CN118135376B - 一种基于云计算的图像数据处理方法和处理系统 - Google Patents

Abstract

本发明提供一种基于云计算的图像数据处理方法和处理系统，属于图像处理技术领域，通过对待处理图像进行预聚类初始化，根据预聚类初始化生成的结果确定起始位置和初始分布区域；将蚁群算法的模拟粒子部署于初始分布区域，并进行信息素初始化，得到初始信息素矩阵；利用蚁群算法的模拟粒子对待处理图像进行迭代式的寻优处理，并将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵；根据预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果，本发明结合了启发式初始化和精英蚂蚁策略对图像进行处理，减少探索过程中的盲目性，并减少不必要的探索，从而在整体上减少迭代次数，提升计算效率。

Description

一种基于云计算的图像数据处理方法和处理系统

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于云计算的图像数据处理方法和处理系统。

背景技术

随着数字化时代的到来，图像数据的应用越来越广泛，无论是在医疗诊断、安防监控，还是在工业自动化、遥感测绘等领域，图像数据都扮演着至关重要的角色。然而，随着图像数据量的急剧增长，如何高效、准确地处理和分析这些数据成为亟待解决的问题。

传统的图像数据处理方法大多基于单机计算，受限于硬件资源的限制，在处理大规模图像数据时往往效率低下，且难以满足实时性的要求。同时，传统的图像处理方法在算法上往往采用固定参数或启发式搜索，其处理效果和鲁棒性难以保证。

近年来，云计算技术的发展为大规模数据处理提供了新的解决方案，云计算平台以其强大的计算能力和灵活的资源配置，为图像数据处理提供了广阔的空间。然而，如何在云计算平台上实现高效、准确的图像数据处理，仍是一个具有挑战性的课题。

目前，已有一些基于云计算的图像数据处理方法被提出，但这些方法大多侧重于云计算平台的资源调度和任务分配，而在图像处理的算法层面并没有进行深入的优化。

因此，有必要提供一种基于云计算的图像数据处理方法和处理系统解决上述技术问题。

发明内容

为解决上述技术问题，本发明提供一种基于云计算的图像数据处理方法和处理系统，结合云计算平台的优势，利用蚁群算法对图像数据进行高效、准确的处理，通过云计算平台的多节点并行计算能力，可以显著提高处理速度；同时在蚁群算法中结合了启发式初始化和精英蚂蚁策略对图像进行处理，减少探索过程中的盲目性，并减少不必要的探索，从而在整体上减少迭代次数，提升计算效率。

本发明提供的一种基于云计算的图像数据处理方法，包括云计算平台以及部署于云计算平台中的四个计算节点，且各计算节点分别配置有初始化模块、处理模块、寻优和分类模块以及输出模块，所述处理方法包括以下步骤：

通过所述云计算平台接收待处理图像，并在初始化模块中，对所述待处理图像进行预聚类初始化，同时根据预聚类初始化生成的结果确定起始位置和初始分布区域；

在处理模块中，将蚁群算法的模拟粒子部署于初始分布区域，并在初始分布区域内进行信息素初始化，得到初始信息素矩阵；

在寻优和分类模块中，利用蚁群算法的模拟粒子并根据初始信息素矩阵和起始位置对待处理图像进行迭代式的寻优处理，并基于所述寻优处理的结果将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵；

