本发明涉及一种基于改进萤火虫算法的多阈值摇床彩色矿带分带图像分割法，属于图像处理技术领域。
背景技术：
在摇床选矿过程中，当矿石性质(粒度、品位等)发生变化时，摇床床面上形成的矿带分带会随之发生变化，这时需要及时调整接矿板的接取位置或根据分带情况合理调节给水量、给矿量、冲次等工艺操作因素，这样才能保证选别指标的稳定。目前，我国的大部分选矿企业都通过工人的肉眼来观察摇床床面上形成的矿带分带情况，及时对调整接矿板的位置进行必要的调整和调节各工艺操作因素。这种工人观察摇床矿带分带的变化情况和采用人工的方法来分割摇床矿带分带，存在工作量和劳动强度大、分带过程受人为因素影响较大、分带的精确度低和实时性滞后等缺点。为了解决此问题，提出利用数字图像阈值分割技术对摇床床面上形成的彩色矿带分带图像进行实时分割，该方法不需要人工干预，可以直接利用图像阈值分割技术对摇床床面上的矿带分带图像进行实时地分割。
传统的阈值分割算法对单阈值分割十分有效，如最大类间方差、kapur熵、kapur熵等各种方法。但是由于这些方法在搜索最佳阈值时，采用的是穷举的方式，因此对于多阈值分割，传统的阈值方法存在耗时非常长的缺点。为了解决此问题，在许多文献和论文中提出了基于智能群体优化算法的多阈值分割法来解决传统的多阈值分割算法存在的问题。
萤火虫算法是一种新的智能群体优化算法，许多文献中指出其性能优于其它的许多智能群体优化算法，并被用于许多复杂问题的优化求解中。但基本的萤火虫算法存在收敛速度慢和容易陷入局部最优的问题。
因此，需要对基本的萤火虫算法进行改进，并将其应用于摇床彩色矿带分带图像的多阈值分割，提出一种基于改进萤火虫算法的多阈值摇床彩色矿带分带图像分割方法。
技术实现要素：
本发明提供了一种基于改进萤火虫算法的多阈值摇床彩色矿带分带图像分割法，以用于克服利用工人观察摇床矿带分带的变化情况和采用人工的方法来分割摇床矿带分带存在的问题，提出一种新的基于改进的萤火虫算法的多阈值摇床彩色矿带分带图像分割方法。针对基本的萤火虫算法存在的收敛速度慢和容易陷入局部最优的问题，提出一种改进的萤火虫算法，用于摇床床面上形成的彩色矿带分带图像的多阈值分割，提高萤火虫算法收敛性。
本发明的技术方案是：一种基于改进萤火虫算法的多阈值摇床彩色矿带分带图像分割法，本发明首先求出彩色的摇床矿带分带图像的r、g和b三个分量，然后分别对r、g和b三个分量进行多阈值分割，求出每个分量的最佳阈值。在分别求三个分量的最佳阈值时，都必须做以下操作：对萤火虫的位置进行初始化，让萤火虫均匀地分布在[0,255]的位置范围内；以kapur熵为适应度函数，计算每个萤火虫个体的适应度函数值，并根据介绍出来的适应度函数值对每个萤火虫的荧光素值进行更新，计算萤火虫位置的移动概率，利用改进的步长更新方式对步长进行更新，利用借鉴了粒子群优化算法的位置更新公式，对萤火虫位置进行更新，计算每个萤火虫的适应度函数值，经过多次迭代之后，全局最优位置即为r、g和b三个分量对应的最佳阈值。最后根据求出的r、g和b三个分量的最佳阈值，分别对三个分量进行分割，得到摇床彩色矿带分带图像的分割结果。该方法在搜索r、g和b三个分量最佳阈值的过程中，根据迭代次数对步长s进行更新，新的步长更新方式如下所示：
式中s(t)为迭代次数t时的步长，tmax为最大迭代次数；
改进的萤火虫位置更新公式如下所示：
其中xi(t 1)为萤火虫i在迭代次数t 1时的位置，xi(t)为萤火虫i在迭代次数t时的位置，rand为[0,1]范围内发布的随机函数，gbest为在迭代次数t时所有萤火虫个体中适应度函数值最大的萤火虫个体；
实现本发明的技术方案的具体方法和步骤如下：
