性，产生n个向量xi(i＝1,2,
…
,n)，计算适应度值，记录适应度值的最佳和最差个体位置。
[0038]
s3：发现者搜索，根据麻雀搜索算法采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法，进行发现者位置搜索更新。
[0039]
s4：加入者搜索，根据麻雀搜索算法采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法，进行加入者位置搜索更新。
[0040]
s5：警戒者搜索，根据麻雀搜索算法采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法，进行警戒者位置搜索更新。
[0041]
s6：适应度值计算位置更新，比较当前最优值y
min
与min全局最优值，若有y
min
＜min，xg(t)为当前全局最优位置，则令min＝y
min
,xg(t)＝x'g(t)，记录当前所有麻雀找到的最优食物源，即全局最优解s
*
。
[0042]
s7：莱维飞行机制，随机生成一个数rnd，根据概率pi，如果rnd＜pi，采用轮盘赌的选择机制，根据莱维飞行步长扰动策略对满足条件的麻雀进行莱维飞行搜索。
[0043]
s8：更新迭代次数t＝t+1，若满足当前迭代次数t＞mcn，则搜索停止，输出全局最优位置xg和搜索结果f(xg)，否则，若不满足当前迭代次数t＞mcn，则转s3继续执行。
[0044]
本发明受布谷鸟搜索(cuckoo search，cs)策略的启示，将莱维飞行扰动策略融入到麻雀种群觅食搜索的过程中，提出一种改进的基于莱维飞行扰动策略的麻雀搜索算法(levy sparrow search algorithm，lssa)，以增加图像分割空间搜索的多样性，从而提高分割精度，避免搜索过程陷入局部最优；同时嵌入sin混沌搜索机制，改进种群初始化策略，加强搜索性能。最终实现多阈值图像分割的应用性能提升，在保持算法全局寻优能力的基础上大幅度提高收敛速度和求解精度。对经典的图像多阈值分割的实验结果表明，本发明方法相比于传统的智能优化策略，在寻优率和分割精度方面提升显著，收敛能力强。
[0045]
根据本发明的一个或一些实施例，步骤s2用于初始化种群分布的sin混沌模型为：
[0046][0047]
其中，xn∈[-1,1]且xn≠0，n＝0,1,...,n，通过式(1)以产生数值不同的混沌序列，从而增加初始空间分布的多样性。
[0048]
根据本发明的一个或一些实施例，步骤s3发现者位置搜索更新的位置变化如式(2)所示：
[0049][0050]
其中，当前迭代数表示为t，表示种群中第i只麻雀在第j维度上的位置，i＝1,2,...n,j＝1,2,...,d,d是搜索空间的维数，iter
max
为常数，表示最大迭代次数，α∈(0,1]表示随机数。q表示服从正态分布的一个随机数。预警参数r2取值范围为r2∈[0,1]，安全参数st的取值范围st∈[0.5,1]，l是一个1
×
d的矩阵向量，所有元素值为1；当满足条件r2＜st，说明未出现捕食者，发现者可进行大范围的觅食搜索，反之，表示出现捕食者应立即给同伴预警，同时转移新的搜寻位置。
[0051]
根据本发明的一个或一些实施例，步骤s4加入者位置搜索更新的位置如式(3)所示：
[0052][0053]
其中，x
p
为发现者获得的最优位置，x
worst
表示当前迭代全局的最差位置，a为一个1
×
d的矩阵向量，向量中的元素随机选择1或-1进行赋值，并且满足条件a
+
＝a
t
(aa
t
)-1
，当满足条件i＞n/2的情况下，说明第i个适应度值较低的加入者获取食物失败，则转移觅食搜索。
[0054]
根据本发明的一个或一些实施例，警戒者具有敏锐发觉有危险的麻雀的能力，步骤s5警戒者位置搜索更新的初始位置表示如式(4)所示：
[0055][0056]
其中，x
best
表示当前迭代中全局最优位置，常数ε为一个最小值，步长控制参数β服从正态分布，随机值k取值范围在-1到1之间，fw表示全局最差适应度值、fg为全局最优适应度值，fi则表示当前麻雀个体的适应度值。
[0057]
