一种基于改进的鸟算法的自适应皮肤病灶图像分割方法与流程

1.本发明涉及图像分割技术领域，尤其涉及一种基于改进的鸟算法的自适应皮肤病灶图像分割方法。

背景技术：

2.皮肤病灶图像分割技术，是将皮肤病灶图像中的特征按照同性质的特征进行划分，分割出病变皮肤的区域，为医生专家提供方便。传统的皮肤病灶图像分割技术在获取图像阈值的过程中需要进行大量复杂的计算，运算时间长。同时传统的固定阈值分割技术，无法适应于多张皮肤病灶图像，无法将病变皮肤进行有效的分割，无法满足医生专家的需求。
3.因此有必要提出一种基于改进的鸟算法的自适应皮肤病灶图像分割方法以解决上述问题。

技术实现要素：

4.本发明公开了一种基于改进的鸟算法的自适应皮肤病灶图像分割方法，其提供一种快速自适应的皮肤病灶图像自动分割方法，代替传统的人为分割，提升图像的分割效果，从而可以有效解决背景技术中涉及的技术问题。
5.为实现上述目的，本发明的技术方案为：
6.一种基于改进的鸟算法的自适应皮肤病灶图像分割方法，该方法包括如下步骤：
7.s1：对输入的皮肤病灶彩图像采用加权平均值灰度化图像将彩图像转化为灰度图像；
8.s2：基于灰度图像，采用高斯滤波进行去噪处理，随后统计灰度图像信息，所述灰度图像信息包括灰度最大值i
max
和灰度最小值i
min
，构建灰度直方图；
9.s3：基于灰度图像信息，采用改进的鸟优化算法获取皮肤病灶图像的最佳阈值，具体包括如下步骤：
10.s31：初始化鸟的各参数，包括最大迭代次数t
max
，根据灰度图像信息的灰度最大值i
max
和灰度最小值i
min
作为灰度值的上下边界，采用chebyshev混沌映射函数获取初始化鸟位置x＝{x1,x2,...,xn}，其中x是鸟集合，xi(i＝1,2,...,n)表示第i个鸟个体，表示第i个鸟个体的位置信息，表示第i个鸟个体的第j维的位置信息，d表示问题的维度数；
11.s32：对每个鸟个体位置计算其相应的自适应函数，并筛选出迄今为止最优的适应度值f
best
，将最优的适应度值f
best
所映射的位置记作x
best
，x
best
为迄今为止全局最优解；
12.s33：基于迄今为止最优的适应度值f
best
和迄今为止全局最优解x
best
，采用改进的鸟算法更新鸟位置，判断更新后的鸟位置是否超出灰度值的上下边界；
13.s34：若更新后的鸟个体的适应度值不小于更新前的适应度值，则将更新后的鸟个体的位置替换掉更新前的位置；若更新后的鸟个体的适应度值小于更新前的适应度
值，则保留更新前的鸟个体的位置；多次迭代直至达到最大迭代次数，输出适应度值最大的鸟个体的位置信息x
best
；
14.s4：对所获得的最佳阈值皮肤病灶图像进行分割，从而得到分割后的图像。
15.作为本发明的一种优选改进，步骤s1包括：
16.s11：对皮肤病灶彩图像的r,g,b三个通道，采用加权平均值法对彩图像进行灰度化处理，其表达式如下：
17.r＝g＝b＝w1r+w2g+w3b
18.其中，w1,w2,w3分别表示各权重值。
19.作为本发明的一种优选改进，步骤s31包括：
20.对鸟采用chebyshev混沌映射模型进行初始化，chebyshev混沌模型表示为：
21.x
n+1
＝cos[k
·
arccos(xn)]
[0022]
其中，采用4阶的chebyshev混沌模型，即k＝4，设定x1为上述初始化种集合x中随机构建的第一个种个体，其他种个体通过chebyshev混沌映射模型进行初始化。
[0023]
作为本发明的一种优选改进，步骤s32中，自适应函数采用最大信息熵函数，如下表示：
[0024][0025]
其中，上述初始化中预设d个维度，因此便有nd＝d+1个图像分割区域，记作ck(k＝1,2,...,d+1)，pk是在k区域中灰度级出现的概率，pi是第i个区域中灰度级出现的概率，hk是在k区域中的信息熵，
[0026]
作为本发明的一种优选改进，步骤s33中，改进的鸟算法。
[0027]
作为本发明的一种优选改进，步骤s33具体包括：
[0028]
鸟算法中引入levy飞行策略以及惯性权重，从而优化鸟算法的搜索能力，提高鸟算法的收敛速度及精度；
[0029]
基于鸟算法的位置更新如下：
[0030]
鸟中的个体都遵守以下的5条规则：
[0031]
规则1：每个个体都可以选择觅食和警觉这两种状态，选择的方式是随机的；