在输出模块中，根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果。

优选的，所述对所述待处理图像进行预聚类初始化，同时根据预聚类初始化生成的结果确定起始位置和初始分布区域，包括：

对接收的所述待处理图像进行转换，得到特征图像，其中，所述特征图像包括颜色直方图和纹理特征图；

提取颜色直方图的颜色特征和纹理特征图中的纹理特征，并对颜色特征和纹理特征进行整合，得到综合特征向量；

利用聚类算法对所述特征图像的综合特征向量进行像素聚类处理，并根据像素聚类处理的结果确定起始位置和初始分布区域。

优选的，所述聚类算法为K-均值聚类算法、模糊C-均值聚类算法和层次聚类算法其中一种或者多种结合。

优选的，所述像素聚类处理的结果包括聚类中心、聚类边界以及对应所述待处理图像中每个像素的类别标签。

优选的，所述将蚁群算法的模拟粒子部署于初始分布区域，并在初始分布区域内进行信息素初始化，得到初始信息素矩阵，包括：

根据预聚类初始化的结果，在初始分布区域内为每个模拟粒子分配初始位置；

基于初始分布区域的尺寸构建相同尺寸的基础信息素矩阵，并进行初始化操作，得到初始信息素矩阵，其中，初始化操作包括根据预聚类初始化的结果分配不同的初始信息素浓度。

优选的，所述利用蚁群算法的模拟粒子并根据初始信息素矩阵和起始位置对待处理图像进行迭代式的寻优处理，并基于所述寻优处理的结果将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵，包括：

在初始分布区域内，根据初始信息素矩阵和起始位置，初始化模拟粒子的位置和状态；

在模拟粒子的当前位置的邻近区域进行初次搜索，并计算初次搜索时的适应度；

基于预设的适应度阈值和初次搜索时的模拟粒子的适应度进行分类，得到精英粒子和普通粒子；

基于模拟粒子的分类进行迭代搜索并更新初始信息素矩阵，得到更新后的信息素矩阵。

优选的，所述基于模拟粒子的分类进行迭代搜索并更新初始信息素矩阵，得到更新后的信息素矩阵，包括：

在迭代过程中，初始信息素矩阵的更新具体情况为：

对于精英粒子：遍历精英粒子的路径，按照适应度比例增加路径上所有像素的信息素浓度；

对于普通粒子：遍历普通粒子的路径，按照适应度比例减少路径上所有像素的信息素浓度。

优选的，所述适应度比例是指每个精英粒子或者普通粒子的适应度与同类所有粒子中的最大适应度的比值。

优选的，所述根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果，包括：

计算当前迭代后信息素矩阵与上一次迭代之间的改进幅度，其中，所述改进幅度为信息素变化量表示；

将计算出的改进幅度与预设的改进幅度阈值进行比较，若计算出的改进幅度小于预设的改进幅度阈值，则停止迭代；

在停止迭代后，根据最后一次迭代中的精英粒子和普通粒子的路径整合图像分割结果，并将整合好的图像分割结果输出。

本发明还提供了一种基于云计算的图像数据处理系统，应用于一种基于云计算的图像数据处理方法，所述处理系统包括接收待处理图像的云计算平台以及部署于云计算平台中的四个计算节点，各计算节点分别配置有初始化模块、处理模块、寻优和分类模块以及输出模块，其中，

初始化模块用于对待处理图像进行预聚类初始化，同时根据预聚类初始化生成的结果确定起始位置和初始分布区域；

处理模块用于将蚁群算法的模拟粒子部署于初始分布区域，并在初始分布区域内进行信息素初始化，得到初始信息素矩阵；

寻优和分类模块用于利用蚁群算法的模拟粒子并根据初始信息素矩阵和起始位置对待处理图像进行迭代式的寻优处理，并基于所述寻优处理的结果将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵；

输出模块用于根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果。

与相关技术相比较，本发明提供的一种基于云计算的图像数据处理方法和处理系统具有如下有益效果：

本发明通过所述云计算平台接收待处理图像，并在初始化模块中，对所述待处理图像进行预聚类初始化，同时根据预聚类初始化生成的结果确定起始位置和初始分布区域；在处理模块中将蚁群算法的模拟粒子部署于初始分布区域，并在初始分布区域内进行信息素初始化，得到初始信息素矩阵；在寻优和分类模块中利用蚁群算法的模拟粒子并根据初始信息素矩阵和起始位置对待处理图像进行迭代式的寻优处理，并基于所述寻优处理的结果将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵；在输出模块中根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果，本发明结合云计算平台的优势，利用蚁群算法对图像数据进行高效、准确的处理，通过云计算平台的多节点并行计算能力，可以显著提高处理速度；同时在蚁群算法中结合了启发式初始化和精英蚂蚁策略对图像进行处理，减少探索过程中的盲目性，并减少不必要的探索，从而在整体上减少迭代次数，提升计算效率。