根据本发明的一个或一些实施例，步骤s7采用莱维飞行步长扰动策略，麻雀位置更新在原有的更新策略基础上进行步长扰动，定义为：
[0058]vi,j
＝v
i,j
*stepi………………………………………………………………
(5)
[0059]
推导过程说明如下：
[0060]
引入最大类间方差法(otsu)。最大类间方差法作为一种非参数类型的图像分割最大类间方差策略最早是1979年由日本学者otsu所提出，该方法利用求解中间方差的最大值从而实现图像的有效分割。为了更好的理解多阈值图像分割，首先对单阈值图像分割思想进行简要阐述。
[0061]
图像的单阈值分割。otsu单阈值图像分割原理为：假设待分割的图像表示为i(x,y)，图像的大小为h
×
w，最大灰度级用l表示，取值为256，通常一幅图像的灰度级范围为[0,1,...,l-1]，用ni表示灰度级为i的像素个数，像素总数n＝n1+n2+
…
+n
l-1
，灰度级i在图像中出现的概率表示为：
[0062][0063]
通常单阈值图像分割是设置最优阈值t将目标图像分割为两类，其类别像素的概率表示为式(7)，目标图像总均值表示为式(8)所示：
[0064][0065][0066]
μ0和μ1分别表示图像分割后两类均值，见式(9)和式(10)。
[0067][0068]
[0069]
根据式(9)和式(10)，可以将式(8)表示为式(11)，类别像素概率ω0和ω1满足关系ω0+ω1＝1。
[0070]
μ
t
＝ω0μ0+ω1μ1,ω0+ω1＝1
……………………………………………………
(11)
[0071]
确定图像分割的两个类别方差σ0和σ1的类间方差表示为f(t)＝σ0+σ1，如式(12)所示。最终确定目标图像单阈值分割的全局最优阈值t，见式(13)所示。
[0072][0073][0074]
图像的多阈值分割。图像的多阈值分割是对单阈值类别的拓展，若目标图像拟分割为k层，这图像多阈值分割的类间方差f(t)可表示为式(14)。
[0075]
图像分割后的各类别像素概率ω、k类均值μ、方差σ，可以表示为式(15)、(16)和(17)。
[0076][0077]
最终，可以得到式(18)，即目标分割图像多阈值的类间方差表示为：
[0078][0079]
麻雀搜索算法。麻雀搜索算法采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法，其中利用三类麻雀觅食行为：发现者、跟随者和警戒者进行目标寻找以迭代优化搜索。
[0080]
对于麻雀数量为n的种群位置如式(19)所示：
[0081][0082]
评价麻雀种群觅食位置优劣的适应度函数为：
[0083][0084]
其中，适应度值采用f(*)表示。由发现者选择适应度值高的搜索位置，前往觅食，同时为新的发现者提供食物源的方向。
[0085]
发现者的位置变化如式(2)所示：
[0086][0087]
其中，当前迭代数表示为t，表示种群中第i只麻雀在第j维度上的位置，i＝1,2,...n,j＝1,2,...,d,d是搜索空间的维数，iter
max
为常数，表示最大迭代次数，α∈(0,1]表示随机数。q表示服从正态分布的一个随机数。预警参数r2取值范围为r2∈[0,1]，安全参数st的取值范围st∈[0.5,1]，l是一个1
×
d的矩阵向量，所有元素值为1。当满足条件r2＜st，说明未出现捕食者，发现者可进行大范围的觅食搜索。反之，表示出现捕食者应立即给同伴预警，同时转移新的搜寻位置。
[0088]
加入者的位置更新公示如式(3)所示：
[0089][0090]
式中，x
p
为发现者获得的最优位置，x
worst
表示当前迭代全局的最差位置，a为一个1
×
d的矩阵向量，向量中的元素随机选择1或-1进行赋值，并且满足条件a
+
＝a
t
(aa
t
)-1
，当满足条件i＞n/2的情况下，说明第i个适应度值较低的加入者获取食物失败，则转移觅食搜索。
[0091]
警戒者约占种群规模的10％-20％，常常表示能敏锐发觉有危险的麻雀。警戒者的初始位置表示如式(4)所示：
[0092][0093]
式(4)中，x
best