[0032]
由于个体对于这两种状态的选择是随机的，所以可设置一个常数p，在[0,1]之间产生一个随机数r2,当r2＞p时选择觅食状态，否者则选择警戒状态；
[0033]
规则2：在觅食状态下，每个个体都会将经过的最优觅食位置以及种最优觅食位置记录下来并更新，该信息也会被传递到整个种中进行信息共享；
[0034]
每个个体在觅食状态下的位置变化如下：
[0035][0036]
其中和表示分别表示t时刻和t+1时刻第i只鸟的所在位置，pbesti表示第i只鸟个体在t时刻之前经历的最优位置，gbesti表示在t时刻之前鸟经历的最优位置；c为认知加速系数，s为社会加数系数，两者皆为正整数；r3和r4都是[0,1]之间的随机数；
[0037]
规则3：在警觉状态下个体的位置变化如下：
[0038][0039][0040][0041]
a1是鸟向种中心移动时由周围环境产生的间接影响；a2是鸟向种中心移动时由某个特定干扰引起的直接影响；a1、a2是[0,2]之间的常量；pfiti是第i只鸟的到目前为止的最佳适应度值；sumfit是鸟最佳适应度值之和；ε是最小常数，用于避免零分误差；mean是鸟的平均位置，k(k≠i)是[1,n]之间随机选择的正整数；r5是[0,1]之间的随机数，r6是[-1,1]之间的随机数；
[0042]
规则4：假设鸟每过一个固定的周期就会进行地点的转移，当鸟飞往另一个地点时，鸟中个体会在生产者和乞食者这两种状态之间进行选择，食物储备最多的个体必定保持生产者状态，同样食物储量最低的个体也保持是乞食者的状态，在最高储备和最低储备之间的其它个体在这两种状态之间随机选择；
[0043]
生产者和乞食者的位置变化如下：
[0044][0045][0046]
fl表示乞讨者跟随生产者寻食物的概率；
[0047]
(k∈[1,2,3,...,n],k≠i,fl(fl∈[1,2]))，r7和r8都是[0,1]之间的随机数；
[0048]
规则5：在生产者状态下的个体寻食物会比较积极，而在乞食者状态下的个体则会被生产者影响，跟随生产者去寻食物，跟随的目标是随机的；
[0049]
我们从两个方面对鸟算法进行了优化：
[0050]
1.为提高鸟算法的全局和局部的搜索能力，引入levy的飞行策略，随机levy步长表示为
[0051]
d＝u/|v|
1/β
(β＝1.5)
[0052]
式中，u和v都表示方向向量，都服从正态分布，d为levy步长向量。
[0053][0054][0055]
和分别表示的标准差。
[0056]
此时生产者的位置更新可转化为
[0057][0058]
这里为矢量运算，levy(d)为步长服从levy分布的随机搜索向量d(u,v)。
[0059]
2.引入惯性权重w，从而提高鸟算法的收敛速度及收敛精度。
[0060][0061]
其中，t和t
max
分别是当前迭代次数和最大迭代次数。w
max
＝0.9，w
min
＝0.4。
[0062]
觅食状态下的运动更新转化为
[0063][0064]
判断更新后的位置是否超出灰度值边界，如果个体位置小于最小边界，则赋值最小边界值i
min
；如果个体位置大于最大边界，则赋值最大边界值i
max
。
[0065]
本发明的有益效果如下：
[0066]
1、对皮肤病灶图像采用加权平均值法进行灰度化处理，能有为后续的图像处理提供更好质量的前提条件；
[0067]
2、对灰度图像采用高斯滤波去噪操作，有效消除高斯噪声，进一步提升图像质量；
[0068]
3、采用最大信息熵函数作为适应度函数能够更好的适应于皮肤病灶图像分割；
[0069]
4、本文采用智能种算法(鸟算法)对皮肤病灶图像进行自适应分割，与传统的阈值分割方法相比，它实现简单，参数少，运行计算时间快；
[0070]
5、在鸟算法中引入levy飞行决策和惯性权重，提高了鸟算法的全局和局部搜索能力，同时加快了算法的收敛速度，提升了收敛精度。
[0071]
6、采用chebyshev混沌映射函数初始化种，提高了初始化种的质量，加快收敛速度，提高探索能力。
【附图说明】
[0072]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
[0073]
图1为采用基准函数f1对多种算法的实验结果图；
[0074]
