论文部分内容阅读
图像分割的主要目的是将目标从背景中提取出来，是从图像预处理过渡到图像识别和图像分析理解的桥梁。图像分割的方法和准确性非常重要，这是因为分割的精确度将直接影响到后续的处理、分析和理解。图像分割的应用非常广泛，涉及遥感、医学、和交通等多种类型图像。基于区域和聚类的分割方法是图像分割中经常采用的处理手段，针对经典的分割方法存在迭代次数多、计算时间长、收敛速度慢等问题，智能分割方法逐渐成为该领域研究的热点。文化算法中的种群空间和信念空间相互进化和影响，形成“双演化双促进”机制。本文提出了一种动态变化惯性权重改进的文化粒子群算法，并将此算法与阈值或聚类相结合进行图像分割。改进的文化粒子群算法，消除了速度钳制的限制，将其应用到图像分割领域，使得经典分割算法中的不足之处得到了改善。本文的具体研究内容和工作如下：首先，对文化算法进行分析，选取粒子群作为种群空间的文化粒子群算法。针对文化粒子群算法存在的速度钳制，提出了动态变化惯性权重改进的文化粒子群算法。其次，基于最大类间方差算法，提出了动态变化惯性权重改进算法的多阈值图像分割方法。推导出了多阈值的最大类间方差表达式，仿真了基于粒子群的多阈值分割。通过迭代寻找类间方差的最大值，获得最优阈值，实现了改进算法的多阈值分割。再次，基于模糊聚类，提出了动态变化惯性权重改进算法的聚类图像分割方法。确定了直方图加权模糊聚类进行图像分割的目标函数形式，仿真了基于粒子群的聚类分割。通过迭代寻找目标函数的最小值，获得最优聚类中心，实现了改进算法的聚类分割。最后，使用迭代次数、计算时间、收敛速度、最大类间方差或目标函数值对算法进行评价。实验结果表明与应用到图像分割中的粒子群优化算法相比，改进的算法均获得了更好的效果。