《基于粒子群优化算法的图像分割》由会员分享，可在线阅读，更多相关《基于粒子群优化算法的图像分割（13页珍藏版）》请在金锄头文库上搜索。
1、 安康学院 学年论文设计题 目 学生姓名 学号 所在院(系) 专业班级 指导教师 年 月 日安康学院学年论文（设计） 基于粒子群优化算法的图像分割（作者：）（）指导教师：【摘要】本文通过对粒子群优化算法的研究，采用Java编程，设计出一套用于图像分割的系统。基于粒子群优化算法的图像分割系统，可以将一幅给定的图像进行分割，然后将分割结果保存。图像分割的目的是将感兴趣的区域从图像中分割出来，从而为计算机视觉的后续处理提供依据。图像分割的方法有多种，阈值法因其实现简单而成为一种有效的图像分割方法。而粒子群优化(PSO)算法是一类随机全局优化技术，它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短
2、寻找阈值的时间。因此，基于粒子群优化算法的图像分割以粒子群优化算法为寻优工具，建立具有自适应和鲁棒性的分割方法。从而可以在最短的时间内，准确地确定分割阈值。关键词： 粒子群优化（PSO），图像分割，阈值法，鲁棒性AbstractThis paper based on the particle swarm optimization algorithm, designs a set of system for image segmentation using Java programming. Image segmentation system based on particle swarm op
3、timization algorithm, the image can be a given segmentation, and then the segmentation results would be saved. Image segmentation is the purpose of the interested area from the image, thus providing the basis for the subsequent processing of computer vision. There are many methods of image segmentat
4、ion, threshold method since its simple realization, becomes a kind of effective method in image segmentation. Particle swarm optimization (PSO) algorithm is a stochastic global optimization technique; it finds optimal regions of complex search spaces for threshold time shortened through the interact
5、ion between particles. Therefore, particle swarm optimization algorithm of image segmentation based on particle swarm optimization algorithm based on optimization tools; establish segmentation method with adaptive and robust. Therefore, it is possible for us in the shortest possible time to accurate
6、ly determine the segmentation threshold.Key words: PSO, image segmentation, threshold method, robust.1 引言1.1 研究的背景和意义技术的不断向前发展，人们越来越多地利用计算机来获取和处理视觉图像信息。据统计，人类从外界获取的信息中有80%是来源于视觉或者说是图像信息，这包括图形、图像、视频、数据、文本等。作为人类最有效的交流方式和信息获取，图像也因其所含的信息量大且表现直观而在多媒体技术中占据了重要地位。 所谓图像处理，就是对图像信息进行处理来满足人的视觉心理或应用需求的行为。在对图像处理的
7、研究及应用中，人们往往只对图像中的某些部分感兴趣，这些感兴趣的部分称为目标或前景，一般对应图像中特定的、具有独特性质的区域，剩余的部分则称为背景。而图像分割的目的就是把图像分割成各具特性的区域并从中提取出感兴趣目标的技术和过程。多年来，对图像分割的研究一直是图像技术研究中的焦点和热点，人们对其的关注不断提高。它是一种重要的图像分析技术，是图像处理到图像分析的关键步骤，也是计算机视觉领域低层次视觉中的主要问题。图像分割结果是图像特征提取及识别等图像理解的基础，对图像的加工主要处于图像处理的层次，图像分割后，对图像的分析才成为可能。另外，图像分割也广泛的应用于实际生活中，特别是近年来随着计算机技术
8、以及图形图像学的飞速发展，使得图像分割技术成为了其它很多研究领域能否顺利发展的一个重要基础。阈值法因其实现简单和运算效率高而成为了一种有效的图像分割方法，阈值的确定则是阈值法图像分割的关键，然而为了使分割结果更为准确而要在一幅多峰直方图的全灰度范围内搜索一个最佳多阈值组合，问题将变得非常复杂耗时，无法满足实时性的要求，严重阻碍了该方法的发展。因此，寻求一种高效快速的算法来解决基于多值闽值图像分割的问题将具有重要的意义。 粒子群算法(Particle Swarm Optimization, PSO) 是一种新近出现的启发式全局优化算法1，该算法源于鸟类捕食行为的模拟。粒子群优化算法首先初始化一群
