论文部分内容阅读
阈值图像分割是图像分割领域中一个经典而有效的方法。但是由于现实图像的复杂性,如何对不同的图像快速有效地选择最佳的阈值一直是阈值分割研究中的一个优化性难题;而图像处理任务中经常要面临的鲁棒性和实时性等问题也导致各种阈值分割方法在实际应用中面临着诸多困难。近年来,随着智能优化算法的提出与快速发展,研究者们把眼光转向了利用智能优化算法来解决这些问题,其中粒子群优化(Particle Swarm Optimization,PSO)、布谷鸟搜索算法(Cuckoo Search,CS)和花粉授粉算法(Flower Pollination Algorithm,FPA)是这些智能优化算法中表现较为优异的三种算法。本文从实际分析出发,首先阐述了PSO、CS和FPA这三种智能优化算法的基本原理和各自在阈值图像分割问题中存在的缺陷,然后通过结合参数调整策略、学习策略和邻域策略等多种改进方法,分别对应提出了如下改进措施来提高其在阈值图像分割问题上的性能:1)PSO的改进:针对PSO在多阈值分割时多样性容易降低过快导致早熟收敛的问题,本文从全局收敛能力较强的FPA算法中引入并改进了一个利于全局收敛的学习策略,而同时又为了提高算法种群多样性,进一步提出了一个多样性增强策略。两种改进措施的结合有力提升了算法的种群搜索能力和全局收敛性能。2)FPA的改进。首先针对FPA在搜索阈值时局部搜索效率低,进而导致阈值求解速度慢精度低的缺点,引入了一个邻域学习策略来提高局部搜索效率;其次,基于对算法生物学背景上存在的问题的分析,进一步改进了算法的学习策略以提升算法全局探索能力。最后,为了均衡以上被分别加强的局部与全局的搜索能力,本文还提出了一种线性递减的参数调整策略。在以上三种措施的结合下,算法在阈值搜索上的性能得到了有效增强。3)CS的改进。针对CS算法中存在的算法演化过程中缺少种内合作与信息交互的问题,本文通过引入一个专注于种群内信息分享的邻域策略来提升算法种群在迭代搜索过程中的信息交流,有效提升了种群的协作寻优能力和算法的综合优化性能。在如上的改进措施下,本文提出的三个改进算法在阈值分割中的目标函数均值、图像分割性能评估参数和优化收敛性能等全方位的性能评估方法上相比原对应基础算法(同时也是目前的主流算法)取得了全面有效的提升,有力证明了本文提出的算法在阈值图像分割上的优越性。另外,本文还通过比较各算法所分割图片的效果与所求阈值的分布,展示出了本文算法在阈值搜索稳定性和与图像分割视觉表现上的明显优势。