基于粒子群優(yōu)化算法的圖像分割

安康學(xué)院學(xué)年論文﹙設(shè)計(jì)﹚題目學(xué)生姓名學(xué)號(hào)專業(yè)班級(jí)指導(dǎo)教師年月日基于粒子群優(yōu)化算法的圖像分割〔〕〔〕指導(dǎo)教師：【摘要】本文通過對粒子群優(yōu)化算法的研究，采用Java編程，設(shè)計(jì)出一套用于圖像分割的系統(tǒng)?；诹Ｗ尤簝?yōu)化算法的圖像分割系統(tǒng)，可以將一幅給定的圖像進(jìn)行分割，然后將分割結(jié)果保存。圖像分割的目的是將感興趣的區(qū)域從圖像中分割出來，從而為計(jì)算機(jī)視覺的后續(xù)處理提供依據(jù)。圖像分割的方法有多種，閾值法因其實(shí)現(xiàn)簡單而成為一種有效的圖像分割方法。而粒子群優(yōu)化(PSO)算法是一類隨機(jī)全局優(yōu)化技術(shù)，它通過粒子間的相互作用發(fā)現(xiàn)復(fù)雜搜索空間中的最優(yōu)區(qū)域縮短尋找閾值的時(shí)間。因此，基于粒子群優(yōu)化算法的圖像分割以粒子群優(yōu)化算法為尋優(yōu)工具，建立具有自適應(yīng)和魯棒性的分割方法。從而可以在最短的時(shí)間內(nèi)，準(zhǔn)確地確定分割閾值。關(guān)鍵詞：粒子群優(yōu)化〔PSO〕，圖像分割，閾值法，魯棒性AbstractThispaperbasedontheparticleswarmoptimizationalgorithm,designsasetofsystemforimagesegmentationusingJavaprogramming.Imagesegmentationsystembasedonparticleswarmoptimizationalgorithm,theimagecanbeagivensegmentation,andthenthesegmentationresultswouldbesaved.Imagesegmentationisthepurposeoftheinterestedareafromtheimage,thusprovidingthebasisforthesubsequentprocessingofcomputervision.Therearemanymethodsofimagesegmentation,thresholdmethodsinceitssimplerealization,becomesakindofeffectivemethodinimagesegmentation.Particleswarmoptimization(PSO)algorithmisastochasticglobaloptimizationtechnique;itfindsoptimalregionsofcomplexsearchspacesforthresholdtimeshortenedthroughtheinteractionbetweenparticles.Therefore,particleswarmoptimizationalgorithmofimagesegmentationbasedonparticleswarmoptimizationalgorithmbasedonoptimizationtools;establishsegmentationmethodwithadaptiveandrobust.Therefore,itispossibleforusintheshortestpossibletimetoaccuratelydeterminethesegmentationthreshold.Keywords:PSO,imagesegmentation,thresholdmethod,robust.1引言1.1研究的背景和意義技術(shù)的不斷向前開展，人們越來越多地利用計(jì)算機(jī)來獲取和處理視覺圖像信息。據(jù)統(tǒng)計(jì)，人類從外界獲取的信息中有80%是來源于視覺或者說是圖像信息，這包括圖形、圖像、視頻、數(shù)據(jù)、文本等。作為人類最有效的交流方式和信息獲取，圖像也因其所含的信息量大且表現(xiàn)直觀而在多媒體技術(shù)中占據(jù)了重要地位。所謂圖像處理，就是對圖像信息進(jìn)行處理來滿足人的視覺心理或應(yīng)用需求的行為。