基于改進微粒群算法的快速圖像分割技術(shù)

于來行,李 亞,喬 蕊

（周口師范學(xué)院,河南 周口466001）

基于改進微粒群算法的快速圖像分割技術(shù)

于來行,李 亞,喬 蕊

（周口師范學(xué)院,河南 周口466001）

微粒群算法中微粒有保持自身狀態(tài)的特性，論文給出一種周期性隨機擾動的自適應(yīng)改變微粒速度的方法：當(dāng)微粒要進行下一次運動時，總體采用非線性下降的慣性權(quán)重選擇方法，并且在其中加入周期性隨機擾動策略，使算法既能得到較快的收斂速度，又不至于陷入局部極值。將此方法應(yīng)用于圖像分割，新方法能得到更好的結(jié)果。

微粒群算法；隨機擾動；慣性權(quán)重;圖像分割

圖像閾值化分割是一種最常用也是最簡單的圖像分割方法，它特別適用于目標(biāo)和背景具有不同灰度級范圍的圖像。圖像閾值化的目的是要按照灰度級，對像素集合進行一個劃分，每個劃分后的子集與現(xiàn)實景物對應(yīng)，各個子集區(qū)域內(nèi)部具有一致的屬性，而相鄰區(qū)域具有不同的屬性，這樣的劃分可以通過從灰度級出發(fā)選取一個或多個閾值來實現(xiàn)。

微粒群算法是一種基于模擬鳥群運動的仿生優(yōu)化算法，具有概念簡單、參數(shù)少、易于實現(xiàn)、優(yōu)化性能好等特點，在很多優(yōu)化領(lǐng)域得到了較好的應(yīng)用。

該文引入一種新的改進微粒群算法，能更好地尋找全局最優(yōu)值，即優(yōu)惠閾值圖像分割算法，進行二值圖像分割，實驗結(jié)果顯示效果較好。

一、改進微粒群算法

慣性權(quán)重值由兩個部分求和得到，第一部分為最大慣性權(quán)重值；第二部分為最大和最小慣性權(quán)重值之差并與周期擾動因子的乘積，擾動因子是當(dāng)前迭代步數(shù)與最大迭代步數(shù)的商構(gòu)建的曲線函數(shù)，加入了正弦函數(shù)及隨機函數(shù)并設(shè)置相應(yīng)的參數(shù)形成周期性下降曲線變化的函數(shù)值。公式通過正弦函數(shù)為周期設(shè)定函數(shù)，可以周期性地擾動慣性權(quán)重的變化，進而影響微粒的移動方式，n ormrnd( 0.5,0.2)為隨機擾動函數(shù)，與周期函數(shù)相互作用得到適應(yīng)算法的慣性權(quán)重值。max、min分別為慣性權(quán)重最大和最小值，一般定義min為起始精度，max目標(biāo)精度；itmax為最大迭代步數(shù)，i為當(dāng)前迭代步數(shù)，大量的試驗研究發(fā)現(xiàn)，在[0，1.4]內(nèi)能得到較好的結(jié)果，因此，算法設(shè)計時把的值盡量限制在這個較好的區(qū)間內(nèi)，如果超出這個范圍，隨機在邊界值附近選擇一個值。

二、閾值圖像分割技術(shù)

閾值圖像分割技術(shù)分為全局閾值法和局部閾值法兩種，全局閾值分割方法利用全局信息對圖像進行劃分，可以為單閾值或多閾值；局部閾值方法先把圖像分為多個子圖像，如后應(yīng)用全局閾值分割方法分別求出最優(yōu)分割閾值。閾值分割方法依賴于對閾值的選擇，所以閾值選擇是否合適是圖像分割效果好壞的關(guān)鍵，因此，有很多基于智能優(yōu)化算法改進閾值選擇的算法得到了很好的效果。

