智能优化算法应用：麻雀算法优化脉冲耦合神经网络的图像自动分割 -附代码

本文主要是介绍智能优化算法应用：麻雀算法优化脉冲耦合神经网络的图像自动分割 -附代码，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

智能优化算法应用：麻雀算法优化脉冲耦合神经网络的图像自动分割

文章目录

智能优化算法应用：麻雀算法优化脉冲耦合神经网络的图像自动分割
- 1.麻雀搜索算法
- 2.PCNN网络
- 3.实验结果
- 4.参考文献
- 5.Matlab代码

摘要：本文利用麻雀搜索算法对脉冲耦合神经网络的参数进行优化，以信息熵作为适应度函数，提高其图像分割的性能。

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.PCNN网络

在这里插入图片描述

图1.PCNN 模型结构

为了提高效率，减少参数间的相互作用，采用简化的 PCNN 模型。如图1所示，简化 PCNN 的结构分为接收部分、调制部分和脉冲发生器 3 部分。其数学表达式为：
$F_{ij}[n] = S_{ij} \tag{1}$

$F_{ij}[n] = \sum W_{ijkl}Y_{kl}[n-1] \tag{2}$

$\theta_{ij}[n] = exp(-\alpha_E)\theta_{ij}[n-1]+V_EY_{ij}[n-1] \tag{3}$

$Y_{ij}[n] = \begin{cases} 1,U_{ij}[n]\geq \theta_{ij}[n]\\ 0,U_{ij}[n]<\theta_{ij}[n] \end{cases} \tag{4}$

式中: $F_{ij}[n]$ 表示 PCNN 的输入; $S_{ij}[n]$ 是外部输入，比如一幅图像的所有像素点; $L_{ij}[n]$ 是连接输入; $U_{ij}[n]$ 是内部活动项， $\theta_{ij}[n]$ 表示动态阈值， $Y_{ij}[n]$ 是神经网络的输出; $\beta$ 是连接系数， $W_{ijkl}$ 是连接矩阵; $\alpha_E$ 是阈值衰减系数， $V_E$ 是阈值放大系数。通常 $W_{ijkl}$ 可以设置为：
$W_{ijkl} = [\begin{matrix}0.707&1&0.707\\ 1&0&1\\ 0.707&1&0.707 \end{matrix}] \tag{5}$
在这些参数中，对分割结果产生较大影响的主要有3个:连接系数 $\beta$ 、阈值衰减系数 $\alpha_E$ 、阈值放大系数 $V_E$ 。

3.麻雀适应度函数设计

适应度函数作为优化算法中重要的一部分，影响着分割结果。熵能够反映目标包含的信息量的大小，熵越大，说明包含的信息量越大。因此，本文选取分割后图像的熵作为适应度函数，其公式为:
$=-p_1*log_2p_1 - p_0*log_2p_0 \tag{6}$
式中: $p_1$ 是二值图像中 1 占整幅图像的比例; $p_0$ 是二值图像中 0 占整幅图像的比例。

由于麻雀优化算法为寻找最小值，于是添加负号，转换为选找最小值：
$\tag{7}$

3.实验结果

麻雀参数设置如下：

3 个参数范围均设置为 0．001 ～200;

%% 麻雀算法优化脉冲耦合神经网络的图像自动分割
%读取图像
I = imread('lena.jpg');
%将图像转换为灰度图
if(size(I,3)~=1)Igray = rgb2gray(I);
elseIgray = I;
end
%对连接系数β、阈值衰减系数 αE 、阈值放大数 VE进行优化
%设置麻雀算法参数
%参数范围均设置为 0．001-200
dim = 3;%维度，3维即优化的3个参数
lb = 0.001.*ones(1,dim); %下边界
ub = 200.*ones(1,dim); %上边界
pop = 20;%种群数量
Max_iteration = 20;%最大迭代次数
fobj = @(x) fun(x,Igray);%适应度函数

在这里插入图片描述