在對圖像處理的研究及應(yīng)用中，人們往往只對圖像中的某些局部感興趣，這些感興趣的局部稱為目標(biāo)或前景，一般對應(yīng)圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域，剩余的局部那么稱為背景。而圖像分割的目的就是把圖像分割成各具特性的區(qū)域并從中提取出感興趣目標(biāo)的技術(shù)和過程。多年來，對圖像分割的研究一直是圖像技術(shù)研究中的焦點(diǎn)和熱點(diǎn)，人們對其的關(guān)注不斷提高。它是一種重要的圖像分析技術(shù)，是圖像處理到圖像分析的關(guān)鍵步驟，也是計(jì)算機(jī)視覺領(lǐng)域低層次視覺中的主要問題。圖像分割結(jié)果是圖像特征提取及識(shí)別等圖像理解的根底，對圖像的加工主要處于圖像處理的層次，圖像分割后，對圖像的分析才成為可能。另外，圖像分割也廣泛的應(yīng)用于實(shí)際生活中，特別是近年來隨著計(jì)算機(jī)技術(shù)以及圖形圖像學(xué)的飛速開展，使得圖像分割技術(shù)成為了其它很多研究領(lǐng)域能否順利開展的一個(gè)重要根底。閾值法因其實(shí)現(xiàn)簡單和運(yùn)算效率高而成為了一種有效的圖像分割方法，閾值確實(shí)定那么是閾值法圖像分割的關(guān)鍵，然而為了使分割結(jié)果更為準(zhǔn)確而要在一幅多峰直方圖的全灰度范圍內(nèi)搜索一個(gè)最正確多閾值組合，問題將變得非常復(fù)雜耗時(shí)，無法滿足實(shí)時(shí)性的要求，嚴(yán)重阻礙了該方法的開展。因此，尋求一種高效快速的算法來解決基于多值閩值圖像分割的問題將具有重要的意義。粒子群算法(ParticleSwarmOptimization,PSO)是一種新近出現(xiàn)的啟發(fā)式全局優(yōu)化算法[1]，該算法源于鳥類捕食行為的模擬。粒子群優(yōu)化算法首先初始化一群隨機(jī)粒子，然后通過迭代找到最優(yōu)解。在每次迭代中，粒子通過跟蹤兩個(gè)“極值〞來更新自己。一個(gè)是粒子本身所找到的最優(yōu)解，即個(gè)體極值；另一個(gè)是整個(gè)種群目前找到的最優(yōu)解，稱之為全局極值解。粒子群優(yōu)化算法在全局優(yōu)化問題中，無論是收斂速度還是全局尋優(yōu)能力，都表現(xiàn)出了很好的性能。而基于閾值法的圖像分割問題從某種意義上講就是一個(gè)全局優(yōu)化問題。1.2粒子群優(yōu)化算法的研究現(xiàn)狀粒子群優(yōu)化算法是由美國社會(huì)心理學(xué)家JamesKennedy博士和電氣工程師RussellEberhart博士在1995年共同提出的[2]，其根本思想是受他們早期對鳥群行為研究結(jié)果的啟發(fā)，是一種群體智能優(yōu)化算法。它己成為與遺傳算法、蟻群算法和模擬退火算法并行開展的一種全局優(yōu)化算法。粒子群算法同遺傳算法類似，也是通過個(gè)體間的協(xié)作和競爭實(shí)現(xiàn)全局搜索，但它沒有遺傳算法的交叉以及變異算子，而是粒子在解空間追隨最優(yōu)粒子進(jìn)行搜索。由于算法的高效性和易實(shí)現(xiàn)性，該算法己經(jīng)成功地運(yùn)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練、工業(yè)系統(tǒng)優(yōu)化及控制等領(lǐng)域[3]，并取得了很好的效果。群體智能己成為人工智能所研究的一個(gè)重要領(lǐng)域。在美國成立了專門的組織研究群體的仿真。由歐洲聯(lián)盟資助的群體智能相關(guān)研究工程，也于2001年在歐洲多個(gè)研究機(jī)構(gòu)啟動(dòng)。在國內(nèi)，國家自然科學(xué)基金“十五〞期間學(xué)科交叉類優(yōu)先資助領(lǐng)域中，認(rèn)知科學(xué)及其信息處理的研究內(nèi)容就明確列出了群體智能的自適應(yīng)、進(jìn)化與現(xiàn)場認(rèn)知以及復(fù)雜系統(tǒng)與復(fù)雜性。在2001年3月8日北京召開的第六屆全國人工智能聯(lián)合會(huì)議暨“863〞方案智能計(jì)算機(jī)主題學(xué)術(shù)會(huì)議中，戴汝為院士特邀報(bào)告的主要內(nèi)容就是群體智能的研究進(jìn)展。