哈里斯鹰算法优化脉冲耦合神经网络的图像自动分割
发布时间：2021-06-11 13:11
为了降低脉冲耦合神经网络（pulse coupled neural network,PCNN）参数设置的复杂度,提出了一种利用哈里斯鹰优化算法（Harris Hawk optimization algorithm,HHO）搜索PCNN参数的图像自动分割方法。一方面,在不影响分割效果的情况下,减少了PCNN的参数个数;另一方面,HHO算法具有收敛速度快、全局搜索能力强的特点,能够快速、准确地搜索到PCNN相应参数。引入图像熵作为适应度函数,选取脑部MRI图像进行实验,通过精度、召回率和dice,比较了HHO结合PCNN与几种不同搜索机制的优化算法结合PCNN的分割性能,仿真实验结果表明,提出的方法有较高的分割精度和较强的鲁棒性,具有较高的工程实用价值。
【文章来源】：应用科技. 2019,46(04)
【文章页数】：6 页
【部分图文】：
PCNN模型结构
置为0．001～200;2)将脑部图像作为输入图像，HHO优化PCNN的3个参数，经过PCNN迭代，得到适应度函数，比较得到的适应度函数，保留局部最优的参数。3)HHO通过不同的策略更新鹰的位置，带入PCNN，得到适应度函数值，与上一次迭代得到的最优适应度函数值比较，得出此次最优适应度函数对应的最优参数。4)当算法迭代次数达到最大迭代次数时，输出全局最优适应度函数值和最优参数值。5)将最优参数带入到PCNN中，实现图像的分割。图像分割的基本流程图如图2所示。图2HHO－PCNN图像分割流程4实验分别引入鲸鱼算法(whaleoptimizationalgo-rithm，WOA)［14］、正余弦算法(sinecosinealgorithm，SCA)［15］、樽海鞘算法(salpswarmalgorithm，SSA)［16］、粒子群算法(particleswarmoptimization，PSO)［17］、多元宇宙算法(multi-verseoptimizer，MVO)［18］、灰狼算法(greywolfoptimizer，GWO)［19］与PCNN结合，对比本文算法。4．1测试环境及数据库本文的4幅图像选自哈佛大学脑部图像数据库［20］。算法是在IntelPentiumCPUG4560、4GＲAM、操作系统Windows10的计算机上运行的，采用的软件是Python3．7。4．2评价标准实验采用3种评价标准来对分割结果进行量化，分别是精度(precison)［21］，召回率(recall)［21］和dice［21］。precison=TPTP+FPrecall=TPTP+FNdice=2TP(TP+FP)+(TP+FN)式中:TP表示目标区域与分割结果重合的部分，FP表示分割结果中非目标区域
越接近1，则说明分割效果越好。4．3结果分析实验中对每幅图像均做了30次试验，各个评价标准取平均值，如图3所示。从图中，可以清楚地看到每幅图像的HHO的评价标准值均高于其他算法，这说明提出的算法有较高的分割精度和鲁棒性。在最后结果中，4幅脑部图像综合来看，HHO的查准率为0．977，查成率为0．772，dice为0．846，高于对比的其他算法。由此可见，提出的算法具有出色的脑部图像分割能力。(a)精度(b)召回率(c)dice(d)最终结果图3各个算法结合PCNN的评价标准对比PCNN结合不同算法的分割结果如图4所示。从图中，可以清晰地看到提出方法的分割精度更高，分割轮廓更加清晰，视觉上更加接近金标准。各算法结合PCNN的收敛曲线如图5所示。通过式(3)，可以得到当且仅当p0=p1=0．5时，使得H取得到最大值1，即图像熵的最优值为1。从切片29和切片34的收敛曲线可以看到提出的算法收敛速度最快且收敛精度最高，虽然提出的算法在切片15和切片17的收敛曲线中收敛速度并不是最快的，但是其收敛精度始终是最高的。所以，HHO－PCNN较其他算法在搜索效率和搜索精度上都有一定优势。(a)原图(b)金标准(c)WOA－PCNN(d)SSA－PCNN(e)SCA－PCNN(f)PSO－PCNN(g)MVO－PCNN(h)GWO－PCNN(i)HHO－PCNN图4分割效果第4期贾鹤鸣，等:哈里斯鹰算法优化脉冲耦合神经网络的图像自动分割·91·
【参考文献】：
期刊论文
[1]基于显著性与脉冲耦合神经网络的图像分割[J]. 王燕,许宪法. 计算机科学. 2018(07)
[2]结合粒子群优化和综合评价的脉冲耦合神经网络图像自动分割[J]. 张坤华,谭志恒,李斌. 光学精密工程. 2018(04)
[3]群智能算法优化的结合熵的最大类间方差法与脉冲耦合神经网络融合的图像分割算法[J]. 程述立,汪烈军,秦继伟,杜安钰. 计算机应用. 2017(12)
[4]基于脉冲耦合神经网络的图像分割[J]. 王爱文,宋玉阶. 计算机科学. 2017(04)
[5]基于视觉显著性和脉冲耦合神经网络的成熟桑葚图像分割[J]. 贺付亮,郭永彩,高潮,陈静. 农业工程学报. 2017(06)
[6]基于最小交叉熵的改进PCNN杨梅图像分割算法[J]. 徐黎明,吕继东. 西北师范大学学报(自然科学版). 2016(01)
[7]基于遗传算法参数优化的PCNN红外图像分割[J]. 曲仕茹,杨红红. 强激光与粒子束. 2015(05)
[8]联合蚁群算法和PCNN的脑部MRI图像分割方法[J]. 吴骏,孙明明,肖志涛,张芳,耿磊. 光电子.激光. 2014(03)