附图说明

图1为本发明提供的一种基于云计算的图像数据处理方法的流程图；

图2为本发明提供的一种基于云计算的图像数据处理方法的步骤S1流程图；

图3为本发明提供的一种基于云计算的图像数据处理方法的步骤S2流程图；

图4为本发明提供的一种基于云计算的图像数据处理方法的步骤S3流程图；

图5为本发明提供的一种基于云计算的图像数据处理方法的步骤S4流程图；

图6为本发明提供的一种基于云计算的图像数据处理系统的模块结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以互相组合。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作（或步骤）描述成顺序地处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

本发明提供的一种基于云计算的图像数据处理方法，包括云计算平台以及部署于云计算平台100中的四个计算节点200，且各计算节点200配置有初始化模块300、处理模块400、寻优和分类模块500以及输出模块600，参考图1所示，所述处理方法包括以下步骤：

S1：通过所述云计算平台100接收待处理图像，并在初始化模块300中，对所述待处理图像进行预聚类初始化，同时根据预聚类初始化生成的结果确定起始位置和初始分布区域。

在本实施例中，预聚类的目的是对待处理图像进行初步分组，这有助于后续处理快速定位初始分布区域，减少处理复杂度，通过识别待处理图像中相似特征的像素集群，能更有效地分配计算资源，针对性地进行深度处理。

云计算平台接收到待处理图像后，初始化模块300利用聚类算法快速扫描待处理图像，根据颜色特征或者纹理特征将像素划分为几个簇，这些簇代表了图像中不同的视觉元素或结构，进一步确定每个簇的边界作为起始位置，并标定这些区域作为蚁群算法的初始分布区域进行探索，这一过程显著降低了后续处理的搜索空间，使得算法能更快聚焦于有意义的部分，减少不必要的计算，提高处理速度和资源利用率。

示例性的，假设待处理图像是一幅复杂的生物组织显微图像，其中包含多种细胞类型和结构，预聚类初始化阶段，系统迅速将生物组织显微图像中的细胞核、细胞质、纤维组织等基本结构根据纹理和颜色特性预先分组，这一过程明确了不同细胞成分的大致分布，为蚁群算法设置了起始探索的焦点区域，比如细胞核密集区作为高优先级探索起点。

S2：在处理模块400中，将蚁群算法的模拟粒子部署于初始分布区域，并在初始分布区域内进行信息素初始化，得到初始信息素矩阵。

在本实施例中，信息素初始化模仿了蚂蚁在自然环境中通过释放信息素标记路径的方式，帮助后续蚂蚁找到食物源，也即为蚁群算法设置一个初始的搜索偏好，指引模拟粒子向潜在最优解区域集中。

在确定的初始分布区域内，为每个像素分配一个初始信息素浓度值，而初始信息素浓度值与预聚类结果相关，高可能性区域的信息素浓度较高，随后，根据这些信息素的分布，模拟粒子被随机或策略性地放置，以避免了随机搜索的盲目性，加速了对最优解的收敛过程。

示例性的，在生物组织图像的处理场景中，信息素初始化根据预聚类的结果，为细胞核区域分配较高的初始信息素浓度，因为这一区域往往包含重要的诊断信息，随后，蚁群算法的模拟粒子依据这些信息素线索开始在细胞核密集区周围进行有目的的搜索，模拟粒子的初始分布侧重于这些关键区域，加速了对细胞核边界的识别过程。