到現(xiàn)在，國家自然科學(xué)基金委員會(huì)根本上每年都資助數(shù)項(xiàng)粒子群優(yōu)化算法相關(guān)理論和應(yīng)用的研究。IEEE計(jì)算智能協(xié)會(huì)自2003年起每年舉行一次群體智能會(huì)議，而粒子群優(yōu)化算法是會(huì)議的重要主題。1.2.1粒子群算法的研究方向自粒子群優(yōu)化算法問世以來，由于它的易實(shí)現(xiàn)性和計(jì)算快速性，引起了國內(nèi)外相關(guān)領(lǐng)域眾多學(xué)者的關(guān)注及研究，目前粒子群優(yōu)化算法的理論與應(yīng)用研究都取得了很大的進(jìn)展，對于算法的原理己有了初步的了解，算法的應(yīng)用也在不同學(xué)科中得以實(shí)現(xiàn)。這些研究領(lǐng)域主要集中在三個(gè)方面:算法的改良、分析以及應(yīng)用。1.2.2粒子群算法的應(yīng)用現(xiàn)狀實(shí)際應(yīng)用方面，粒子群優(yōu)化算法己經(jīng)在優(yōu)化問題求解、電力系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練等諸多領(lǐng)域得到了成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練應(yīng)用采用一定的優(yōu)化算法進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可以提高神經(jīng)網(wǎng)絡(luò)的自學(xué)及自組織能力。目前，優(yōu)化算法對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練主要集中在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和網(wǎng)絡(luò)連接權(quán)重上。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練問題是屬于超高維的優(yōu)化問題。常用的反射傳播算法(BP)難以克服陷入局部最優(yōu)問題，而遺傳算法由于其操作的復(fù)雜，優(yōu)化速度比擬緩慢。實(shí)驗(yàn)研究說明，PSO是一種很有潛力的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，PSO搜索速度快而且得到的優(yōu)化結(jié)果較優(yōu)，克服了上述兩種算法的缺點(diǎn)。電力系統(tǒng)中的應(yīng)用粒子群優(yōu)化算法在電力系統(tǒng)優(yōu)化中有著廣泛的應(yīng)用，例如在配電網(wǎng)擴(kuò)展規(guī)劃、機(jī)組組合、檢修方案、無菌優(yōu)化控制、負(fù)荷經(jīng)濟(jì)分配、參數(shù)辨識(shí)、諧波分析與電容配置、優(yōu)化設(shè)計(jì)等方面?？诒镜腇uji電力公司的研究人員將著名的RPVC(ReactivePowerandVoltageControl)問題簡化為求解函數(shù)的最小值問題，并用改良的PSO算法進(jìn)行優(yōu)化求解。與傳統(tǒng)方法如專家系統(tǒng)、敏感性分析相比擬，結(jié)果證明了PSO算法在解決該問題上的優(yōu)勢。1.4本論文的主要內(nèi)容本文通過對粒子群優(yōu)化算法的研究，采用Java編程，設(shè)計(jì)出一套用于圖像分割的系統(tǒng)?；诹Ｗ尤簝?yōu)化算法的圖像分割系統(tǒng)，可以將一幅給定的圖像進(jìn)行分割，然后將分割結(jié)果保存。第二局部系統(tǒng)地介紹了兩大類圖像分割方法，是本文的主體局部，我參考資料著重介紹了閾值法中的3種圖像分割方法，在了解閾值法法的原理后，然后比照最大類間方差方法，粒子群優(yōu)化算法，通過eclipse仿真，得出基于粒子群優(yōu)化算法的圖像分割效果圖像2圖像分割方法2.1閾值法閾值分割法[]實(shí)際上就是按照某個(gè)準(zhǔn)那么函數(shù)求最優(yōu)閾值的過程，是一種廣泛應(yīng)用的分割技術(shù)，利用圖像中要提取的目標(biāo)物與其背景在灰度特性上的差異，把圖像視為具有不同灰度級(jí)的兩類區(qū)域(目標(biāo)和背景)的組合，選取一個(gè)適宜的閾值，以確定圖像中每個(gè)象素點(diǎn)應(yīng)該屬于目標(biāo)還是背景區(qū)域，從而產(chǎn)生相應(yīng)的二值圖像。