表示当前迭代中全局最优位置，常数ε为一个最小值，步长控制参数β服从正态分布，随机值k取值范围在-1到1之间，fw表示全局最差适应度值、fg为全局最优适应度值，fi则表示当前麻雀个体的适应度值。
[0094]
加入莱维飞行搜索机制的改进麻雀搜索算法。随着仿生学的不断发展，模拟布谷鸟巢寄生行为的布谷鸟搜索算法应运而生。生物学的研究表明，布谷鸟利用孵育寄生的方
式繁衍后代，表现为产卵寄生于其他宿主鸟巢，由其他宿主鸟帮助其孵化和育雏的一种生物行为。其繁殖行为关于选巢位置的变化正好体现出莱维飞行的搜索特性。
[0095]
布谷鸟搜索算法是将布谷鸟寻窝产卵的搜索机制形成理论，基于莱维飞行搜索机制形成搜索算法。算法约定3条规则：(1)每只布谷鸟每次只产卵一个，并随机选择寄生巢来孵化；(2)在随机选择的一组寄生巢中，保留最好的寄生巢到下一代；(3)寄生巢的数量固定，一个寄生巢的宿主鸟按一定的概率发现外来寄生卵。在该3条规则的约束下，宿主鸟可以将产卵抛出，或放弃该鸟巢以新建巢。
[0096]
布谷鸟寻窝搜索的路径和位置更新公式如式(21)所示，通过莱维飞行生成新的搜索位置：
[0097][0098]
其中，表示第i个鸟窝在第t代的鸟窝位置，δ》0为步长大小，通常设置δ＝1。式(19)表现为一个随机行走过程，该随机行走过程即为一个马尔可夫链，位置更新结果受于当前位置在式(21)方程的第一项和转移概率第二项的影响。表示点对点乘法，levy(λ)是一个随机搜索路径，其随机步长表现为一个levy分布，见式(22)：
[0099]
levy～u＝t-λ
,1＜λ≤3
………………………………………………………
(22)
[0100]
加入莱维飞行扰动策略的改进麻雀搜索算法。根据一些生物学家对鸟类和昆虫类的觅食轨迹的研究发现，一些生物飞行轨迹中直线部分出现频率与levy分布基本相似，表现为莱维飞行的特点。莱维飞行搜索策略对于种群个体独立、求解空间位置随机且稀疏分布时，搜索效果较好。莱维飞行是随机行走(random walk)的一类，行走步长符合一个重尾的稳定分布，常常可以看到较短距离的搜索与相对较长距离的行走交错。在仿生群智能优化算法中采用莱维飞行搜索机制，可以有效地增加搜索空间的探寻范围、提高群体搜索的多样性，往往使搜索算法跳出局部最优变为可能。
[0101]
在布谷鸟搜索算法中，采用莱维飞行产生随机步长，这种步长变化多样，在其搜索过程中，步长越大，越容易搜索到全局最优解，搜索精度则相应减弱，易产生不稳定的震荡现状；如果步长较小，搜索速度下降，搜索精度会显著增强。因此，采用莱维飞行产生步长具有遍历性和随机性，缺点是自适应能力不够，而ssa算法恰好弥补了这一不足，利用发现者-跟随者-警戒者的模型机制协调好全局寻优能力和局部求解精度之间的矛盾，从而加强麻雀搜索算法的全局搜索能力和局部求解精度。
[0102]
构建莱维飞行步长扰动策略受cs算法启发，对于扰动步长的定义，其计算公式如式(23)所示：
[0103][0104][0105][0106][0107]
其中，i∈{1,2,...,sn},j∈{1,2,...,d},u，v为正态分布，β＝1.5，τ为步长扰动系数，麻雀位置更新在原有的更新策略基础上进行步长扰动，其定义为：
[0108]vi,j
＝v
i,j
*stepi………………………………………………………………
(5)
[0109]
引入初始化混沌搜索机制的改进的麻雀搜索搜索策略。
[0110]
本发明对传统的麻雀搜索算法进行了初始化搜索策略的改进。利用sin混沌模型以初始化种群分布，以此来增加种群搜索的多样性。
[0111][0112]
其中，xn∈[-1,1]且xn≠0，n＝0,1,...,n，通过式(1)以产生数值不同的混沌序列，从而增加初始空间分布的多样性。
[0113]
本发明的改进的麻雀搜索算法(levy sparrow search algorithm，lssa)算法步骤。
[0114]
lssa算法的伪代码如下列步骤所示，算法步骤如下：
[0115]
s1：参数设置：设置麻雀种群规模数n，初始化麻雀发现者数量pd，警戒者数量sd，设置寻食步数计数器t＝0，最大寻食迭代次数为mcn；
[0116]
s2：初始化种群：在搜索区域内按式(1)混沌搜索机制产生n个向量xi(i＝1,2,
…
