本发明涉及图像分割，尤其涉及一种基于改进棕熊优化算法的鱼体图像分割方法。
背景技术：
1、鱼体损伤监测在水产养殖和水生态保护领域具有重要意义。鱼体损伤会导致鱼类死亡或生长缓慢，减少养殖产量，增加养殖成本，从而给养殖户带来经济损失，同时，鱼体损伤会成为疾病和寄生虫的入口，增加疾病在养殖场内外传播的风险，影响养殖户的长期收益和社区的公共卫生。
2、图像分割对鱼体损伤进行监测是一种有效的方法，它利用计算机视觉技术自动识别和分析鱼体表面的损伤情况，传统图像分割方法，如阈值分割、边缘检测等，通常依赖预设的参数或人工选择的特征。这些方法在简单场景下可能效果不错，但在复杂的实际应用中，如鱼体损伤检测，可能难以适应多变的背景和损伤类型，导致分割精度和效率不高，同时，传统方法在面对不同种类的鱼或不同光照条件下的图像时，可能需要重新调整参数或选择不同的特征，泛化能力较弱。
3、与其它阈值分割方法相比，二维最大熵阈值法具有较好的分割效果，但是需要大量的运算，从而导致效率低，准确度低等问题，为准确高效的分割出图像的感兴区，通过智能优化算法与二维最大熵阈值法结合，提高提高寻找二维最大熵算法的阈值速度。棕熊优化算法（boa）是一种元启发式的智能优化算法，其设计思想受模拟棕熊的气味标记和嗅探行为所启发，但是，为了追求在前期的全局寻优速度，导致棕熊优化算法迭代后期平衡性差，迭代后期容易陷入局部最优，棕熊优化算法的效果很大程度上取决于参数的设定，因此在实际应用中需要进行适当的调参。
4、msrcr（multi-scale retinex with color restoration）是一种用于图像增强的算法，主要用于改善图像的对比度和颜色还原。它是基于retinex理论的一种实现，旨在模拟人眼对光线和颜色的感知方式，从而提高图像的视觉效果。
技术实现思路
1、本发明的目的在于提供一种基于改进棕熊优化算法的鱼体图像分割方法，以解决背景技术中提出的现有技术中，鱼体损伤监测方式繁琐和监测不精确的问题，主要包括：通过改进棕熊优化算法，整定二维最大熵算法的阈值，提高寻找二维最大熵算法的阈值的精度和速度，从而提高二维最大熵算法实现鱼体图像分割的性能。
2、为解决上述技术问题，本发明所采用的技术方案是：一种基于改进棕熊优化算法的鱼体图像分割方法，包括以下步骤：
3、s1、获取鱼体图像集并预处理，利用高斯滤波算法去除鱼体图像中的噪声。
4、s2、利用msrcr算法对步骤s1预处理后的鱼体图像进行增强处理，提高鱼体图像的对比度和颜色增强。
5、s3、改进标准棕熊优化算法，具体步骤为：
6、s31、引入指数函数，利用发现因子的最大值和上次迭代的值对棕熊优化算法的发现因子改进，利用改进后的发现因子进一步引入随机参数改进棕熊优化算法的步长因子和权重系数；
7、s32、融合黄金正弦算法，并引入余弦函数，利用当前迭代的最大目标函数值和最小目标函数值以及黄金正弦算法系数最大值和最小值对黄金正弦算法的系数因子和改进，提高棕熊优化算法收敛精度；
8、s33、利用"最佳值判断"机制对棕熊优化算法整定阈值是否达到最优进行判定。
9、s4、利用改进棕熊优化算法整定二维最大熵算法的阈值，得到最佳阈值，利用最佳阈值的二维最大熵算法对增强后的鱼体图像进行分割，得到最终的鱼体图像分割图。
10、优选的，由于一维最大熵算法在信噪比较低时，不容易将感兴区分割出来，分割效果不好；二维最大熵图像分割是在其基础上进行优化，考虑点灰度值和其区域灰度值，建立二维直方图，以最大熵原则，计算其阈值，对图像进行分割；在强干扰下，一维最大熵直方图是单峰，而二维最大熵的直方图还是双峰，可有效的降低噪声扰，因此选用二维最大熵算法。
11、优选的，步骤s1，高斯滤波算法在对图像去噪时，高斯滤波器的核大小通常会影响滤波的程度，但是高斯滤波器的核大小具有普适性，根据现有经验即可使高斯滤波算法达到一个不错的去噪效果，因此选用高斯滤波算法对鱼体图像进行去噪，高斯核是根据高斯函数生成的，其值随着距离中心点的增加而减小，高斯函数的公式为：
12、；
13、式中，和为鱼体图像像素距离中心点的横向和纵向距离，为标准差，控制高斯核的形状。