(1)在摇床选矿的过程中，实时拍摄摇床床面上形成的彩色矿带分带图像，求出彩色的摇床矿带分带图像的r、g和b三个分量；
(2)接着分别求r、g和b每个分量的最佳阈值，求三个分量的最佳阈值时，都必须做以下操作：
(i)萤火虫个体的初始化：对改进的萤火虫算法的参数进行设置，设置最大迭代次数tmax、萤火虫的个数n、最佳阈值的个数m、萤火虫的荧光素初值l0、动态决策域的更新率β、萤火虫的更新率γ、萤火虫的动态决策域r0。r、g和b每个分量中萤火虫的位置范围都为[0,255]，使n个萤火虫均匀的分布在[0,255]的位置范围内；
(ii)荧光素值的更新：计算每个萤火虫个体的适应度函数值，对每个萤火虫的荧光素值进行更新，荧光素值的更新公式为：li(t 1)＝(1-ρ)li(t) γji(t 1)，其中li(t 1)为萤火虫i在迭代次数t 1时的荧光素值，li(t)为萤火虫i在迭代次数t时的荧光素值，ρ为荧光素的延迟因子，γ为荧光素更新率，ji(t 1)为萤火虫i在迭代次数t 1时的适应度函数值；
(iii)萤火虫的位置更新，包括以下步骤：
(a)计算萤火虫位置的移动概率：利用公式
(b)步长更新：在每一次迭代过程中，利用公式
(c)萤火虫的位置更新：利用萤火虫的位置更新公式
(iv)萤火虫的动态决策域更新：依据公式
(v)计算萤火虫的适应度函数值，并按照适应度函数值的大小对萤火虫进行排列，找出当前适应度函数值最优的萤火虫个体；
(vi)循环步骤(ii)、(iii)、(iv)、(v)tmax次，整个萤火虫个体中，全局最优个体对应的位置即为最佳阈值，分别求出r、g和b三个分量的最佳阈值；
(3)根据求出的r、g和b三个分量的最佳阈值对摇床床面上形成的彩色矿带图像进行分割，得到摇床彩色矿带图像的分割结果。
本发明中所述步骤(2)中的参数，最大迭代次数tmax范围为[20,50]，萤火虫个体数目n的范围为[50,80]。
本发明的有益效果是：
1、本发明提出基于一种基于改进萤火虫算法的多阈值摇床彩色矿带分带图像分割法，该方法可以克服利用工人观察摇床矿带分带的变化情况和采用人工的方法来分割摇床矿带分带存在的问题，提高摇床彩色矿带分带图像分割的实时性和准确性，大大地节约劳动力，提高矿物的回收率和利用率；
2、本发明提出一种改进的萤火虫算法，该算法提出随着迭代次数非线性自适应调整步长的策略，借鉴粒子群优化算法的位置更新公式，提出新的萤火虫位置更新方式。改进的萤火虫算法提高了算法的收敛性，能够准确和快速地找到摇床彩色矿带图像r、g和b三个分量的最佳阈值。
附图说明
图1为本发明中的流程图。
具体实施方式
实施例1：参见图1，以从云南锡业集团大屯选矿厂拍摄的摇床彩色矿带分带图像为例，利用vc 软件编写程序，对彩色的锡矿精矿、中矿和尾矿矿带进行分割，采用的方法和具体步骤如下：
(1)在摇床选矿的过程中，实时拍摄摇床床面上形成的彩色矿带分带图像，求出彩色的摇床矿带分带图像的r、g和b三个分量；
(2)接着分别求r、g和b每个分量的最佳阈值，求三个分量的最佳阈值时，都必须做以下操作：
(i)萤火虫个体的初始化：对改进的萤火虫算法的参数进行设置，最大迭代次数tmax＝25、萤火虫的个数n为50、最佳阈值的个数m为2、萤火虫的荧光素初值l0为5、动态决策域的更新率β为0.08、萤火虫的更新率γ为0.6、萤火虫的动态决策域r0为5。r、g和b每个分量中萤火虫的位置范围都为[0,255]，使n个萤火虫均匀的分布在[0,255]的位置范围内；
