基于新型启发式搜索算法的图像多阈值分割技术研究

发布时间：2021-10-28 15:16

　　随着人工智能和人工生命持续不断地发展,许多新型的启发式搜索算法应运而生。例如,烟花算法、鸡群优化算法和扩展人工雨滴算法等。目前,这些新型算法应用于图像分割中相对较少。因此,本文重点研究2010年以来出现的3种新型启发式搜索算法,分析和理解其思想和方法,并尝试将它们应用到图像的多阈值分割技术中。本文的主要创新性成果包括以下几个方面:（1）我们针对基本烟花算法,深入分析烟花的爆炸过程,改进爆炸算子,加快算法的收敛速度,并将改进算法应用到图像多阈值分割中,提出一种基于改进烟花算法的图像多阈值分割方法。该方法把三级平稳小波变换作为图像降噪工具,对待分割图像进行预处理,选取最大类间方差法作为评价烟花个体优劣的目标函数,利用改进烟花算法找出最优解。实验结果表明,与烟花算法相比,改进烟花算法明显加快了收敛速度,并减少了图像分割所需时间。（2）我们针对基本鸡群优化算法,深入分析鸡群优化算法中公鸡、母鸡和小鸡3种不同角色的行为模式,提出基于鸡群优化算法的自适应图像多阈值分割方法。该方法利用待分割图像的直方图自适应地确定阈值个数,以最大类间方差法作为目标函数,利用鸡群个体分工中的3种角色的不断更新和迭代,... 

【文章来源】：陕西师范大学陕西省 211工程院校 教育部直属院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图３－１不同质量的烟花的爆炸及某个烟花的变异的过程??

?（Ｃ）?（ｄ）??图３－１不同质量的烟花的爆炸及某个烟花的变异的过程??Ｆｉｇ．３－１?Ｐｒｏｃｅｄｕｒｅ?ｏｆ?ｔｈｅ?ｅｘｐｌｏｓｉｏｎ?ｏｆ?ｆｉｒｅｗｏｒｋｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｑｕａｌｉｔｙ?ａｎｄ?ｔｈｅ?ｍｕｔａｔｉｏｎ?ｏｆ?ａ?ｆｉｒｅｗｏｒｋ??ＦＷＡ首先随机初始化包含ＴＶ个烟花的种群，然后让群体中的父代烟花经历爆??炸操作，并且以一定的比率进行变异操作，并应用映射规则，保证变异后的个体??仍处于解空间内；最后在候选者集合（包括父代烟花、爆炸火花和变异火花）中保留??最优个体的前提下，应用选择策略从余下的候选者集合中选择出余下的７Ｖ－１个烟??花共同组成下一代的群体，逐一迭代下去，不断地寻找并更新最优解，直到满足??终止条件才结束。这种（直接或间接地）交互传递信息的方式使群体对环境的适应性??逐代地变得越来越好，从而求得问题的全局最优解的足够好的近似解。ＦＷＡ的流??程图如图３－２所示。??ＣｎＷ）??ｉ??初始化Ｖ个位置??ｔ???＾在＃个位置释放烟花??ｉ??获得爆炸火花和高斯火花??？??评估烟花￥置的质量ｉ??ｃｍＤ??图３－２?ＦＷＡ的流程图??Ｆｉｇ

３．５．１仿真图像实验结果及性能分析??为验证１ＦＷＡＭＴ的正确性，我们制作了满足不同阈值个数分割要求的仿真图??像，如图３－５（ａ）和（ｃ），图像大小为２５６ｘ２５６。仿真图像及对应的直方图如图３－５（ａ）、??图３－５（ｂ）、图３－５（ｃ）和图３－５（ｄ）所示。从仿真图像的直方图中，我们可以直观地获??得该图像的理想分割阈值。仿真图像的理想阈值和ＩＦＷＡＭＴ获得的阈值对比结果??如表３－１所示。??—誦?ｉ?Ｉ?｜?１?ｎ?！：?１?Ｉ??丨；ｉｌｌ?Ｈｉｉｉ??广?Ｈ＊?＇??（ａ）?（ｂ）?（ｃ）?（ｄ）??图３－５仿真图像．（ａ）仿真图像（ａ）；（ｂ）（ａ）的直方图；（ｃ）仿真图像（ｃ）；（ｄ）（ｃ）的直方图??Ｆｉｇ．３－５?Ｓｉｍｕｌａｔｅｄ?ｉｍａｇｅｓ，?（ａ）?ａ?ｓｉｍｕｌａｔｅｄ?ｉｍａｇｅ?（ａ）；?（ｂ）?ｈｉｓｔｏｇｒａｍ?ｏｆ?（ａ）；?（ｃ）?ａ?ｓｉｍｕｌａｔｅｄ?ｉｍａｇｅ??（ｃ）；?（ｄ）?ｈｉｓｔｏｇｒａｍ?ｏｆ?（ｃ）??表３－１对比结果???Ｔａｂ．?３－１?Ｃｏｎｔｒａｓｔｉｎｇ?ｒｅｓｕｌｔｓ???仿真图像?阈值个数?理想阈值?ＩＦＷＡＭＴ获得的阈值??图?３－５（ａ）?２?５９，１１４?５９，１１４??图?３－５（ｃ）?３?５９，１１５，１８２?５９，１１５，１８２??由表３－１结果可知，ＩＦＷＡＭＴ可以准确得到理想阈值，这说明本方法是有效??的

【参考文献】：
期刊论文
[1]图像阈值分割算法及对比研究[J]. 詹志宇,安友军,崔文超.  信息通信. 2017(04)
[2]耗散鸡群算法在水库优化调度中的应用[J]. 魏月梅,池丽敏.  水力发电. 2017(03)
[3]基于稀疏主成分分析和自适应阈值选择的图像分割算法[J]. 卢涛,万永静,杨威.  计算机科学. 2016(07)
[4]基于对比度受限直方图均衡化的水下海参图像增强方法[J]. 杨卫中,徐银丽,乔曦,饶伟,李道亮,李振波.  农业工程学报. 2016(06)
[5]基于鸡群优化算法的配电网络重构[J]. 王兴成,胡汉梅,刘林.  电工电气. 2016(03)
[6]一种改进粒子群优化算法的Otsu图像阈值分割方法[J]. 刘桂红,赵亮,孙劲光,王星.  计算机科学. 2016(03)
[7]鸡群优化算法-投影寻踪洪旱灾害评估模型[J]. 崔东文.  水利水电科技进展. 2016(02)
[8]混合智能优化算法的SAR图像特征选择[J]. 张琴,谷雨,徐英,赖晓平.  遥感学报. 2016(01)
[9]基于多目标人工鱼群算法的硅单晶直径检测图像阈值分割方法[J]. 刘丁,张新雨,陈亚军.  自动化学报. 2016(03)
[10]基于云模型鱼群算法的多阈值图像分割研究[J]. 崔丽群,黄殿平,宋晓.  计算机工程与应用. 2017(06)

硕士论文
[1]一种新型的智能优化算法—人工根系算法[D]. 康瑞龙.长安大学 2013
[2]新型智能优化算法及其在图像分割中的应用研究[D]. 梁建慧.陕西师范大学 2011
[3]基于阈值算法图像分割的研究[D]. 吕燕.重庆大学 2011
[4]一种新型的智能优化方法—标竿学习算法[D]. 谢安世.安徽工业大学 2010



本文编号：3462988