設(shè)是二維灰度圖像上的點(diǎn)，圖像灰度級(jí)〔一般0代表最暗的像素點(diǎn)，代表最亮的像素點(diǎn)〕，坐標(biāo)點(diǎn)上的像素點(diǎn)對應(yīng)的灰度級(jí)為。設(shè)為分割閾值，代表二值灰度級(jí)，且?；叶群瘮?shù)在閾值上的分割結(jié)果為：〔1〕2.1.1最正確熵閾值法最大熵閾值法的根本依據(jù)是使得圖像中目標(biāo)與背景分布的信息量最大，即通過測量圖像灰度直方圖的熵，找出最正確閾值。信息論中，Shannon熵的定義:〔2〕其中是隨機(jī)變量的概率密度函數(shù)，一般對應(yīng)灰度圖像的灰度值。將Shannon熵概念用于圖像分割時(shí)，通過研究圖像灰度直方圖的熵測量，由此自動(dòng)找出分割圖像的最正確閾值。根據(jù)Shannon熵概念，對于灰度范圍在的圖像，其熵為：〔3〕其中為灰度級(jí)出現(xiàn)的概率，對于圖像灰度級(jí)的圖像，為分割閾值，設(shè)，表示灰度級(jí)的像素個(gè)數(shù)，表示圖像的像素總數(shù)。那么圖像的熵的最正確閾值使得總熵取最大值。其中，。2.1.2最大類間方差法〔Otsu〕最大類間方差是由日本學(xué)者大津于1979年提出的一種自動(dòng)確定閾值的方法，又叫大津法。該方法是在判別分析最小二乘法原理的根底上得到的，按照圖像的灰度信息，將其分成幾個(gè)不同的類別，且各類別間的類間方差越大，構(gòu)成圖像的各個(gè)類別間的差異就越大。最大類間方差以類間方差為依據(jù)，選取類間方差最大的灰度值為最正確閾值，將圖像分割成目標(biāo)和背景兩個(gè)區(qū)域。設(shè)圖像灰度級(jí)為，第級(jí)像素個(gè)，第級(jí)灰度出現(xiàn)的概率為：〔4〕其中。設(shè)灰度閾值為，那么圖像像素按照灰度級(jí)被分為兩類：。圖像總平均灰度級(jí)為：〔5〕其中類的平均灰度級(jí)為：，像素?cái)?shù)為：；類的平均灰度級(jí)為：，像素?cái)?shù)為：。圖像的總均值為：，其中、分別表示、在圖像中所占的比例，，。對于給定圖像類間方差為：〔6〕整理得：〔7〕從變化，使得最大的，即為最正確閾值，為最正確目標(biāo)選擇函數(shù)。2.1.3粒子群優(yōu)化算法〔PSO〕粒子群優(yōu)化算法[7]采用速度-位置搜索模型，每個(gè)粒子代表解空間的一個(gè)候選解，解的優(yōu)劣程度由根據(jù)具體優(yōu)化問題建立的適應(yīng)度函數(shù)決定的。設(shè)目標(biāo)搜索空間為維，群體有個(gè)粒子，為第個(gè)粒子的位置，根據(jù)事先設(shè)定的適應(yīng)度函數(shù)計(jì)算的適應(yīng)度，用以衡量粒子位置的優(yōu)劣；為第個(gè)粒子的飛行速度，為粒子當(dāng)前搜索到的最優(yōu)位置，即為個(gè)體最優(yōu)位置，記為；為整個(gè)種群當(dāng)前搜索到的最優(yōu)位置，即為全局最優(yōu)位置，記為。在粒子群最優(yōu)算法中，每個(gè)粒子的速度和位置按照以下公式進(jìn)行更新：〔8〕〔9〕其中，，為學(xué)習(xí)因子，是隨機(jī)數(shù)。算法的主要步驟描述如下：Step1初始化粒子群，設(shè)定群體規(guī)模，加速常數(shù)，以及最大迭代次數(shù)，隨機(jī)產(chǎn)生每個(gè)粒子的初始位置和初始速度；Step2計(jì)算并評(píng)價(jià)每個(gè)粒子的適應(yīng)度值；Step3將每個(gè)粒子的適應(yīng)度值與其自身所經(jīng)歷的最好位置進(jìn)行比擬，假設(shè)當(dāng)前最優(yōu)，那么將其作為當(dāng)前的個(gè)體最優(yōu)位置。