基于麻雀算法优化的Tsallis相对熵图像多阈值分割 -附代码

基于麻雀算法优化的Tsallis相对熵图像多阈值分割

摘要：本文主要介绍利用麻雀算法来优化Tsallis相对熵的图像多阈值分割算法。

1.麻雀搜索算法

麻雀搜索算法的具体原理参考博客：https://blog.csdn.net/u011835903/article/details/108830958。

2.Tsallis相对熵多阈值图像分割原理

设 $I(x,y)$为待分割图像，图像的尺寸为$m\ast n$,图像的最大灰度级为$L$，其中$1\le x\le m$,$1\le y\le n$。图像中对应灰度级$i$的像素数目表示为$n_i$ ，图像的灰度级直方图分布概率可以表示为 H = { h i ∣ i = 1 , 2 , . . . , L } H=\{h_i|i=1,2,...,L\} H={hi​∣i=1,2,...,L},其中$h_i=\frac{n_i}{m\ast n}$表示灰度级 $i$在图像中出现的频率。设阈值个数为$N$，第$j$个阈值的值为$t_j$,$N$个阈值将图像分为$N+1$个区域：$A_1、A_2、\dots A_{N+1}$ 。

定义 $A_1$ 到 $A_{N+1}$ 的类概率为：
$$P_1=\sum _{i=1}^{t_1}{h}_i\text{\hspace{1em}(1)}$$

$$P_j=\sum _{i=t_j-1}^{t_j}{h}_i(2\le j\le N)\text{\hspace{1em}(2)}$$

$$P_{N+1}=\sum _{i=t_N}^L{h}_i,i=1,2,...,L\text{\hspace{1em}(3)}$$

其中 $P_1+P_2+\dots +P_{N+1}=1$。同时定义 $A_1$ 到 $A_{N+1}$ 的灰度级类均值为：
$$u_1=\sum _{i=1}^{t_1}i{h}_i/P_1\text{\hspace{1em}(4)}$$

$$u_j=\sum _{i=t_j-1}^{t_j}i{h}_i/P_j,(2\le j\le N)\text{\hspace{1em}(5)}$$

$$u_{N+1}=\sum _{i=t_N}^{L}i{h}_i/P_{N+1},i=1,2,...,L\text{\hspace{1em}(6)}$$

定义 $A_1$ 到 $A_{N+1}$ 的灰度级类方差为:
$${\sigma }_1^2=\sum _{i=1}^{t_1}(i-u_1{)}^2/P_1\text{\hspace{1em}(7)}$$

$${\sigma }_j^2=\sum _{i=t_{j-1}}^{t_j}(i-u_j{)}^2/P_j\text{\hspace{1em}(8)}$$

$${\sigma }_{N+1}^2=\sum _{i=t_N}^L(i-u_{N+1}{)}^2/P_{N+1},i=1,2,...L\text{\hspace{1em}(9)}$$

灰度级$i$关于 $A_1$ 到$A_{N+1}$ 的类概率为:
$$p_j^i=\frac{1}{\sqrt{2\pi }{\sigma }_j}exp[-\frac{(i-u_j{)}^2}{2{\sigma }_j^2}],i=1,2,...,L;j=1,2,...,N+1\text{\hspace{1em}(10)}$$
定义分割后图像灰度级的拟合高斯分布为：
R = { r i ∣ r i = P 1 ∗ p 1 i + P 2 ∗ p 2 i + . . . + P N + 1 ∗ p N + 1 i , i = 1 , 2 , . . . , L } (11) R=\{r_i|r_i=P_1*p_1^i+P_2*p_2^i+...+P_{N+1}*p_{N+1}^i,i=1,2,...,L\}\tag{11} R={ri​∣ri​=P1​∗p1i​+P2​∗p2i​+...+PN+1​∗pN+1i​,i=1,2,...,L}(11)
图像的阈值化准则即 Tsallis 相对熵函数：
J p ( H ∣ R ) = 1 q − 1 { ∑ i = 1 L [ h i ( r i / h i ) q + r i ( h i / r i ) q ] − 2 } (12) J_p(H|R)=\frac{1}{q-1}\{\sum_{i=1}^L[h_i(r_i/h_i)^q+r_i(h_i/r_i)^q]-2\} \tag{12} Jp​(H∣R)=q−11​{i=1∑L​[hi​(ri​/hi​)q+ri​(hi​/ri​)q]−2}(12)
在对图像进行分割时，如果能够找到$N$个分割阈值$t_1,t_2,...,t_N$使式(12)值最小，则这些阈值为最优阈值，最佳分割阈值 T 的集合的获取函数为：
$$T=argmi{n}_{1\le t\le L}[J_p(H|R)]\text{\hspace{1em}(13)}$$

3.适应度函数设计

根据Tsallis相对熵多阈值图像分割原理可知，麻雀搜索函数的适应度函数，即为：
$$fitness=argmi{n}_{1\le t\le L}[J_p(H|R)]\text{\hspace{1em}(14)}$$
搜索一组阈值，使得Tsallis相对熵值最小。。

4.实验结果

麻雀算法的参数设置如下：

%% 基于麻雀算法的Tsallis相对熵多阈值分割
clear all 
clc
I = imread('lena.tiff');%读取图像
SearchAgents_no=50; %种群数量
Max_iteration=50; % 最大迭代次数
dim = 3;%设定阈值个数
lb = ones(1,dim); %下边界1
ub = 255.*ones(1,dim);%上边界255
fobj =@(thresh)fun(I,thresh);%Tsallis 度量值

单阈值分割结果：

2阈值分割结果

3阈值分割结果

5.参考文献

[1]李粉红,卢晶,张志光.一种风驱动优化Tsallis相对熵的图像多阈值分割方法[J].红外技术,2020,42(10):994-1000.

6.Matlab代码

个人资料介绍