9、随机粒子，然后通过迭代找到最优解。在每次迭代中，粒子通过跟踪两个“极值”来更新自己。一个是粒子本身所找到的最优解，即个体极值；另一个是整个种群目前找到的最优解，称之为全局极值解。粒子群优化算法在全局优化问题中，无论是收敛速度还是全局寻优能力，都表现出了很好的性能。而基于阈值法的图像分割问题从某种意义上讲就是一个全局优化问题。1.2 粒子群优化算法的研究现状 粒子群优化算法是由美国社会心理学家James Kennedy博士和电气工程师Russell Eberhart博士在1995年共同提出的2，其基本思想是受他们早期对鸟群行为研究结果的启发，是一种群体智能优化算法。它己成为与遗传算法、蚁群算法和
10、模拟退火算法并行发展的一种全局优化算法。粒子群算法同遗传算法类似，也是通过个体间的协作和竞争实现全局搜索，但它没有遗传算法的交叉以及变异算子，而是粒子在解空间追随最优粒子进行搜索。由于算法的高效性和易实现性，该算法己经成功地运用于神经网络训练、工业系统优化及控制等领域3，并取得了很好的效果。群体智能己成为人工智能所研究的一个重要领域。在美国成立了专门的组织研究群体的仿真。由欧洲联盟资助的群体智能相关研究项目，也于2001年在欧洲多个研究机构启动。在国内，国家自然科学基金“十五”期间学科交叉类优先资助领域中，认知科学及其信息处理的研究内容就明确列出了群体智能的自适应、进化与现场认知以及复杂系统与
11、复杂性。在2001年3月8日北京召开的第六届全国人工智能联合会议暨“863”计划智能计算机主题学术会议中，戴汝为院士特邀报告的主要内容就是群体智能的研究进展。到现在，国家自然科学基金委员会基本上每年都资助数项粒子群优化算法相关理论和应用的研究。IEEE计算智能协会自2003年起每年举行一次群体智能会议，而粒子群优化算法是会议的重要主题。1.2.1 粒子群算法的研究方向自粒子群优化算法问世以来，由于它的易实现性和计算快速性，引起了国内外相关领域众多学者的关注及研究，目前粒子群优化算法的理论与应用研究都取得了很大的进展，对于算法的原理己有了初步的了解，算法的应用也在不同学科中得以实现。这些研究领域
12、主要集中在三个方面:算法的改进、分析以及应用。1.2.2粒子群算法的应用现状 实际应用方面，粒子群优化算法己经在优化问题求解、电力系统、人工神经网络训练等诸多领域得到了成功应用。人工神经网络训练应用采用一定的优化算法进行神经网络的训练可以提高神经网络的自学及自组织能力。目前，优化算法对神经网络的训练主要集中在网络拓扑结构和网络连接权重上。神经网络的训练问题是属于超高维的优化问题。常用的反射传播算法(BP)难以克服陷入局部最优问题，而遗传算法由于其操作的复杂，优化速度比较缓慢。实验研究表明，PSO是一种很有潜力的神经网络训练算法，PSO搜索速度快而且得到的优化结果较优，克服了上述两种算法的缺点。
13、 电力系统中的应用粒子群优化算法在电力系统优化中有着广泛的应用，例如在配电网扩展规划、机组组合、检修计划、无菌优化控制、负荷经济分配、参数辨识、谐波分析与电容配置、优化设计等方面。口本的Fuji电力公司的研究人员将著名的RPVC(Reactive Power and Voltage Control)问题简化为求解函数的最小值问题，并用改进的PSO算法进行优化求解。与传统方法如专家系统、敏感性分析相比较，结果证明了PSO算法在解决该问题上的优势。1.4 本论文的主要内容本文通过对粒子群优化算法的研究，采用Java编程，设计出一套用于图像分割的系统。基于粒子群优化算法的图像分割系统，可以将一幅给定
14、的图像进行分割，然后将分割结果保存。第二部分系统地介绍了两大类图像分割方法，是本文的主体部分，我参考资料着重介绍了阈值法中的3种图像分割方法，在了解阈值法法的原理后，然后对比最大类间方差方法，粒子群优化算法，通过eclipse仿真，得出基于粒子群优化算法的图像分割效果图像2图像分割方法2.1 阈值法阈值分割法实际上就是按照某个准则函数求最优阈值的过程，是一种广泛应用的分割技术，利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)的组合，选取一个合适的阈值，以确定图像中每个象素点应该属于目标还是背景区域，从而产生相应的二值图像。设是二维灰度图像上的
15、点，图像灰度级（一般0代表最暗的像素点，代表最亮的像素点），坐标点上的像素点对应的灰度级为。设为分割阈值，代表二值灰度级，且。灰度函数在阈值上的分割结果为： （1）2.1.1最佳熵阈值法最大熵阈值法的基本依据是使得图像中目标与背景分布的信息量最大，即通过测量图像灰度直方图的熵，找出最佳阈值。信息论中，Shannon熵的定义: （2）其中是随机变量的概率密度函数，一般对应灰度图像的灰度值。将Shannon熵概念用于图像分割时，通过研究图像灰度直方图的熵测量，由此自动找出分割图像的最佳阈值。根据Shannon熵概念，对于灰度范围在的图像，其熵为： （3）其中为灰度级出现的概率，对于图像灰度级的图像，为分割阈值，设，表示灰度级的像素个数，表示图像的像素总数。则图像的熵的最佳阈值使得总熵取最大值。其中，。2.1.2 最大类间方差法（Otsu）最大类间方差是由日本学者大津于1979年提出的一种自动确定阈值的方法，又叫大津法。该方法