S3：在寻优和分类模块500中，利用蚁群算法的模拟粒子并根据初始信息素矩阵和起始位置对待处理图像进行迭代式的寻优处理，并基于所述寻优处理的结果将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵。

在本实施例中，通过引入精英粒子和普通粒子的概念，可以优化探索过程，其中，精英粒子代表了更接近正确答案的路径，通过强化其产生的信息素，可以引导整个群体朝更优解移动，减少无效迭代。

在实施过程中，模拟粒子根据信息素浓度进行移动，并根据一定的规则评估当前位置的适应度，表现优异的粒子（精英粒子）其路径上的信息素浓度会被加强，而普通粒子则继续探索，这一过程反复进行，每次迭代后更新信息素矩阵，逐步逼近最优图像分割或处理结果，通过该步骤实现了智能的资源分配和搜索策略，显著提高了算法的寻优效率和准确度，减少了总体迭代次数。

示例性的，经过几轮迭代，精英粒子通过在细胞核边缘的探索积累了更强的信息素轨迹，这些轨迹有效地指导了其他粒子更精确地界定细胞核与其他细胞组成部分的界限，随着深入，精英粒子的路径不断被强化，普通粒子也逐渐向这些更优路径靠拢，共同优化细胞核的分割结果，这个过程显著提高了细胞识别的准确性和分割质量。

S4：在输出模块600中，根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果。

在本实施例中，设定一个改进幅度阈值作为停止条件，是为了防止算法陷入局部最优或无意义的迭代，保证在合理的时间内提供可用的结果。

在实施过程中，输出模块持续监控每次迭代后信息素矩阵的改进情况，当连续几次迭代的改进幅度低于预设阈值时，认定算法已经收敛，停止进一步迭代，并输出当前的最佳图像处理结果，确保了算法的效率和结果的有效性，避免了不必要的计算浪费，使得处理过程既快速又高效。

示例性的，在处理生物组织图像的过程中，随着迭代的进行，输出模块监测到细胞核分割边界的改善逐渐减缓，连续几次迭代间的改进幅度低于预设阈值，这时，算法判定细胞核的分割已经达到了最高精度，停止进一步迭代，并输出最终的细胞核分割图像，该图像清晰地展示了各个细胞核的轮廓，为后续的细胞计数、形态分析提供了精准的基础数据，充分体现了算法在生物医学图像分析领域的高效与实用性。

在本实施例中，参考图2所示，步骤S1具体包括以下步骤：

S101：对接收的所述待处理图像进行转换，得到特征图像，其中，所述特征图像包括颜色直方图和纹理特征图。

在本实施例中，对接收的待处理图像进行转换，得到特征图像，包括颜色直方图和纹理特征图，这是为了从原始待处理图像中提取更为抽象且具有区分度的特征信息，其中，颜色直方图能够反映图像整体的色彩分布，而纹理特征图则捕获了图像局部结构信息，这一转换过程是至关重要的预处理步骤，它为后续的聚类分析提供了基础数据，有助于算法更高效地理解和区分图像中的不同部分。

S102：提取颜色直方图的颜色特征和纹理特征图中的纹理特征，并对颜色特征和纹理特征进行整合，得到综合特征向量。

在本实施例中，在得到特征图像之后，分别从颜色直方图中提取颜色特征（如色调、饱和度、亮度的分布），从纹理特征图中提取纹理特征（如对比度、方向性、粗糙度），然后，将这些特征按照预定方式整合为单一的综合特征向量，为每个像素点生成一个高维的特征表示，预定方式可以但不限于直接拼接或加权组合，继而为每个像素点创建一个全面的描述，能够基于这些特征向量更好地理解像素之间的差异，从而在后续的聚类中实现更精细的划分。

