论文部分内容阅读
阈值分割方法作为传统图像分割方法的重要分支,其实时性能的好坏直接影响着整个系统的运转效率,成为衡量阈值分割方法优越性的一项重要指标。传统的阈值分割方法,随着阈值数的增加,最优阈值的选择这一问题的计算复杂度呈指数级增加,当阈值数较多时,通常不能满足实时性要求。目前,结合优化能力强的群体智能算法来寻找特定分割准则下的最优阈值已成为国内外学者的一个研究热点。在分析了七种群体智能算法的算法原理基础上,本文对比分析了各群体智能算法在基于OTSU法和基于Kapur熵法的最优阈值选择应用中的寻优性能。实验结果表明,当采用不同的准则函数来进行最优阈值选择时,虽然各群体智能算法的性能有所不同,但在综合考虑各群体智能算法的寻优精度、寻优稳定性、寻优成功率以及收敛速度几个性能指标下,无论是在基于OTSU法还是在基于Kapur熵法的最优阈值选择应用中,CS的寻优性能均优于对比的其它算法,而ABCA、SFLA两种算法均劣于对比的其它算法。在分析各群体智能算法和模式搜索算法的优缺点后,本文提出用固定步长1的模式搜索算法来对各群体智能算法每次迭代寻得的群体历史最优解进行再搜索的改善策略。实验结果表明,本文提出的改善策略能有效提升“能有效跳出局部极值,或能较好平衡全局开发能力和局部探索能力”这类群体智能算法在图像最优阈值选择应用中的寻优性能,但阈值选择所采用的具体准则函数不同,本文提出的改进策略对各群体智能算法的改善效果略有差异。在针对应用群体智能算法解决基于OTSU法的最优阈值选择这一具体应用中,本文提出的改进策略,当阈值数较少时,能有效提升大部分群体智能算法的寻优性能;当阈值数较多时,也能提高其在具有较平滑灰度直方图的这类图像上最优阈值选取的寻优性能。在针对应用群体智能算法解决基于Kapur熵的最优阈值选择这一具体应用中,本文提出的改进策略,能有效提升SFLA、CSO、CS三种算法的寻优精度、寻优稳定性和收敛速度;能有效提升ABCA、FA两种算法的寻优精度,对PSO、BA两种算法的改进效果并无明显规律。