對于每一個(gè)粒子，將其適應(yīng)度值與全局所經(jīng)歷的最好位置的適應(yīng)度進(jìn)行比擬，假設(shè)當(dāng)前較優(yōu)，將其作為當(dāng)前的全局最優(yōu)位置；Step4根據(jù)式〔5〕和式〔6〕，對種群中粒子的速度及其位置進(jìn)行更新，產(chǎn)生新的種群；Step5如果到達(dá)最大迭代次數(shù)或者最小精度要求，那么停止迭代，結(jié)束尋優(yōu)，否那么返回Step3。3實(shí)驗(yàn)仿真3.1基于閾值的圖像分割程序及結(jié)果分析在仿真實(shí)驗(yàn)中，我們分別使用最正確閾值分割法，一維最大類間方差法和二維最大類間方差法對圖像進(jìn)行自動(dòng)分割。試驗(yàn)中，選取灰度級(jí)為256，圖像尺度為256*256，以海面為背景包含樹木和天空的圖像進(jìn)行實(shí)驗(yàn)。1〕最正確閾值分割法仿真結(jié)果：圖3_1最正確閾值分割結(jié)果圖3_2.1維 Otsu閾值分割圖3_3.2維Otsu閾值分割從實(shí)驗(yàn)結(jié)果可以看出，對于簡單的海面目標(biāo)圖像，圖1基于最正確閾值的分割方法的噪聲顆粒粗，面積大，效果不如1維Otsu和2維Otsu。在1維Otsu算法中，因?yàn)?維Otsu算法不能完整地反映圖像的局部空間信息，當(dāng)圖像的信噪比減小時(shí)，因閾值對噪聲很敏感，所以閾值不好確定，造成圖像分割的穩(wěn)定性和可靠性下降。2維Otsu因其考慮了圖像的局部空間信息，可以排除一些噪聲的干擾，分割穩(wěn)定性要好些。2〕PSO分割結(jié)果為了檢測PSO方法解決圖像閡值分割問題的可靠性和準(zhǔn)確性，圖3和圖4分別是兩幅768x576圖3_4PSO分割結(jié)果實(shí)驗(yàn)中，經(jīng)改良的PSO算法參數(shù)取值如下:迭代次數(shù)，粒子數(shù)N=20，隨迭代次數(shù)從0.8線性減小到0.25；a隨迭代次數(shù)從0.1增大到0.7，速度。當(dāng)適應(yīng)度變化量小于0.05時(shí)，用灰度梯度值最大的像素灰度值或恒虛警準(zhǔn)那么計(jì)算門限來初始化粒子群參數(shù)，重新設(shè)置迭代步數(shù)，此時(shí)位置更新按式〔8〕、〔9〕操作。圖4為原始圖基于PSO法求解閾值分割后的圖像，其中全局灰度閾值分別為196灰度級(jí)和209灰度級(jí)。由以上程序仿真結(jié)果可以看出：改變閾值參數(shù)，仿真結(jié)果與圖像處理理論相符合，閾值的選取是閾值分割技術(shù)的關(guān)鍵，如果過高，那么過多的目標(biāo)點(diǎn)被誤歸為背景；如果閾值過低，那么無法將目標(biāo)點(diǎn)與背景分開。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4結(jié)束語本系統(tǒng)把原始圖像，用相應(yīng)的分割方法分割后，將分割結(jié)果繪在同一界而上，方便用戶觀察比擬，其圖像處理運(yùn)算過程清晰，運(yùn)算結(jié)果形象直觀。采用菜單形式，模塊之間的聯(lián)系清晰，調(diào)用方便，且各系統(tǒng)采用獨(dú)立模塊，方便不同系統(tǒng)間比擬觀察研究。本系統(tǒng)利用PSO求解圖像分割閾值的方法，利用背景像素之間灰度的相關(guān)性和目標(biāo)灰度與背景灰度的無關(guān)性，在最正確閾值的根底上，利用先驗(yàn)知識(shí)完成參數(shù)空間的初始化，這樣就克服了PSO算法的“振蕩〞現(xiàn)象和局部收斂的缺點(diǎn)。試驗(yàn)結(jié)果說明，該方法不僅能夠防止陷入局部極值，而且速度也得到了明顯的改善，是一種有效的圖像分割新方法。此方法同樣適用于圖像分割的其它方法，比方Otsu法等，PSO算法在圖像分割領(lǐng)域中具有一定的參考價(jià)值。參考文獻(xiàn)[1]武燕。粒子群優(yōu)化及其在圖像分割中的應(yīng)用[D]，江蘇科技大學(xué)，2023.[2]EberhatR,KennedyJ.Anewoptimizerusingparticleswarmtheory[A].In:Proceedingsofthe19956thInternationalSysposiumonMicroMachineandHumanScience[C].Nagoya,Japan,1995:39-43.[3]Hendtlassi,T.AParticleSwarmAlgorithmforHighDimension