图2为采用基准函数f2对多种算法的实验结果图；
[0075]
图3为采用基准函数f3对多种算法的实验结果图。
【具体实施方式】
[0076]
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
[0077]
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后......)仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0078]
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0079]
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0080]
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0081]
本发明提供一种基于改进的鸟算法的自适应皮肤病灶图像分割方法，该方法包括如下步骤：
[0082]
s1：对输入的皮肤病灶彩图像采用加权平均值灰度化图像将彩图像转化为灰度图像，具体包括：
[0083]
s11：对皮肤病灶彩图像的r,g,b三个通道，采用加权平均值法对彩图像进行灰度化处理，其表达式如下：
[0084]
r＝g＝b＝w1r+w2g+w3b
[0085]
其中，w1,w2,w3分别表示各权重值。
[0086]
s2：基于灰度图像，采用高斯滤波进行去噪处理，随后统计灰度图像信息，所述灰度图像信息包括灰度最大值i
max
和灰度最小值i
min
，构建灰度直方图；
[0087]
s3：基于灰度图像信息，采用改进的鸟优化算法获取皮肤病灶图像的最佳阈值，具体包括如下步骤：
[0088]
s31：初始化鸟的各参数，包括最大迭代次数t
max
，根据灰度图像信息的灰度最大值i
max
和灰度最小值i
min
作为灰度值的上下边界，采用chebyshev混沌映射函数获取初始化鸟位置x＝{x1,x2,...,xn}，其中x是鸟集合，xi(i＝1,2,...,n)表示第i个鸟个体，表示第i个鸟个体的位置信息，表示第i个鸟个体的第j维的位置信息，d表示问题的维度数；
[0089]
具体包括：
[0090]
对鸟采用chebyshev混沌映射模型进行初始化，chebyshev混沌模型表示为：
[0091]
x
n+1
＝cos[k
·
arccos(xn)]
[0092]
其中，采用4阶的chebyshev混沌模型，即k＝4，设定x1为上述初始化种集合x中随机构建的第一个种个体，其他种个体通过chebyshev混沌映射模型进行初始化。
[0093]
需要说明的是，x2是通过x1进行一次tent模型得到，x3通过x2进行tent模型得到，以此类推得到xn以及x
n+1
。
[0094]
s32：对每个鸟个体位置计算其相应的自适应函数，并筛选出迄今为止最优的适应度值f
best
，将最优的适应度值f
best
所映射的位置记作x
best
，x
best
为迄今为止全局最优解；
[0095]
具体的，自适应函数采用最大信息熵函数，如下表示：
[0096][0097]
其中，上述初始化中预设d个维度，因此便有nd＝d+1个图像分割区域，记作ck(k＝1,2,...,d+1)，pk是在k区域中灰度级出现的概率，pi是第i个区域中灰度级出现的概率，hk是在k区域中的信息熵，
[0098]
s33：基于迄今为止最优的适应度值f
best
和迄今为止全局最优解x
best
，采用改进的鸟算法更新鸟位置，判断更新后的鸟位置是否超出灰度值的上下边界；
[0099]
步骤s33中，改进的鸟算法。
[0100]
具体包括：
[0101]
鸟算法中引入levy飞行策略以及惯性权重，从而优化鸟算法的搜索能力，提高鸟算法的收敛速度及精度；
[0102]
基于鸟算法的位置更新如下：
[0103]
鸟中的个体都遵守以下的5条规则：
[0104]
规则1：每个个体都可以选择觅食和警觉这两种状态，选择的方式是随机的；
[0105]
由于个体对于这两种状态的选择是随机的，所以可设置一个常数p，在[0,1]之间产生一个随机数r2,当r2＞p时选择觅食状态，否者则选择警戒状态；
[0106]