14、优选的，步骤s2，首先利用msrcr算法对预处理后的鱼体图像进行增强处理，msrcr算法通过在多个尺度上处理图像，相对于直方图均衡化算法，msrcr算法能够有效地增强局部和全局的对比度，使得鱼体的特征和损伤区域更加清晰，便于后续对鱼体图像分割时，对损伤部位分割的更加清晰，提供鱼体图像分割效果。
15、优选的，步骤s3，棕熊优化算法的核心思想是将棕熊寻找食物的过程转化为优化问题中的参数寻优过程，棕熊在寻找食物时包括三个阶段，巡逻阶段：棕熊会以随机的方式在食物附近进行搜索；侦查阶段：当棕熊发现食物时，它会跟踪食物并记录最优路径；回归阶段：当棕熊远离食物时，它会回到记录的最优路径上寻找食物；为了提高棕熊优化算法的效果，通过改进棕熊优化算法侦查阶段的发现因子，提高棕熊在跟踪猎物并记录最优路径的性能，即提高棕熊优化算法在侦查阶段的寻优精度。
16、优选的，改进后的棕熊优化算法的发现因子的数学模型公式为公式（1），利用改进棕熊优化算法的巡逻阶段的位置更新策略模型，如公式（2）所示；
17、（1）；
18、式中，为改进后的发现因子的最大值，为改进后的发现因子上次迭代的值，为改进棕熊优化算法的当前迭代次数，初始时，，为改进棕熊优化算法的最大迭代次数；
19、（2）；
20、式中，为棕熊个体数，总数为；为算法维度，总维度为，取值为1，因此；为第次迭代第只棕熊维的新位置，为第次迭代第只棕熊维的当前位置，为第只棕熊维搜索的随机参数，取值为[0,1]。
21、优选的，改进后的发现因子，在范围[0,1]内非线性变化，在迭代前期，发现因子具备较大的值，可以扩大棕熊优化算法的搜索范围，从而避免因搜索范围过小，导致最优解不在算法寻优范围内，导致后期寻优精度低的问题；迭代后期，发现因子自适应减小，降低全局搜索范围，减小棕熊优化算法的寻优时间，促进局部开发并加快收敛速度，使得在整个算法迭代过程中，全局搜索和局部开发达到更好的平衡。
22、优选的，步骤s31，引入改进后的发现因子改进棕熊优化算法的侦查步长因子，改进后的侦查步长因子数学模型公式为：
23、；
24、式中，为0到1内的随机值。
25、优选的，步骤s31，引入改进后的发现因子改进棕熊优化算法的回归权重系数，改进后的回归权重系数数学模型公式为：
26、；
27、式中，为0到1内的随机值。
28、优选的，步骤s3，融合黄金正弦算法，对黄金正弦算法的和两个系数改进，引入余弦机制和目标函数值，改进后的和数学模型公式为：
29、；
30、；
31、式中，为黄金正弦算法系数最大值，取值为1，为黄金正弦算法系数最小值，取值为0，为当前迭代的目标函数最大值，为当前迭代的目标函数最小值，为余弦机制。
32、优选的，改进后的黄金正弦算法具备很好局部开发性能，将改进后的黄金正弦算法融合到棕熊优化算法位置更新后，进一步地提升棕熊优化算法的寻优精度。
33、优选的，步骤s4，二维最大熵算法对图像阈值分割的准确性很大程度上由阈值决定，通过棕熊优化算法对二维最大熵算法进行图像分割的阈值寻优，可以使得二维最大熵算法根据环境和鱼体图像呈现的损伤特征自适应的选择最佳的阈值进行分割，从而提高二维最大熵算法对鱼体图像分割的效果，再对阈值整定时，需要目标函数对整定阈值的效果进行判定，根据二维最大熵算法的原理，利用鱼体图像的目标区域，即损伤部分，和鱼体图像的背景区域的熵函数作为目标函数，目标函数的数学模型公式为：
34、；
35、式中，为改进棕熊优化算法整定后的阈值，和分别为鱼体图像的目标区域和背景区域的熵。
36、优选的，步骤s4，利用改进棕熊优化算法（iboa）整定二维最大熵算法的阈值，得到阈值的具体步骤为：
37、step1、初始化阶段，设置改进后棕熊优化算法（iboa）的种群规模和最大迭代次数以及改进后发现因子的最大值和最小值；
38、step2、随机生成一组棕熊个体，每个棕熊个体代表一个待更新的二维最大熵算法阈值；
39、step3、根据iboa的巡逻阶段、侦查阶段以及回归阶段策略更新棕熊个体的位置，即二维最大熵算法阈值解；
40、step4、对于每个棕熊个体，将位置更新得到的位置解码为二维最大熵算法阈值，根据其代表的阈值计算目标函数的值 ，以此作为个体的适应度值；
41、step5、每次迭代中，将适应度值最小的个体位置对应的二维最大熵算法阈值作为当前最优解；
