果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是台湾学者潘文超受果蝇觅食行为的启发提出的基于演化式的群智能优化算法。该算法具有很强的适用性,在求解时不需要建立复杂的模型,确定目标后即可直接对问题进行优化,所以FOA—经提出就得到了广泛的研究和应用。然而该算法仍旧存在一些不足,比如,容易出现早熟现象,求解精度较低,陷入局部最优的可能性较大等。本文提出一种基于高斯分布的新型果蝇优化算法并将其应用到图像处理方面。主要研究工作如下:(1)提出了基于高斯分布的新型果蝇优化算法(GaussFOA)。每次果蝇个体的位置通过高斯采样进行更新,在果蝇迭代早期,由于个体分布较分散,高斯采样更新个体位置可以增强种群的多样性、增大算法跳出局部最优的机率。随着迭代的深入,最优位置就会成为个体位置的震荡中心,从而可以使算法的搜索更精细,寻优精度更高。为了能进一步提高种群的多样性,对高斯分布的参数u进行不同程度的扰动,增强果蝇群体重点搜索范围的灵活性。(2)将GaussFOA应用到图像融合中。小波因其在时间和频率上的局部性及多分辨率特性,被广泛应用在图像处理中。在图像融合策略方面,小波变换的高频分量部分进行方差取大原则,而在低频分量部分对其匹配度进行阈值判断。阈值的选择直接影响到图像融合的质量。仅凭经验设定往往不能达到较好的效果。应用GaussFOA对此阈值进行优化,并将融合图像信息熵作为浓度值进行效果评判。实验各项指标都表明GaussFOA均能取得更好的融合效果。(3)将GaussFOA应用到图像分割中。由Kapur提出的基于信息论中熵约束准则,对图像的分割取到了良好的效果。其依据是根据图像灰度直方图熵,图像总熵达到最大值即得到最佳熵阈值。日本学者Otsu指出,要分割的阈值可以通过最小化类内方差和最大化类间方差得到。然而以上不管那种方法其计算量都较大,随着阈值数的增加,其时间效率呈指数增长。实验结果表明,GaussFOA在分割稳定性和效果上均优于传统算法。