[9]自适应脉冲耦合神经网络在图像处理中应用[J]. 马义德,绽琨,齐春亮. 系统仿真学报. 2008(11)
[10]一种基于脉冲耦合神经网络和图像熵的自动图像分割方法[J]. 马义德,戴若兰,李廉. 通信学报. 2002(01)
本文编号：3224599
【文章来源】：应用科技. 2019,46(04)
【文章页数】：6 页
【部分图文】：
PCNN模型结构
置为0．001～200;2)将脑部图像作为输入图像，HHO优化PCNN的3个参数，经过PCNN迭代，得到适应度函数，比较得到的适应度函数，保留局部最优的参数。3)HHO通过不同的策略更新鹰的位置，带入PCNN，得到适应度函数值，与上一次迭代得到的最优适应度函数值比较，得出此次最优适应度函数对应的最优参数。4)当算法迭代次数达到最大迭代次数时，输出全局最优适应度函数值和最优参数值。5)将最优参数带入到PCNN中，实现图像的分割。图像分割的基本流程图如图2所示。图2HHO－PCNN图像分割流程4实验分别引入鲸鱼算法(whaleoptimizationalgo-rithm，WOA)［14］、正余弦算法(sinecosinealgorithm，SCA)［15］、樽海鞘算法(salpswarmalgorithm，SSA)［16］、粒子群算法(particleswarmoptimization，PSO)［17］、多元宇宙算法(multi-verseoptimizer，MVO)［18］、灰狼算法(greywolfoptimizer，GWO)［19］与PCNN结合，对比本文算法。4．1测试环境及数据库本文的4幅图像选自哈佛大学脑部图像数据库［20］。算法是在IntelPentiumCPUG4560、4GＲAM、操作系统Windows10的计算机上运行的，采用的软件是Python3．7。4．2评价标准实验采用3种评价标准来对分割结果进行量化，分别是精度(precison)［21］，召回率(recall)［21］和dice［21］。precison=TPTP+FPrecall=TPTP+FNdice=2TP(TP+FP)+(TP+FN)式中:TP表示目标区域与分割结果重合的部分，FP表示分割结果中非目标区域
越接近1，则说明分割效果越好。4．3结果分析实验中对每幅图像均做了30次试验，各个评价标准取平均值，如图3所示。从图中，可以清楚地看到每幅图像的HHO的评价标准值均高于其他算法，这说明提出的算法有较高的分割精度和鲁棒性。在最后结果中，4幅脑部图像综合来看，HHO的查准率为0．977，查成率为0．772，dice为0．846，高于对比的其他算法。由此可见，提出的算法具有出色的脑部图像分割能力。(a)精度(b)召回率(c)dice(d)最终结果图3各个算法结合PCNN的评价标准对比PCNN结合不同算法的分割结果如图4所示。从图中，可以清晰地看到提出方法的分割精度更高，分割轮廓更加清晰，视觉上更加接近金标准。各算法结合PCNN的收敛曲线如图5所示。通过式(3)，可以得到当且仅当p0=p1=0．5时，使得H取得到最大值1，即图像熵的最优值为1。从切片29和切片34的收敛曲线可以看到提出的算法收敛速度最快且收敛精度最高，虽然提出的算法在切片15和切片17的收敛曲线中收敛速度并不是最快的，但是其收敛精度始终是最高的。所以，HHO－PCNN较其他算法在搜索效率和搜索精度上都有一定优势。(a)原图(b)金标准(c)WOA－PCNN(d)SSA－PCNN(e)SCA－PCNN(f)PSO－PCNN(g)MVO－PCNN(h)GWO－PCNN(i)HHO－PCNN图4分割效果第4期贾鹤鸣，等:哈里斯鹰算法优化脉冲耦合神经网络的图像自动分割·91·
【参考文献】：
期刊论文
[1]基于显著性与脉冲耦合神经网络的图像分割[J]. 王燕,许宪法. 计算机科学. 2018(07)
[2]结合粒子群优化和综合评价的脉冲耦合神经网络图像自动分割[J]. 张坤华,谭志恒,李斌. 光学精密工程. 2018(04)
[3]群智能算法优化的结合熵的最大类间方差法与脉冲耦合神经网络融合的图像分割算法[J]. 程述立,汪烈军,秦继伟,杜安钰. 计算机应用. 2017(12)
[4]基于脉冲耦合神经网络的图像分割[J]. 王爱文,宋玉阶. 计算机科学. 2017(04)
[5]基于视觉显著性和脉冲耦合神经网络的成熟桑葚图像分割[J]. 贺付亮,郭永彩,高潮,陈静. 农业工程学报. 2017(06)
[6]基于最小交叉熵的改进PCNN杨梅图像分割算法[J]. 徐黎明,吕继东. 西北师范大学学报(自然科学版). 2016(01)
[7]基于遗传算法参数优化的PCNN红外图像分割[J]. 曲仕茹,杨红红. 强激光与粒子束. 2015(05)
[8]联合蚁群算法和PCNN的脑部MRI图像分割方法[J]. 吴骏,孙明明,肖志涛,张芳,耿磊. 光电子.激光. 2014(03)
[9]自适应脉冲耦合神经网络在图像处理中应用[J]. 马义德,绽琨,齐春亮. 系统仿真学报. 2008(11)
[10]一种基于脉冲耦合神经网络和图像熵的自动图像分割方法[J]. 马义德,戴若兰,李廉. 通信学报. 2002(01)
本文编号：3224599
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3224599.html