S103：利用聚类算法对所述特征图像的综合特征向量进行像素聚类处理，并根据像素聚类处理的结果确定起始位置和初始分布区域。

在本实施例中，聚类算法可以但不限于利用K-均值、模糊C-均值或层次聚类算法其中一种或者多种结合，对综合特征向量进行处理，具体为：根据特征相似度将像素点分组，形成若干个聚类，每个聚类代表了图像中的一个特征相似区域。

接着，根据聚类结果，确定每个聚类的中心位置作为起始探索点，聚类边界则定义了蚁群算法的初始分布区域，每个像素的类别标签用于指导算法初始化时的资源分配。

在本实施例中，参考图3所示，步骤S2具体包括以下步骤：

S201：根据预聚类初始化的结果，在初始分布区域内为每个模拟粒子分配初始位置。

在本实施例中，首先根据预聚类初始化的结果，识别出图像中的不同簇或区域。对于每个识别出的基本结构，系统会根据其在待处理图像中的分布，为每个模拟粒子分配一个初始位置，这一分配考虑到了预聚类数据中的特征密度和结构重要性，例如，细胞核区域由于其诊断价值，可能被赋予更多的粒子以进行密集探索。具体操作上，分析每个区域的特征强度，采用概率分布方法或规则策略来决定粒子的初始布局，确保关键区域获得足够的探索力度，通过将每个模拟粒子的位置与预聚类得到的有意义区域直接关联，能够有效引导算法从一开始就关注图像中最具特征的部分，从而提升整体处理效率和准确性。

S202：基于初始分布区域的尺寸构建相同尺寸的基础信息素矩阵，并进行初始化操作，得到初始信息素矩阵，其中，初始化操作包括根据预聚类初始化的结果分配不同的初始信息素浓度。

在本实施例中，首先构建一个与初始分布区域大小一致的二维信息素矩阵，每个矩阵元素代表图像中相应位置的信息素水平，然后，根据预聚类的结果，对矩阵进行填充，那些在预聚类中被识别为具有高度相似特征或重要性的区域，其对应的信息素矩阵单元格会被赋予较高的初始浓度值。相反，特征差异大或不那么重要的区域，则赋予较低的浓度值，通过这样的初始化，信息素矩阵不仅反映了图像内容的结构特征，也为接下来的蚁群算法迭代提供了丰富的先验信息，促进了高效和目标导向的图像处理过程。

创建一个与初始分布区域尺寸相匹配的基础信息素矩阵，并依据预聚类信息对矩阵内的每个单元格进行信息素浓度的个性化初始化，这一过程是基于自然界的蚂蚁行为模拟，通过信息素浓度的差异来引导模拟粒子的探索方向，从而加速算法向最优解的收敛。

在本实施例中，参考图4所示，步骤S3具体包括以下步骤：

S301：在初始分布区域内，根据初始信息素矩阵和起始位置，初始化模拟粒子的位置和状态。

在本实施例中，在初始分布区域内，模拟粒子的位置依据初始信息素矩阵中的高浓度区域进行设置，每个模拟粒子的状态，包括位置坐标、速度向量及可能的搜索策略参数，都将根据其初始位置及信息素的引导而初始化，确保它们具备探索图像特定区域的能力。

S302：在模拟粒子的当前位置的邻近区域进行初次搜索，并计算初次搜索时的适应度。

在本实施例中，每个模拟粒子会在其当前位置周围进行局部搜索，通过比较邻域像素的特征（如颜色、纹理与已知目标特征的相似度），计算出一个适应度值，初次搜索是让模拟粒子在其初始位置周边探索，评估当前位置对于解决问题的适宜程度，通过适应度函数计算适应度，可以初步判断粒子的探索是否有效。

S303：基于预设的适应度阈值和初次搜索时的模拟粒子的适应度进行分类，得到精英粒子和普通粒子。

在本实施例中，所有模拟粒子根据其初次搜索的适应度得分与预设阈值进行比较，得分高于阈值的粒子被标记为精英粒子，反之为普通粒子，这一步骤确保了算法能够动态识别并利用那些已找到较优路径的粒子，以能够促进算法更快地收敛到高质量解。