論文主要針對全局閾值分割方法，把圖像像素分為兩類，令閾值為T，圖像像素對應(yīng)的灰度級為256，那么經(jīng)閾值分割后的圖像定義為：

因此，標(biāo)記為1的像素對應(yīng)于灰度值小于等于T，也就是前景，而標(biāo)記為0的對應(yīng)于背景，這就是我們通常所說的圖像二值化。

三、基于改進微粒群優(yōu)化的圖像分割算法

（一）圖像分割優(yōu)化算法

適應(yīng)度值即指計算適應(yīng)度函數(shù)所得到的值,它的大小是粒子群算法中選擇個體極值和全體極值的依據(jù)。適應(yīng)度函數(shù)是根據(jù)具體問題設(shè)計的,通常在目標(biāo)函數(shù)并不復(fù)雜的情況下,可以直接將目標(biāo)函數(shù)選擇為適應(yīng)度函數(shù)。以距離測度函數(shù)L(sb)為適應(yīng)度函數(shù)，求其最大值,即:

圖像灰度值為[0,255]之間的正整數(shù),而根據(jù)RDP-SO更新公式得到的位置均為連續(xù)值,所以在每次速度更新后，要對微粒位置向量取整,檢查位置是否越界(>255或<0)，如果越界，取其邊界值。改進算法進行優(yōu)化圖像分割流程如下:

步驟1：初始化微粒群，粒子的位置在(0,255)之間產(chǎn)生，設(shè)置最大迭代步數(shù)。

步驟2：根據(jù)式f(s,t)來計算粒子的適應(yīng)度。更新每個粒子的個體極值和整個粒子群的全局的極值。

步驟3：根據(jù)改進微粒群進化公式更新微粒位置和速度。

步驟4：如果滿足條件輸出最佳閾值，否則轉(zhuǎn)到步驟2重新搜索。

步驟5：輸出最佳的閾值的向量，根據(jù)此閾值進行圖像分割。

（二）實驗結(jié)果及分析

實驗采用三種方法，圖像灰度中值作為閾值進行圖像分割，ostu方法進行圖像分割，改進算法進行圖像分割，圖像選擇常用的lena圖作為測試圖片，其中分割的結(jié)果如圖2-圖4所示。

圖2-圖4分別顯示了三種不同算法所得到的結(jié)果，從圖中可以看到，改進后的算法能把細(xì)小的區(qū)域分割出來，分割圖像更清晰，能得到更好的分割效果。圖像的灰度中值為121，ostu分割算法得到的閾值為126，微粒群優(yōu)化的圖像分割閾值為134。

四、總結(jié)

論文介紹了微粒群算法的改進策略，主要介紹了慣性權(quán)重的改進策略，給出了一種非線性減小并加入一定擾動的微粒群算，在性能上得到了較大提高。利用改進的微粒群策略優(yōu)化閾值圖像分割算法，改進后算法與灰度中值分割和ostu圖像分割算法所得結(jié)果進行比較，利用改進算法進行閾值圖像分割的效果更好。

[1]馮斌,王璋,孫俊.基于量子粒子群算法的Ostu圖像閾值分割 [J].計算機工程與設(shè)計，2008，(13)：3429-3431.

[2]王萬良,唐宇.微粒群算法的研究現(xiàn)狀與展望[J].浙江工業(yè)大學(xué)學(xué)報，2007，（2）:136-141.

[3]張皓,陳雪波,馬德楠.具有自適應(yīng)度雙群體PSO的組群機器人隊形控制[J].清華大學(xué)學(xué)報(自然科學(xué)版), 2008，(S2)：1751-1755.

[4]于來行，喬蕊.周期性擾動的微粒群算法[J].計算機系統(tǒng)應(yīng)用，2011，（6）：203-206.

[5]熊鷹.微粒法的若干改進及應(yīng)用[D].武漢：武漢理工大學(xué)，2006.

TP

A

1673-0046（2012）8-0175-02

周口師范學(xué)院青年科研基金資助項目（z knuqn201039A）