论文部分内容阅读
图像阈值分割的目的是将灰度图转换为二值图，最大类间方差法和最大熵法是两种普遍使用的阈值分割方法。目前，许多需要处理的图像都是复杂图像，并且有时需要分割出多个目标，即多阈值图像分割。其中，阈值的搜索是非常关键的，经典的阈值搜索方式采用穷举法，随着阈值个数的增长，其时间复杂度呈指数型增长。为了降低分割时间复杂度，采用群智能算法中的萤火虫算法将对阈值的搜索问题转变成对目标函数求最大或最小值的问题。由于标准的萤火虫算法存在求解速度慢、寻优精度低和容易陷入局部最优解的问题，需要针对算法流程图和寻优机理对其进行改进。
本文主要从参数调整、更新策略调整、混合其它算法思想三种不同的角度对标准萤火虫优化算法进行改进，完成的创新性成果如下：
（1）本文提出混合细胞膜机制的改进萤火虫算法，并用于优化基于最大类间方差法和最大熵法的多阈值图像分割。针对标准萤火虫算法采用固定的步长，这种固定模式使得算法的收敛速度减慢并且算法容易错过最优解，导致寻优精度降低的问题，采纳另一种全局优化算法，即细胞膜算法的保留最优解思想。从参数调整方面采用自适应步长思想和从混合其它群智能算法方面混合了细胞膜优化算法中物质分类和保留最优解思想，最终得到收敛速度快和寻优精度高的改进萤火虫算法。分别使用最大类间方差和最大熵的表达式作为目标函数，改进萤火虫算法优化多阈值图像分割。实验结果表明，使用本文所提算法对复杂多目标图像进行分割时，相比于经典分割算法和国内外研究的其他改进的分割算法，其分割速度、分割得到的结果质量以及分割稳定性得到了提高。具体表现在，与经典算法相比，该算法在分割速率上提高约500倍，分割精度上提高约1.4％。
（2）本文提出双中心粒子引导的邻域萤火虫算法，并用于优化基于最大类间方差法和最大熵法的多阈值图像分割。本文在权衡不同的吸引模型将会导致算法容易产生很多不必要的振荡和错过最优解的问题，提出了将萤火虫算法采用邻域吸引模型。并且针对萤火虫算法不保留每一次迭代前的萤火虫信息而容易错失最佳位置信息的问题，本文将使用粒子群算法中的双中心粒子引导策略来改进萤火虫算法。最终得到从更新策略调整方面将全吸引模型改进为k-邻域吸引模型和从混合其他群智能算法思想方面采用粒子群算法中的双中心粒子思想进行改进的一种改进萤火虫算法，同样使用该算法对复杂多目标图像进行多阈值分割。实验结果表明，使用本文所提算法分割复杂多目标图像时，在分割效果和分割时间上得到了进一步的提升。具体表现在，与经典算法相比，该算法在分割速率上提高约800倍，分割精度上提高约1.2％。
本文主要从参数调整、更新策略调整、混合其它算法思想三种不同的角度对标准萤火虫优化算法进行改进，完成的创新性成果如下：
（1）本文提出混合细胞膜机制的改进萤火虫算法，并用于优化基于最大类间方差法和最大熵法的多阈值图像分割。针对标准萤火虫算法采用固定的步长，这种固定模式使得算法的收敛速度减慢并且算法容易错过最优解，导致寻优精度降低的问题，采纳另一种全局优化算法，即细胞膜算法的保留最优解思想。从参数调整方面采用自适应步长思想和从混合其它群智能算法方面混合了细胞膜优化算法中物质分类和保留最优解思想，最终得到收敛速度快和寻优精度高的改进萤火虫算法。分别使用最大类间方差和最大熵的表达式作为目标函数，改进萤火虫算法优化多阈值图像分割。实验结果表明，使用本文所提算法对复杂多目标图像进行分割时，相比于经典分割算法和国内外研究的其他改进的分割算法，其分割速度、分割得到的结果质量以及分割稳定性得到了提高。具体表现在，与经典算法相比，该算法在分割速率上提高约500倍，分割精度上提高约1.4％。
（2）本文提出双中心粒子引导的邻域萤火虫算法，并用于优化基于最大类间方差法和最大熵法的多阈值图像分割。本文在权衡不同的吸引模型将会导致算法容易产生很多不必要的振荡和错过最优解的问题，提出了将萤火虫算法采用邻域吸引模型。并且针对萤火虫算法不保留每一次迭代前的萤火虫信息而容易错失最佳位置信息的问题，本文将使用粒子群算法中的双中心粒子引导策略来改进萤火虫算法。最终得到从更新策略调整方面将全吸引模型改进为k-邻域吸引模型和从混合其他群智能算法思想方面采用粒子群算法中的双中心粒子思想进行改进的一种改进萤火虫算法，同样使用该算法对复杂多目标图像进行多阈值分割。实验结果表明，使用本文所提算法分割复杂多目标图像时，在分割效果和分割时间上得到了进一步的提升。具体表现在，与经典算法相比，该算法在分割速率上提高约800倍，分割精度上提高约1.2％。