规则2：在觅食状态下，每个个体都会将经过的最优觅食位置以及种最优觅食位置记录下来并更新，该信息也会被传递到整个种中进行信息共享；
[0107]
每个个体在觅食状态下的位置变化如下：
[0108][0109]
其中和表示分别表示t时刻和t+1时刻第i只鸟的所在位置，pbesti表示第i只鸟个体在t时刻之前经历的最优位置，gbesti表示在t时刻之前鸟经历的最优位置；c为认知加速系数，s为社会加数系数，两者皆为正整数；r3和r4都是[0,1]之间的随机数；
[0110]
规则3：在警觉状态下个体的位置变化如下：
[0111][0112][0113][0114]
a1是鸟向种中心移动时由周围环境产生的间接影响；a2是鸟向种中心移动时由某个特定干扰引起的直接影响；a1、a2是[0,2]之间的常量；pfiti是第i只鸟的到目前为止的最佳适应度值；sumfit是鸟最佳适应度值之和；ε是最小常数，用于避免零分误差；mean
是鸟的平均位置，k(k≠i)是[1,n]之间随机选择的正整数；r5是[0,1]之间的随机数，r6是[-1,1]之间的随机数；
[0115]
规则4：假设鸟每过一个固定的周期就会进行地点的转移，当鸟飞往另一个地点时，鸟中个体会在生产者和乞食者这两种状态之间进行选择，食物储备最多的个体必定保持生产者状态，同样食物储量最低的个体也保持是乞食者的状态，在最高储备和最低储备之间的其它个体在这两种状态之间随机选择；
[0116]
生产者和乞食者的位置变化如下：
[0117][0118][0119]
fl表示乞讨者跟随生产者寻食物的概率；
[0120]
(k∈[1,2,3,...,n],k≠i,fl(fl∈[1,2]))，r7和r8都是[0,1]之间的随机数；
[0121]
规则5：在生产者状态下的个体寻食物会比较积极，而在乞食者状态下的个体则会被生产者影响，跟随生产者去寻食物，跟随的目标是随机的；
[0122]
我们从两个方面对鸟算法进行了优化：
[0123]
1.为提高鸟算法的全局和局部的搜索能力，引入levy的飞行策略，随机levy步长表示为
[0124]
d＝u/|v|
1/β
(β＝1.5)
[0125]
式中，u和v都表示方向向量，都服从正态分布，d为levy步长向量。
[0126][0127][0128]
和分别表示的标准差。
[0129]
此时生产者的位置更新可转化为
[0130][0131]
这里为矢量运算，levy(d)为步长服从levy分布的随机搜索向量d(u,v)。
[0132]
2.引入惯性权重w，从而提高鸟算法的收敛速度及收敛精度。
[0133][0134]
其中，t和t
max
分别是当前迭代次数和最大迭代次数。w
max
＝0.9，w
min
＝0.4。
[0135]
觅食状态下的运动更新转化为
[0136][0137]
判断更新后的位置是否超出灰度值边界，如果个体位置小于最小边界，则赋值最小边界值i
min
；如果个体位置大于最大边界，则赋值最大边界值i
max
。
[0138]
s34：若更新后的鸟个体的适应度值不小于更新前的适应度值，则将更新后的鸟个体的位置替换掉更新前的位置；若更新后的鸟个体的适应度值小于更新前的适应度
值，则保留更新前的鸟个体的位置；多次迭代直至达到最大迭代次数，输出适应度值最大的鸟个体的位置信息x
best
；
[0139]
s4：对所获得的最佳阈值皮肤病灶图像进行分割，从而得到分割后的图像。
[0140]
下面以具体实施例1对本发明的改进鸟算法与常见的几种经典算法(灰狼算法(gwo)，鲸鱼优化算法(woa)，粒子算法(pso)，鸟算法(bsa))进行实验对比。
[0141]
实施例1
[0142]
采用20个常用的基准函数进行了测试，所有算法设定统一的参数。其中包括：迭代次数tmax为1000，种总个数为30，个体的维度数依据不同基准函数而定。
[0143]
其中三个基准函数(f1＝expanded schaffer’s f6 function,f2＝storn’s chebyshev polynomial fitting problem,f3＝rastrigin’s function)的实验结果，分别如图1，图2，图3所示。
[0144]
三个基准函数的描述如表1。
[0145]
表1三个基准函数
[0146]
function维度d取值范围f
min