42、step6、当前迭代次数，重复执行步骤step2-步骤step5，直到目标函数满足"最佳值判断"机制，公式（3），（3），则说明二维最大熵算法阈值达到最佳值，退出寻优循环，将二维最大熵算法阈值解输出。
43、优选的，"最佳值判断"机制中，公式中，为从当前随机个体开始到的棕熊个体数目，其中，的值大于值；通过计算当前个体的位置的目标函数值与当前随机个体开始到的棕熊位置的目标函数均值的差值，累加之后除以，设计公式（3），利用公式（3）计算当前迭代中，棕熊种群中部分个体的目标函数值，即棕熊位置的适应度值的变化率，若公式（3）成立，说明当前种群中各棕熊个体的位置很接近了，继续迭代所起的寻优效果不明显，反向说明寻优效果已经趋于最佳。
44、优选的，模拟iboa的巡逻阶段、侦查阶段以及回归阶段策略更新棕熊个体的位置，将改进后的棕熊优化算法的发现因子作为改进后棕熊优化算法各阶段平衡的能量因子，具体方法为：
45、step31、计算当前迭代改进后的发现因子的值，若大于，同时小于，则引入改进后的发现因子改进位置更新数学模型，执行改进棕熊优化算法的巡逻阶段位置更新公式（2）；
46、step32、若大于同时小于，则引入改进后的发现因子改进步长控制因子，执行改进棕熊优化算法的侦查阶段位置更新公式（4）；
47、；
48、式中，为当前在第维的最佳棕熊位置，为当前在第维的最佳差棕熊位置，为改进后的侦查步长控制因子，数学模型公式为：，为随机步长，公式为：
49、；
50、式中，为0到1内的随机值；
51、step33、若大于同时小于，则引入改进后的发现因子改进权重系数，执行改进棕熊优化算法的回归阶段位置更新公式（5）；
52、；
53、式中，为第次迭代第只棕熊维的当前位置的绝对值，为改进后的回归权重系数；
54、step34，将改进后的黄金正弦算法融入到棕熊优化算法中，建立位置更新数学模型公式（6），更新棕熊种群位置：
55、（6）；
56、式中，和为取值在[0,2π]内的随机值，和为改进后的系数，控制黄金正弦算法寻优精度。
57、本发明的优点和有益效果：本发明提出的种基于改进棕熊优化算法的鱼体图像分割方法，在对鱼体图像分割前，对鱼体图像通过msrcr算法进行增强，提高鱼体图像的对比度和色彩；通过改进棕熊优化算法的发现因子，改进棕熊优化算法的侦查阶段的步长因子和回归阶段的权重系数，并在算法最后阶段融合改进黄金正弦算法，最终改进了棕熊优化算法的位置更新模型，解决了棕熊优化算法在前期全局搜索速度较慢，迭代后期容易陷入局部最优的问题，提高了棕熊优化算法的寻优效果，利用改进棕熊优化算法（iboa）整定二维最大熵算法的阈值，得到最佳阈值实现对鱼体图像分割，解决了传统图像分割方法依赖预设的参数的问题。
1.一种基于改进棕熊优化算法的鱼体图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进棕熊优化算法的鱼体图像分割方法，其特征在于，所述步骤s3，改进后的发现因子公式为：
3.根据权利要求2所述的一种基于改进棕熊优化算法的鱼体图像分割方法，其特征在于，所述步骤s31，引入改进后的发现因子改进棕熊优化算法的侦查步长因子，改进后的侦查步长因子数学模型公式为：
4.根据权利要求3所述的一种基于改进棕熊优化算法的鱼体图像分割方法，其特征在于，所述步骤s31，引入改进后的发现因子改进棕熊优化算法的回归权重系数，改进后的回归权重系数数学模型公式为：
5.根据权利要求4所述的一种基于改进棕熊优化算法的鱼体图像分割方法，其特征在于，所述步骤s32，融合黄金正弦算法，引入余弦机制和目标函数值，对黄金正弦算法的和两个系数改进，改进后的和数学模型公式为：
6.根据权利要求1-5任意一项所述的一种基于改进棕熊优化算法的鱼体图像分割方法，其特征在于，所述步骤s4，利用改进棕熊优化算法整定二维最大熵算法的阈值，得到最佳阈值的具体步骤为：
7.根据权利要求6所述的一种基于改进棕熊优化算法的鱼体图像分割方法，其特征在于，模拟改进棕熊算法的巡逻阶段、侦查阶段以及回归阶段策略更新棕熊个体的位置，将改进后的棕熊优化算法的发现因子作为改进后棕熊优化算法各阶段平衡的能量因子，具体方法为：