,n)，计算适应度值，记录适应度值的最佳和最差个体位置；
[0117]
s3：发现者搜索：根据式(2)进行发现者位置搜索更新；
[0118]
s4：加入者搜索：根据式(3)进行加入者位置搜索更新；
[0119]
s5：警戒者搜索：根据式(4)进行警戒者位置搜索更新；
[0120]
s6：适应度值计算位置更新：比较当前最优值y
min
与min全局最优值，若有y
min
＜min，xg(t)为当前全局最优位置，则令min＝y
min
,xg(t)＝x'g(t)，记录当前所有麻雀找到的最优食物源，即全局最优解s
*
；
[0121]
s7：莱维飞行机制：随机生成一个数rnd，根据概率pi，如果rnd＜pi，采用轮盘赌的选择机制，根据式(5)对满足条件的麻雀进行莱维飞行搜索。
[0122]
s8：更新迭代次数t＝t+1，若满足当前迭代次数t＞mcn，则搜索停止，输出全局最优位置xg和搜索结果f(xg)，否则转s3步骤继续执行。
[0123]
实验结果对比：
[0124]
图2是示出依据本发明的基于麻雀搜索算法的图像分割所用测试图。
[0125]
为了测试本专利所提改进策略的性能，本专利选用了8副经典图像进行多阈值图像分割测试，如图2所示，其中4副为常用的具有代表性的测试图像，4副为伯克利经典彩色图像。为了验证本专利提出的算法的有效性，选择了近年来新提出的布谷鸟搜索算法(cuckoo search，cs)，蝗虫优化算法grasshopper optimization algorithm，goa)、鲸鱼优化算法(whale optimization algorithm，woa)、蜻蜓算法(dragonfly algorithm，da)、灰狼优化算法(grey wolf optimizer，gwo)和麻雀搜索算法(sparrow search algorithm，ssa)与本专利改进的麻雀搜索算法(levy sparrow search algorithm，lssa)进行实验测试。实验设备的硬件条件为cpu intel(r)core(tm)i5-8400 2.80ghz，8g内存，实验仿真软件采用matlab r2016a。实验评价的方式采用峰值信噪比和结构相似性进行量化比较，两种评价方式的阐述如下：
[0126]
(1)峰值信噪比
[0127]
psnr(peak signal to noise ratio)为峰值信噪比，是一种评价图像的客观标
准，常用于最大值信号和背景噪音之间的一类失真衡量指标。psnr值越高表明图像失真越小，多阈值分割效果好。psnr衡量的计算公式为：
[0128][0129][0130]
其中，rmse(root mean square error)为原图像i(i,j)与分割后图像间的均方根误差。m
×
n表示图像的尺寸大小。
[0131]
(2)结构相似性
[0132]
ssim(structural similarity index)表示结构相似性的一类评价两幅图像相似程度的指标。ssim使用的两副图像中，一副为无失真的原始图像，另一副为分割后的图像，取值越高说明结构相似性越好。ssim结构相似性衡量的计算公式为：
[0133][0134]
其中，μ
x
和μy表示图像i(i,j)和的均值，和表示图像i(i,j)和的方差，c1＝(k1l)2和c2＝(k2l)2为保持稳定性的常数，l为像素值的动态范围，k1，k2取值分别为0.01和0.03。
[0135]
为了实验比较的公平性，所有算法最大迭代次数为200，种群规模为30，各个算法的参数设置如表1所示。其中ssa算法中st表示预警值，pd为发现者的比例参数，sd为意识到有危险麻雀的比重。cs算法中pa为发现外来卵的概率；da算法中s为分离权重、a为对齐权重、c为凝聚权重、f为猎物权重因子、天敌权重因子e根据迭代次数动态调整。woa和gwo算法中参数a的值从2到0线性下降，a和c为表示系数。
[0136]
表1参数设置
[0137][0138]
表2基于各群智能优化算法的最佳适应度值
[0139]
[0140]
[0141][0142]
表3基于各群智能优化算法的psnr和ssim评价值
[0143]
[0144][0145]
表4基于各群智能优化算法的最佳阈值
[0146]