f1(x)expanded schaffer’s f6 function10[-100,100]1f2(x)storn’s chebyshev polynomial fitting problem9[-8192,8192]1f3(x)rastrigin’s function10[-100,100]1
[0147]
从图1-3三个结果图中可知，改进的鸟算法(pbsa)能够加快收敛速度，同时由于levy飞行策略的引入，算法的局部和全局搜索能力得到了加强，收敛精度得到了有效的提升。
[0148]
本发明的有益效果如下：
[0149]
1、对皮肤病灶图像采用加权平均值法进行灰度化处理，能有为后续的图像处理提供更好质量的前提条件；
[0150]
2、对灰度图像采用高斯滤波去噪操作，有效消除高斯噪声，进一步提升图像质量；
[0151]
3、采用最大信息熵函数作为适应度函数能够更好的适应于皮肤病灶图像分割；
[0152]
4、本文采用智能种算法(鸟算法)对皮肤病灶图像进行自适应分割，与传统的阈值分割方法相比，它实现简单，参数少，运行计算时间快；
[0153]
5、在鸟算法中引入levy飞行决策和惯性权重，提高了鸟算法的全局和局部搜索能力，同时加快了算法的收敛速度，提升了收敛精度。
[0154]
6、采用chebyshev混沌映射函数初始化种，提高了初始化种的质量，加快收敛速度，提高探索能力。
[0155]
尽管本发明的实施方案已公开如上，但并不仅仅限于说明书和实施方案中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

技术特征：

1.一种基于改进的鸟算法的自适应皮肤病灶图像分割方法，其特征在于，该方法包括如下步骤：s1：对输入的皮肤病灶彩图像采用加权平均值灰度化图像将彩图像转化为灰度图像；s2：基于灰度图像，采用高斯滤波进行去噪处理，随后统计灰度图像信息，所述灰度图像信息包括灰度最大值i
max
和灰度最小值i
min
，构建灰度直方图；s3：基于灰度图像信息，采用改进的鸟优化算法获取皮肤病灶图像的最佳阈值，具体包括如下步骤：s31：初始化鸟的各参数，包括最大迭代次数t
max
，根据灰度图像信息的灰度最大值i
max
和灰度最小值i
min
作为灰度值的上下边界，采用chebyshev混沌映射函数获取初始化鸟位置x＝{x1,x2,...,x
n
}，其中x是鸟集合，x
i
(i＝1,2,...,n)表示第i个鸟个体，表示第i个鸟个体的位置信息，表示第i个鸟个体的第j维的位置信息，d表示问题的维度数；s32：对每个鸟个体位置计算其相应的自适应函数，并筛选出迄今为止最优的适应度值f
best
，将最优的适应度值f
best
所映射的位置记作x
best
，x
best
为迄今为止全局最优解；s33：基于迄今为止最优的适应度值f
best
和迄今为止全局最优解x
best
，采用改进的鸟算法更新鸟位置，判断更新后的鸟位置是否超出灰度值的上下边界；s34：若更新后的鸟个体的适应度值不小于更新前的适应度值，则将更新后的鸟个体的位置替换掉更新前的位置；若更新后的鸟个体的适应度值小于更新前的适应度值，则保留更新前的鸟个体的位置；多次迭代直至达到最大迭代次数，输出适应度值最大的鸟个体的位置信息x
best
；s4：对所获得的最佳阈值皮肤病灶图像进行分割，从而得到分割后的图像。2.根据权利要求1所述的一种基于改进的鸟算法的自适应皮肤病灶图像分割方法，其特征在于，步骤s1包括：s11：对皮肤病灶彩图像的r,g,b三个通道，采用加权平均值法对彩图像进行灰度化处理，其表达式如下：r＝g＝b＝w1r+w2g+w3b其中，w1,w2,w3分别表示各权重值。3.根据权利要求1所述的一种基于改进的鸟算法的自适应皮肤病灶图像分割方法，其特征在于，步骤s31包括：对鸟采用chebyshev混沌映射模型进行初始化，chebyshev混沌模型表示为：x
n+1
＝cos[k
·
arccos(x
n
)]其中，采用4阶的chebyshev混沌模型，即k＝4，设定x1为上述初始化种集合x中随机构建的第一个种个体，其他种个体通过chebyshev混沌映射模型进行初始化。4.根据权利要求1所述的一种基于改进的鸟算法的自适应皮肤病灶图像分割方法，其特征在于，步骤s32中，自适应函数采用最大信息熵函数，如下表示：
其中，上述初始化中预设d个维度，因此便有n