(ii)荧光素值的更新：以kapur熵公式h(t1,t2)＝h1 h2 h3计算萤火虫的适应度函数值，对萤火虫个体进行最好到最差的排列，对每个萤火虫的荧光素值进行更新，荧光素值的更新公式为：li(t 1)＝(1-ρ)li(t) γji(t 1)，其中li(t 1)为萤火虫i在迭代次数t 1时的荧光素值，li(t)为萤火虫i在迭代次数t时的荧光素值，ρ为荧光素的延迟因子，γ为荧光素更新率，ji(t 1)为萤火虫i在迭代次数t 1时的适应度函数值；
(iii)萤火虫的位置更新，包括以下步骤：
(a)计算萤火虫位置的移动概率：利用公式
(b)步长更新：在每一次迭代过程中，利用公式
(c)萤火虫的位置更新：利用萤火虫的位置更新公式
(iv)萤火虫的动态决策域更新：依据公式
(v)计算萤火虫的适应度函数值，并按照适应度函数值的大小对萤火虫进行排列，找出当前适应度函数值最优的萤火虫个体；
(vi)循环步骤(ii)、(iii)、(iv)、(v)25次，r分量搜索到的适应度函数最大值为11.03310，最佳阈值为[154,198]；g分量搜索到的适应度函数最大值为10.64567，最佳阈值为[95,128]；b分量搜索到的适应度函数最大值为10.18591，最佳阈值为[65,103]；
(3)根据求出的r、g和b三个分量的最佳阈值对摇床床面上形成的彩色矿带图像进行分割，将摇床矿带分割为精矿、中矿和尾矿四个矿带。
其中，利用kapur熵计算萤火虫个体的适应度函数值，萤火虫个体的适应度函数为r、g、b三个分量的适应度函数值之和，迭代次数为25次时，50个萤火虫个体的适应度函数值分别为：
h＝[0,0,0,0,9.26773,9.89009,16.90139,19.99492,28.51304,29.26464,29.52299,29.86117,30.21879,30.65099,30.72661,30.95466,31.00098,31.08147,31.16851,31.46370,31.51578,31.59977,31.65136,31.79533,31.85393,31.85393,31.85464,31.85464,31.86158,31.86256,31.86314,31.86314,31.86314,31.86314,31.86314,31.86468,31.86468,31.86468,31.86468,31.86468,31.86468,31.86468,31.86468,31.86468,31.86468,31.86468,31.86468,31.86468,31.86468,31.86468]。
实施例2：参见图1，利用vc 软件对摇床床面上形成的锡矿的精矿、次精矿、中矿和尾矿彩色矿带图像进行分割，采用的方法和步骤与实施例1相同，其中最大迭代次数为30：
(1)在摇床选矿的过程中，实时拍摄摇床床面上形成的彩色矿带分带图像，求出彩色的摇床矿带分带图像的r、g和b三个分量；
(2)接着分别求r、g和b每个分量的最佳阈值，求三个分量的最佳阈值时，都必须做以下操作：
(i)萤火虫个体的初始化：对改进的萤火虫算法的参数进行设置，最大迭代次数tmax＝30、萤火虫的个数n为50、最佳阈值的个数m为3、萤火虫的荧光素初值l0为5、动态决策域的更新率β为0.08、萤火虫的更新率γ为0.6、萤火虫的动态决策域r0为5。r、g和b每个分量中萤火虫的位置范围都为[0,255]，使n个萤火虫均匀的分布在[0,255]的位置范围内；
(ii)荧光素值的更新：以kapur熵公式h(t1,t2)＝h1 h2 h3计算萤火虫的适应度函数值，对萤火虫个体进行最好到最差的排列，对每个萤火虫的荧光素值进行更新，荧光素值的更新公式为：li(t 1)＝(1-ρ)li(t) γji(t 1)，其中li(t 1)为萤火虫i在迭代次数t 1时的荧光素值，li(t)为萤火虫i在迭代次数t时的荧光素值，ρ为荧光素的延迟因子，γ为荧光素更新率，ji(t 1)为萤火虫i在迭代次数t 1时的适应度函数值；