[0147]
[0148][0149]
表5基于各智能优化算法的运行时间
[0150]
[0151]
[0152][0153]
图像多阈值分割实验结果。
[0154]
图3是示出依据本发明的基于otsu的lssa算法的cameraman多阈值分割效果图，图4是示出依据本发明的基于otsu的智能优化算法baboon六阈值分割效果图，以及，图5是示出依据本发明的基于otsu的智能优化算法horses三阈值分割效果图。
[0155]
为了验证算法lssa的性能，实验测试了改进策略在图像多阈值分割的可行性和有效性，利用群智能优化策略进行最优阈值的迭代搜索，获取psnr、ssim、最优适应度值，分割时间，分割阈值等实验测试评价结果并与其他智能优化算法进行了比较，结果示于表2-表5。图3中以cameraman图像为例给出了5个阈值的基于otsu的lssa算法多阈值分割效果图。
[0156]
表2中给出了基于otsu的cs、goa、woa、da、gwo、ssa和lssa算法的多阈值图像分割的适应度值，其中阈值范围从2至6分别实验，表格中黑色加粗的数值为最优实验结果，表3中测试了基于各群智能优化算法应用在多阈值图像分割领域的psnr和ssim评价值。
[0157]
实验结果分析：
[0158]
结合图4和图5，基于otsu的实验对比结果表明，lssa相比较于cs、goa、woa、da、gwo和ssa算法，能够搜索到较好地适应度值，表现出更加稳定的寻优性能，psnr和ssim值更优。所以，从表2-表5可以看出，lssa应用在多阈值图像分割领域，分割的性能更优，搜索精度更高，算法表现出较好地稳定性能，鲁棒性强。从时间上来看，本专利所提算法由于增加了莱维飞行搜索机制，时间上略有提升，如表5所示，但lssa算法取得了更优异的搜索性能，有较高的应用价值。
[0159]
综上所述，本专利所提lssa算法在多阈值图像分割上的应用，搜索精度好，分割的质量高，有较好地寻优搜索性能，在多阈值分割方面表现出较好地稳定性。
[0160]
根据本发明的另一个方面，提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的图像分割程序，图像分割程序被处理器执行时实现上述的图像分割方法的步骤。
[0161]
根据本发明的又一方面，提供一种图像分割的设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的图像分割程序，图像分割程序被处理器执行时实现上述的图像分割方法的步骤。
[0162]
根据本发明还提供一种计算机存储介质。
[0163]
计算机存储介质上存储有图像分割程序，图像分割程序被处理器执行时实现上述的图像分割方法的步骤。
[0164]
其中，在所述处理器上运行的图像分割程序被执行时所实现的方法可参照本发明
图像分割方法各个实施例，此处不再赘述。
[0165]
本发明还提供一种计算机程序产品。
[0166]
本发明计算机程序产品包括图像分割程序，所述图像分割程序被处理器执行时实现如上所述的图像分割方法的步骤。
[0167]
其中，在所述处理器上运行的图像分割程序被执行时所实现的方法可参照本发明图像分割方法各个实施例，此处不再赘述。
[0168]
以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。

技术特征：
1.一种基于莱维飞行麻雀搜索优化算法的图像分割方法，其中，所述方法包括如下步骤：s1：参数设置，设置麻雀种群规模数n，初始化麻雀发现者数量pd，警戒者数量sd，设置寻食步数计数器t＝0，最大寻食迭代次数为mcn；s2：初始化种群，在搜索区域内利用sin混沌模型进行初始化种群分布，用于增加种群搜索的多样性，产生n个向量x
i
(i＝1,2,
…
,n)，计算适应度值，记录适应度值的最佳和最差个体位置；s3：发现者搜索，根据麻雀搜索算法采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法，进行发现者位置搜索更新；s4：加入者搜索，根据麻雀搜索算法采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法，进行加入者位置搜索更新；s5：警戒者搜索，根据麻雀搜索算法采用麻雀觅食与反捕食行为进行仿生模拟的一类群智能优化算法，进行警戒者位置搜索更新；s6：适应度值计算位置更新，比较当前最优值y