S304：基于模拟粒子的分类进行迭代搜索并更新初始信息素矩阵，得到更新后的信息素矩阵。

在本实施例中，精英粒子的路径上会沉积更多信息素，意味着它们探索过的路径被标记为更有价值的探索方向，普通粒子则继续探索，可能会发现新的有效路径或加强现有路径，每一轮迭代后，信息素矩阵依据粒子的分类和行为进行更新，逐渐形成信息素浓度更高的路径，这些路径指导着后续迭代中粒子的行动，直至达到停止条件，输出最终的高质量图像处理结果。

其中，在迭代过程中，初始信息素矩阵的更新具体情况为：

对于精英粒子：遍历精英粒子的路径，按照适应度比例增加路径上所有像素的信息素浓度；

对于普通粒子：遍历普通粒子的路径，按照适应度比例减少路径上所有像素的信息素浓度。

其中，适应度比例是指每个精英粒子或者普通粒子的适应度与同类所有粒子中的最大适应度的比值。

在本实施例中，参考图5所示，步骤S4具体包括以下步骤：

S401：计算当前迭代后信息素矩阵与上一次迭代之间的改进幅度，其中，所述改进幅度为信息素变化量表示。

在本实施例中，通过比较两次迭代间信息素矩阵的每个元素，计算其绝对差值或相对变化率，汇总得到整体的改进幅度，具体来说，可以遍历新旧信息素矩阵，对于每一个像素位置，计算新信息素值与前一迭代信息素值之差，累积这些差值或使用统计指标如平均变化量来表征整体改进情况。

通过计算当前迭代后信息素矩阵与上一次迭代之间的差异（改进幅度），以信息素变化量作为衡量标准，确保算法能够实时监控其进展状态。这样做的目的是实现动态调整，及时响应算法收敛情况，避免过度迭代导致的资源浪费。

S402：将计算出的改进幅度与预设的改进幅度阈值进行比较，若计算出的改进幅度小于预设的改进幅度阈值，则停止迭代。

在本实施例中，将计算得出的改进幅度与预设的最小改进幅度阈值进行对比，如果当前改进幅度低于这个阈值，表明进一步迭代带来的改善非常有限，此时触发停止迭代的指令，以确保算法不会无休止运行，陷入低效循环或局部最优解。通过比较改进幅度与预设阈值，决定算法的迭代进程是否应该停止。

S403：在停止迭代后，根据最后一次迭代中的精英粒子和普通粒子的路径整合图像分割结果，并将整合好的图像分割结果输出。

在本实施例中，在停止迭代后，根据最后一次迭代中所有粒子（尤其是精英粒子）的路径信息，整合这些路径对应的分割决策，形成最终的分割方案，也即，那些在迭代中表现出色，能够更准确界定目标区域的粒子路径将被优先考虑并融合进最终图像中。

本发明提供的一种基于云计算的图像数据处理方法的工作原理如下：本发明通过所述云计算平台接收待处理图像，并在初始化模块中，对所述待处理图像进行预聚类初始化，同时根据预聚类初始化生成的结果确定起始位置和初始分布区域；在处理模块中将蚁群算法的模拟粒子部署于初始分布区域，并在初始分布区域内进行信息素初始化，得到初始信息素矩阵；在寻优和分类模块中利用蚁群算法的模拟粒子并根据初始信息素矩阵和起始位置对待处理图像进行迭代式的寻优处理，并基于所述寻优处理的结果将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵；在输出模块中根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果，本发明结合云计算平台的优势，利用蚁群算法对图像数据进行高效、准确的处理，通过云计算平台的多节点并行计算能力，可以显著提高处理速度；同时在蚁群算法中结合了启发式初始化和精英蚂蚁策略对图像进行处理，减少探索过程中的盲目性，并减少不必要的探索，从而在整体上减少迭代次数，提升计算效率。