(iii)萤火虫的位置更新，包括以下步骤：
(a)计算萤火虫位置的移动概率：利用公式
(b)步长更新：在每一次迭代过程中，利用公式
(c)萤火虫的位置更新：利用萤火虫的位置更新公式
(iv)萤火虫的动态决策域更新：依据公式
(v)计算萤火虫的适应度函数值，并按照适应度函数值的大小对萤火虫进行排列，找出当前适应度函数值最优的萤火虫个体；
(vi)循环步骤(ii)、(iii)、(iv)、(v)30次，r分量搜索到的适应度函数最大值为15.78807，最佳阈值为[65,119,178]；g分量搜索到的适应度函数最大值为15.42204，最佳阈值为[51,92,154]；b分量搜索到的适应度函数最大值为15.64593，最佳阈值为[53,125,174]；
(3)根据求出的r、g和b三个分量的最佳阈值对摇床床面上形成的彩色矿带图像进行分割，将摇床矿带分割为精矿、次精矿、中矿和尾矿。
其中，利用kapur熵计算萤火虫个体的适应度函数值，萤火虫个体的适应度函数为r、g、b三个分量的适应度函数值之和，迭代次数为30次时，50个萤火虫个体的适应度函数值分别为：
h＝[0,0,0,0,46.84526,46.84789,46.84902,46.84963,46.85142,46.85347,46.85397,46.85583,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604,46.85604]。
实施例3：参见图1，对锡矿的精矿、次精矿、中矿和尾矿矿带进行分割，采用的方法和步骤与实施例1相同，最大迭代次数为35，其中利用kapur熵h(t1,t2,t3)＝h1 h2 h3 h4，来计算萤火虫个体的适应度函数值，循环步骤(ii)、(iii)、(iv)、(v)35次，搜索到r分量的适应度函数最大值为15.86894，最佳阈值为[80,130,186]；搜索到g分量的适应度函数最大值为15.85173，最佳阈值为[68,114,169]；搜索到b分量的适应度函数最大值为16.14809，最佳阈值为[56,109,165]；
(3)根据求出的r、g和b三个分量的最佳阈值对摇床床面上形成的彩色矿带图像进行分割，将摇床矿带分割为精矿、次精矿、中矿和尾矿四个矿带。
其中，利用kapur熵计算萤火虫个体的适应度函数值，萤火虫个体的适应度函数为r、g、b三个分量的适应度函数值之和，迭代次数为35次时，50个萤火虫个体的适应度函数值分别为：
h＝[0,0,0,0,0,47.85995,47.86069,47.86246,47.86721,47.86805,47.86849,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877,47.86877]。
实施例4：为了验证基于改进萤火虫算法的多阈值摇床彩色矿带图像分割法的性能，本实施例中选取了三幅彩色摇床矿带分带图像，分别利用基本的萤火虫算法和本发明中的改进萤火虫算法对三幅彩色图像进行分割，两种算法采用的参数与实施例1中的相同。本发明中的改进萤火虫算法提出了随着迭代次数非线性自适应调整步长的策略和借鉴粒子群优化算法的思想提出新的位置更新公式，提高了算法的收敛速度和收敛精度，能够快速和准确地搜索到摇床彩色矿带分带图像r、g和b三个分量的最佳适应度函数值和最佳阈值，实时和精确地对彩色摇床矿带分带图像进行分割。
表1：实验比较结果
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。