d
＝d+1个图像分割区域，记作c
k
(k＝1,2,...,d+1)，p
k
是在k区域中灰度级出现的概率，p
i
是第i个区域中灰度级出现的概率，h
k
是在k区域中的信息熵，5.根据权利要求1所述的一种基于改进的鸟算法的自适应皮肤病灶图像分割方法，其特征在于，步骤s33中，改进的鸟算法。6.根据权利要求5所述的一种基于改进的鸟算法的自适应皮肤病灶图像分割方法，其特征在于，步骤s33具体包括：鸟算法中引入levy飞行策略以及惯性权重，从而优化鸟算法的搜索能力，提高鸟算法的收敛速度及精度；基于鸟算法的位置更新如下：鸟中的个体都遵守以下的5条规则：规则1：每个个体都可以选择觅食和警觉这两种状态，选择的方式是随机的；由于个体对于这两种状态的选择是随机的，所以可设置一个常数p，在[0,1]之间产生一个随机数r2,当r2＞p时选择觅食状态，否者则选择警戒状态；规则2：在觅食状态下，每个个体都会将经过的最优觅食位置以及种最优觅食位置记录下来并更新，该信息也会被传递到整个种中进行信息共享；每个个体在觅食状态下的位置变化如下：其中和表示分别表示t时刻和t+1时刻第i只鸟的所在位置，pbest
i
表示第i只鸟个体在t时刻之前经历的最优位置，gbest
i
表示在t时刻之前鸟经历的最优位置；c为认知加速系数，s为社会加数系数，两者皆为正整数；r3和r4都是[0,1]之间的随机数；规则3：在警觉状态下个体的位置变化如下：规则3：在警觉状态下个体的位置变化如下：规则3：在警觉状态下个体的位置变化如下：a1是鸟向种中心移动时由周围环境产生的间接影响；a2是鸟向种中心移动时由某个特定干扰引起的直接影响；a1、a2是[0,2]之间的常量；pfit
i
是第i只鸟的到目前为止的最佳适应度值；sumfit是鸟最佳适应度值之和；ε是最小常数，用于避免零分误差；mean是鸟的平均位置，k(k≠i)是[1,n]之间随机选择的正整数；r5是[0,1]之间的随机数，r6是[-1,1]之间的随机数；规则4：假设鸟每过一个固定的周期就会进行地点的转移，当鸟飞往另一个地点时，鸟中个体会在生产者和乞食者这两种状态之间进行选择，食物储备最多的个体必定
保持生产者状态，同样食物储量最低的个体也保持是乞食者的状态，在最高储备和最低储备之间的其它个体在这两种状态之间随机选择；生产者和乞食者的位置变化如下：生产者和乞食者的位置变化如下：fl表示乞食者跟随生产者寻食物的概率；(k∈[1,2,3,...,n],k≠i,fl(fl∈[1,2]))，r7和r8都是[0,1]之间的随机数；规则5：在生产者状态下的个体寻食物会比较积极，而在乞食者状态下的个体则会被生产者影响，跟随生产者去寻食物，跟随的目标是随机的；我们从两个方面对鸟算法进行了优化：1.为提高鸟算法的全局和局部的搜索能力，引入levy的飞行策略，随机levy步长表示为d＝u/|v|
1/β
(β＝1.5)式中，u和v都表示方向向量，都服从正态分布，d为levy步长向量。式中，u和v都表示方向向量，都服从正态分布，d为levy步长向量。式中，u和v都表示方向向量，都服从正态分布，d为levy步长向量。和分别表示的标准差。此时生产者的位置更新可转化为这里为矢量运算，levy(d)为步长服从levy分布的随机搜索向量d(u,v)。2.引入惯性权重w，从而提高鸟算法的收敛速度及收敛精度。其中，t和t
max
分别是当前迭代次数和最大迭代次数。w
max
＝0.9，w
min
＝0.4。觅食状态下的运动更新转化为判断更新后的位置是否超出灰度值边界，如果个体位置小于最小边界，则赋值最小边界值i
min
；如果个体位置大于最大边界，则赋值最大边界值i
max
。

技术总结

本发明提出一种基于改进的鸟算法的自适应皮肤病灶图像分割方法，包括如下步骤：输入皮肤病灶图像，采用加权平均值灰度化图像，将彩图像转化为灰度图像；基于灰度图像，采用高斯滤波进行去噪处理，随后统计最大灰度值，最小灰度值，以及构建灰度直方图；基于灰度信息，采用混合鸟算法得到该图像的最佳多阈值集合；基于最佳多阈值对皮肤病灶图像进行自适应分割，最终输出分割后的图像。该发明有效地对皮肤病灶图像进行分割，显著提升了图像处理的效果，具备极强的自适应能力，解决了目前现有皮肤病灶图像处理效果差的问题。现有皮肤病灶图像处理效果差的问题。现有皮肤病灶图像处理效果差的问题。