基于圖像閾值分割的改進蜂群算法

霍鳳財，孫寶翔，任偉建

(東北石油大學電氣信息工程學院，黑龍江大慶163318)

0 引 言

圖像閾值分割是目標檢測中的關鍵技術，因其高效、易于實現等特點而被廣泛應用。現已提出大量的閾值選取方法，這些方法根據一維直方圖或二維直方圖及其區域劃分方式［1］，結合智能算法尋求不同準則下的最佳閾值［2］，在不同應用領域取得了較好的應用效果。人工蜂群算法(ABC:Artificial Bee Colony)就是這類智能算法中比較典型的算法。該算法是由Karaboga［3］于2005年提出的一種基于蜜蜂群智能搜索行為的隨機優化算法。雖然人工蜂群算法的研究和應用只處于初級階段，但該算法已廣泛用于解決各類優化問題，如函數優化［4］、TSP(Tranvelling Salesman Problem)仿真［5］、多目標優化［6］、邏輯推理［7，8］及圖像處理［9－11］等。同時，其易于早熟收斂、編碼不統一、搜索速度慢等智能算法普遍存在的缺點亦體現出來。

量子計算是信息科學和量子力學相結合的新興交叉學科，自1994年Shor［12］提出第1個求解大數質因子分解的量子算法和1996年Grover［13］提出隨機數據庫搜索的量子算法后，量子計算以其獨特的計算性能引起了廣泛矚目，迅速成為國際上研究的熱點。目前，量子智能算法層出不窮，如量子遺傳算法、量子粒子群算法和量子蟻群算法等。大多是在智能算法中吸收了量子計算中的疊加態、相干性和糾纏性，使量子算法突破了傳統算法的極限，表現出良好的性能。一些學者提出了量子蜂群(QABC:Quantum Artificial Bee Colony)算法［14，15］，雖然優化效果比單一的蜂群算法有很大改善，但與理想的效果還有一定的差距。……