min
与min全局最优值，若有y
min
＜min，x
g
(t)为当前全局最优位置，则令min＝y
min
,x
g
(t)＝x'
g
(t)，记录当前所有麻雀找到的最优食物源，即全局最优解s
*
；s7：莱维飞行机制，随机生成一个数rnd，根据概率p
i
，如果rnd＜p
i
，采用轮盘赌的选择机制，根据莱维飞行步长扰动策略对满足条件的麻雀进行莱维飞行搜索；s8：更新迭代次数t＝t+1，若满足当前迭代次数t＞mcn，则搜索停止，输出全局最优位置x
g
和搜索结果f(x
g
)，否则，若不满足当前迭代次数t＞mcn，则转s3继续执行。2.如权利要求1所述的图像分割方法，其中，所述步骤s2用于初始化种群分布的sin混沌模型为：其中，x
n
∈[-1,1]且x
n
≠0，n＝0,1,...,n，通过式(1)以产生数值不同的混沌序列，从而增加初始空间分布的多样性。3.如权利要求1所述的图像分割方法，其中，所述步骤s3发现者位置搜索更新的位置变化如式(2)所示：其中，当前迭代数表示为t，表示种群中第i只麻雀在第j维度上的位置，i＝1,2,...n,j＝1,2,...,d,d是搜索空间的维数，iter
max
为常数，表示最大迭代次数，α∈(0,1]表示随机数；q表示服从正态分布的一个随机数；预警参数r2取值范围为r2∈[0,1]，安全参数st的取值范围st∈[0.5,1]，l是一个1
×
d的矩阵向量，所有元素值为1，其中，当满足条件r2＜st，说明未出现捕食者，发现者可进行大范围的觅食搜索，反之，表示出现捕食者应立即给同伴预警，同时转移新的搜寻位置。4.如权利要求1所述的图像分割方法，其中，所述步骤s4加入者位置搜索更新的位置如式(3)所示：
其中，x
p
为发现者获得的最优位置，x
worst
表示当前迭代全局的最差位置，a为一个1
×
d的矩阵向量，向量中的元素随机选择1或-1进行赋值，并且满足条件a
+
＝a
t
(aa
t
)-1
，当满足条件i＞n/2的情况下，说明第i个适应度值较低的加入者获取食物失败，则转移觅食搜索。5.如权利要求1所述的图像分割方法，其中，所述警戒者具有敏锐发觉有危险的麻雀的能力，所述步骤s5警戒者位置搜索更新的初始位置表示如式(4)所示：其中，x
best
表示当前迭代中全局最优位置，常数ε为一个最小值，步长控制参数β服从正态分布，随机值k取值范围在-1到1之间，f
w
表示全局最差适应度值、f
g
为全局最优适应度值，f
i
则表示当前麻雀个体的适应度值。6.如权利要求1所述的图像分割方法，其中，所述步骤s7采用莱维飞行步长扰动策略，麻雀位置更新在原有的更新策略基础上进行步长扰动，定义为：v
i,j
＝v
i,j
*step
i
………………………………………………………………
(5)。7.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像分割程序，所述图像分割程序被所述处理器执行时实现如权利要求1至6中任一项所述的图像分割方法的步骤。8.一种计算机存储介质，其中，所述计算机存储介质上存储有图像分割程序，所述图像分割程序被处理器执行时实现如权利要求1至6中任一项所述的图像分割方法的步骤。

技术总结
本发明涉及一种基于麻雀搜索算法的图像分割方法、电子设备及存储介质，基于麻雀搜索算法的图像分割方法包括如下步骤：S1：参数设置，设置麻雀种群规模数n，初始化麻雀发现者数量PD，警戒者数量SD；S2：初始化种群，在搜索区域内利用Sin混沌模型进行初始化种群分布；S3：发现者搜索；S4：加入者搜索；S5：警戒者搜索；S6：适应度值计算位置更新；S7：根据莱维飞行步长扰动策略对满足条件的麻雀进行莱维飞行搜索；S8：更新迭代次数t＝t+1，若满足当前迭代次数t＞MCN，则搜索停止，输出全局最优位置X


技术研发人员：马卫 李微微
受保护的技术使用者：南京旅游职业学院
技术研发日：2022.07.05
技术公布日：2022/11/1