论文部分内容阅读
图像分割是图像识别及恢复等后续操作的预处理步骤，它是从图形处理到图像分析的一个关键步骤，并且在计算机视觉、模式识别和医学图像处理等实际应用中得到了广泛的应用。所以，图像分割算法一直是图像处理技术研究的重点和热点。
本文对现存的图像分割算法进行了较为深入的研究和分类，总结了目前研究现状，分析了存在的问题，并着重讨论了图像分割速度问题。阈值法是一种简单而有效的图像分割技术，它通过选择分割阈值将图像分为目标和背景，因此如何选择合适的分割阈值是这类方法的关键。传统的阈值法只考虑了图像的灰度信息，因此在噪声较大的图像或者图像的直方图不是双峰模式的情况下，算法的分割效果往往不太理想。于是提出了结合图像像素的空间位置信息的阈值算法。由于维数的增加，增强了分割算法的抗噪性，然而运行时间却增大，无法满足实际应用中的实时性要求。为了解决图像分割速度问题，本文通过引入了群智能算法，利用其高效、并行寻优能力来优化分割模型，从而提高图像分割的速度。本文的主要工作如下：
(1)提出了一种融合遗传粒子群的二维Otsu图像分割算法。经典的二维Otsu算法在对图像进行分割时可不依赖于图像的内容，具有较好的适应性，但有着计算复杂度过高和实时性较差的缺点。针对这一问题，本文提出了一种将粒子群算法应用于Otsu图像分割以提高分割速度的方法。实验结果表明，该方法不仅能获得较好的分割效果，而且极大地降低分割时间，能够适应实时性应用的要求。
(2)提出了一种改进的二维最大模糊熵分割图像算法，该算法将蚁群算法与混沌理论融合，结合二维最大模糊熵算法进行图像分割。不但改进了传统算法分割速度较慢的缺点，一定程度抑制了对噪声敏感，增强了鲁棒性。
(3)通过实验验证和评估了上述改进算法的效果。为验证上面提出的改进措施，本文基于OpenCV在C语言上对上述算法进行了仿真实验，并依据一些分割评价准则对各种算法进行性能比较。实验结果表明：本文所提出的改进方法能获得较好的图像分割效果，并具有良好的鲁棒性、适应性和实时性。因此，本文提出的改进算法在各种图像处理系统中具有一定应用价值。