群體智能算法在圖像分割中的閾值選擇優(yōu)化算法研究.pdf

1、閾值分割方法作為傳統(tǒng)圖像分割方法的重要分支，其實(shí)時性能的好壞直接影響著整個系統(tǒng)的運(yùn)轉(zhuǎn)效率，成為衡量閾值分割方法優(yōu)越性的一項(xiàng)重要指標(biāo)。傳統(tǒng)的閾值分割方法，隨著閾值數(shù)的增加，最優(yōu)閾值的選擇這一問題的計(jì)算復(fù)雜度呈指數(shù)級增加，當(dāng)閾值數(shù)較多時，通常不能滿足實(shí)時性要求。目前，結(jié)合優(yōu)化能力強(qiáng)的群體智能算法來尋找特定分割準(zhǔn)則下的最優(yōu)閾值已成為國內(nèi)外學(xué)者的一個研究熱點(diǎn)。
　　本文在分析七種群體智能算法的算法原理基礎(chǔ)上，對比分析了各群體智能算法在基于

2、OTSU法和基于Kapur熵法的最優(yōu)閾值選擇應(yīng)用中的尋優(yōu)性能。實(shí)驗(yàn)結(jié)果表明，當(dāng)采用不同的準(zhǔn)則函數(shù)來進(jìn)行最優(yōu)閾值選擇時，雖然各群體智能算法的性能有所不同，但在綜合考慮各群體智能算法的尋優(yōu)精度、尋優(yōu)穩(wěn)定性、尋優(yōu)成功率以及收斂速度幾個性能指標(biāo)下，無論是在基于OTSU法還是在基于 Kapur熵法的最優(yōu)閾值選擇應(yīng)用中，CS的尋優(yōu)性能均優(yōu)于對比的其它算法，而ABCA、SFLA兩種算法均劣于對比的其它算法。在分析各群體智能算法和模式搜索算法的優(yōu)缺點(diǎn)后

3、，提出用固定步長1的模式搜索算法來對各群體智能算法每次迭代尋得的群體歷史最優(yōu)解進(jìn)行再搜索的改善策略。實(shí)驗(yàn)結(jié)果表明，本文提出的改善策略能有效提升“能有效跳出局部極值，或能較好平衡全局開發(fā)能力和局部探索能力”這類群體智能算法在圖像最優(yōu)閾值選擇應(yīng)用中的尋優(yōu)性能，但閾值選擇所采用的具體準(zhǔn)則函數(shù)不同，本文提出的改進(jìn)策略對各群體智能算法的改善效果略有差異。在針對應(yīng)用群體智能算法解決基于 OTSU法的最優(yōu)閾值選擇這一具體應(yīng)用中，本文提出的改進(jìn)策略，當(dāng)