基于阈值和粒子群聚类算法结合的图像分割方法作业.doc

基于粒子群优化算法的最佳熵阈值图像分割 摘 要：图像分割是自动目标识别的关键和首要步骤。群智能作为一类新兴的演化计算技术已被越来越多的研究者关注。论文研究将群智能中的粒子群优化算法应用到图像分割中，提出了一种新的图像分割算法。新方法基于最佳熵阈值分割技术，用粒子群优化算法自适应选取分割阈值。在仿真实验中，针对camera基准图像，将遗传算法与粒子群优化算法分别独立运行10次，对10次得到的阈值以及均值、方差进行了比较，并将运行时间作为算法复杂度的评价指标。统计结果显示，论文算法不仅能够对图像进行准确的分割，而且运行时间明显较短。仿真结果表明，基于粒子群优化的图像分割算法是可行的、有效的。 关键词：图像分割；粒子群优化；最佳熵；遗传算法 0 引言 图像分割是图像处理和前期视觉中的基本技术，是大多数图像分析和视觉系统的重要组成部分。图像分割应用一种或多种运算将图像分成一些具有类似特性（如颜色、纹理、密度等）的区域，主要有阈值方法、边缘检测法、区域跟踪法等。其中，阈值方法因其简单且性能稳定而成为图像分割中的基本技术之一。Otsu等人为控制图像分割造成的信息损失而提出的一种基于信息论熵准则的图像阈值自动选取方法引起了人们的极大关注，其理论研究及实际应用均获得重大突破[1]。 粒子群优化算法（Particle Swarm Optimization，PSO）SwarmIntelligence）的演化计算技术。PSO的优点在于流程简单易实现，算法参数简洁，无需复杂的调整，因此，在短短10年内，PSO被迅速地应用于函数优化、神经网络训练、模糊系统控制、数据聚类等领域[3]。但是国内外将PSO用于图像处理的相关研究成果尚不多见。 本文将粒子群优化算法应用到图像分割中，提出了一种基于最佳熵阈值分割技术的图像分割算法。仿真实验表明，新算法不仅能够对图像进行准确的分割，而且能够以较少的计算代价得到最优阈值。 1 粒子群优化算法 1995年，美国的Kenney博士和Eberhart博士从对鸟群捕食的行为观察研究受到启发，提出了一种新的仿生类智能优化算法—粒子群优化算法（Particle Swarm Optimization, PSO）。粒子群算法将每个个体看作是D维有哪些信誉好的足球投注网站空间中的一个没有体积没有质量的粒子，在有哪些信誉好的足球投注网站空间中以一定的速度飞行，并根据对个体和集体的飞行经验的综合分析来动态调整这个速度[5]。 1.1 基本原理 PSO对鸟群的捕食行为过程进行模拟，由此得到启发并应用于解决优化问题。在此，我们首先给出以下两个定义： （1）粒子：在d维有哪些信誉好的足球投注网站空间中的每只鸟可看是待优化问题的一个解，每只鸟被称之为“粒子”，粒子x是d维有哪些信誉好的足球投注网站空间的粒子。 （2）粒子群：由n个粒子共同组成的一个群体(粒子允许重复)，简称粒子群。n是粒子群的规模。 在PSO算法中，粒子以一定的速度在有哪些信誉好的足球投注网站空间中飞行，并根据自己的飞行经验及同伴的飞行经验来调整相应的速度和方向，这种调整表现在粒子使用个体极值和全局极值来更新自己，这两个极值分别来自粒子本身飞行到的最好位置pbest（即粒子所经历的最优解）和整个种群目前所经历的最好位置pgbest。对粒子当前位置的好坏可以由有一个被优化的函数决定的适应度值来作出判断。此外，若采用粒子群体中的一部分作为粒子的邻居，则邻居粒子局部极值中的最优值为全局极值。粒子在飞行过程中，通过个体与种群间不断的相互交流和学习进行自我更新，最终飞至最优解位置或其邻近区域。在粒子每次迭代(飞行)中，粒子遵循由Shi Y和Eberhart RC提出的全局优化模型，即： (1-1) (1-2) 其中，vk是粒子的速度矢量，xk 表示粒子当前的位置，pbestk 表示粒子自己找到的最优解的位置，pgbestk 表示整个种群目前所找到的最优解的位置。vk+1 是vk 、pbestk-xk 和pgbest-xk 的矢量和。在此，粒子的各维速度均被限定在最大速度vmax与最小速度vmin 内，若更新后的某一维速度超过限定的速度范围，则该维的速度将按下述方式重新设置，即: (1-3) 另外，粒子群参数还包括惯性权重ω，加速常数c1和c2，称为学习因子。两个随机数r1和r2 。 1.2 参数的描述和分析 （1）ω是粒子群优化算法有哪些信誉好的足球投注网站能力的极其重要的参数，粒子飞行过程中，若粒子察觉伙伴状况较好时，则自动对进行某种方式的调整。设定较大的惯性权值有助于有哪些信誉好的足球投注网站一