实施例二

本发明还提供了一种基于云计算的图像数据处理系统，参考图6所示，应用于一种基于云计算的图像数据处理方法，所述处理系统包括接收待处理图像的云计算平台100以及部署于云计算平台中的四个计算节点200，各计算节点200配置有初始化模块300、处理模块400、寻优和分类模块500以及输出模块600，其中，

初始化模块300用于对待处理图像进行预聚类初始化，同时根据预聚类初始化生成的结果确定起始位置和初始分布区域。

处理模块400用于将蚁群算法的模拟粒子部署于初始分布区域，并在初始分布区域内进行信息素初始化，得到初始信息素矩阵。

寻优和分类模块500用于利用蚁群算法的模拟粒子并根据初始信息素矩阵和起始位置对待处理图像进行迭代式的寻优处理，并基于所述寻优处理的结果将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵。

输出模块600用于根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果。

本申请是参照根据本申请实施例的方法、设备（系统）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一种计算机可读存储介质中，存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read Only Memory，EPROM）、一次可编程只读存储器（One-time Programmable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器，或者能够用于携带或存储数据的计算机可读的任何其他介质。

还需要说明的是，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

Claims (9)

1.一种基于云计算的图像数据处理方法，包括云计算平台以及部署于云计算平台中的四个计算节点，且各计算节点分别配置有初始化模块、处理模块、寻优和分类模块以及输出模块，其特征在于，所述处理方法包括以下步骤：

通过所述云计算平台接收待处理图像，并在初始化模块中，对所述待处理图像进行预聚类初始化，同时根据预聚类初始化生成的结果确定起始位置和初始分布区域；

在处理模块中，将蚁群算法的模拟粒子部署于初始分布区域，并在初始分布区域内进行信息素初始化，得到初始信息素矩阵；

在寻优和分类模块中，利用蚁群算法的模拟粒子并根据初始信息素矩阵和起始位置对待处理图像进行迭代式的寻优处理，并基于所述寻优处理的结果将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵；

所述模拟粒子根据其初次搜索的适应度得分与预设阈值进行比较，得分高于阈值的粒子被标记为精英粒子，反之为普通粒子，确保了算法能够动态识别并利用那些已找到较优路径的粒子，以能够促进算法更快地收敛到高质量解；

在输出模块中，根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果；

所述根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果，包括：

计算当前迭代后信息素矩阵与上一次迭代之间的改进幅度，其中，所述改进幅度为信息素变化量表示；

将计算出的改进幅度与预设的改进幅度阈值进行比较，若计算出的改进幅度小于预设的改进幅度阈值，则停止迭代；

在停止迭代后，根据最后一次迭代中的精英粒子和普通粒子的路径整合图像分割结果，并将整合好的图像分割结果输出。

2.根据权利要求1所述的一种基于云计算的图像数据处理方法，其特征在于，所述对所述待处理图像进行预聚类初始化，同时根据预聚类初始化生成的结果确定起始位置和初始分布区域，包括：

对接收的所述待处理图像进行转换，得到特征图像，其中，所述特征图像包括颜色直方图和纹理特征图；

提取颜色直方图的颜色特征和纹理特征图中的纹理特征，并对颜色特征和纹理特征进行整合，得到综合特征向量；

利用聚类算法对所述特征图像的综合特征向量进行像素聚类处理，并根据像素聚类处理的结果确定起始位置和初始分布区域。

3.根据权利要求2所述的一种基于云计算的图像数据处理方法，其特征在于，所述聚类算法为K-均值聚类算法、模糊C-均值聚类算法和层次聚类算法其中一种或者多种结合。

4.根据权利要求2所述的一种基于云计算的图像数据处理方法，其特征在于，所述像素聚类处理的结果包括聚类中心、聚类边界以及对应所述待处理图像中每个像素的类别标签。

5.根据权利要求2所述的一种基于云计算的图像数据处理方法，其特征在于，所述将蚁群算法的模拟粒子部署于初始分布区域，并在初始分布区域内进行信息素初始化，得到初始信息素矩阵，包括：

根据预聚类初始化的结果，在初始分布区域内为每个模拟粒子分配初始位置；

基于初始分布区域的尺寸构建相同尺寸的基础信息素矩阵，并进行初始化操作，得到初始信息素矩阵，其中，初始化操作包括根据预聚类初始化的结果分配不同的初始信息素浓度。

6.根据权利要求5所述的一种基于云计算的图像数据处理方法，其特征在于，所述利用蚁群算法的模拟粒子并根据初始信息素矩阵和起始位置对待处理图像进行迭代式的寻优处理，并基于所述寻优处理的结果将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵，包括：

在初始分布区域内，根据初始信息素矩阵和起始位置，初始化模拟粒子的位置和状态；

在模拟粒子的当前位置的邻近区域进行初次搜索，并计算初次搜索时的适应度；

基于预设的适应度阈值和初次搜索时的模拟粒子的适应度进行分类，得到精英粒子和普通粒子；

基于模拟粒子的分类进行迭代搜索并更新初始信息素矩阵，得到更新后的信息素矩阵。

7.根据权利要求6所述的一种基于云计算的图像数据处理方法，其特征在于，所述基于模拟粒子的分类进行迭代搜索并更新初始信息素矩阵，得到更新后的信息素矩阵，包括：

在迭代过程中，初始信息素矩阵的更新具体情况为：

对于精英粒子：遍历精英粒子的路径，按照适应度比例增加路径上所有像素的信息素浓度；

对于普通粒子：遍历普通粒子的路径，按照适应度比例减少路径上所有像素的信息素浓度。

8.根据权利要求7所述的一种基于云计算的图像数据处理方法，其特征在于，所述适应度比例是指每个精英粒子或者普通粒子的适应度与同类所有粒子中的最大适应度的比值。

9.一种基于云计算的图像数据处理系统，应用于上述权利要求1至8任意一项所述的一种基于云计算的图像数据处理方法，其特征在于，所述处理系统包括接收待处理图像的云计算平台以及部署于云计算平台中的四个计算节点，各计算节点分别配置有初始化模块、处理模块、寻优和分类模块以及输出模块，其中，

初始化模块用于对待处理图像进行预聚类初始化，同时根据预聚类初始化生成的结果确定起始位置和初始分布区域；

处理模块用于将蚁群算法的模拟粒子部署于初始分布区域，并在初始分布区域内进行信息素初始化，得到初始信息素矩阵；

所述模拟粒子根据其初次搜索的适应度得分与预设阈值进行比较，得分高于阈值的粒子被标记为精英粒子，反之为普通粒子，确保了算法能够动态识别并利用那些已找到较优路径的粒子，以能够促进算法更快地收敛到高质量解；

寻优和分类模块用于利用蚁群算法的模拟粒子并根据初始信息素矩阵和起始位置对待处理图像进行迭代式的寻优处理，并基于所述寻优处理的结果将模拟粒子分为精英粒子和普通粒子，以及更新初始信息素矩阵，得到更新后的信息素矩阵；

输出模块用于根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果；

所述根据更新后的信息素矩阵计算改进幅度，在改进幅度小于预设的改进幅度阈值时停止迭代，并输出所述待处理图像的分割结果，包括：

计算当前迭代后信息素矩阵与上一次迭代之间的改进幅度，其中，所述改进幅度为信息素变化量表示；

将计算出的改进幅度与预设的改进幅度阈值进行比较，若计算出的改进幅度小于预设的改进幅度阈值，则停止迭代；

在停止迭代后，根据最后一次迭代中的精英粒子和普通粒子的路径整合图像分割结果，并将整合好的图像分割结果输出。