论文部分内容阅读
微粒群算法的基本思想是模拟鸟类的群体行为而构建的群体模型,算法具有易实现、参数较少且调整简单、收敛速度较快等优点。利用微粒群等智能算法改进图像分割算法及优化聚类算法在图像分割中的应用,且在某些分割算法中已取得较好的效果。
一、微粒群算法改进
对微粒群优化算法的改进主要体现在对参数的调整,结构的重新定义,和其他智能算法的融合。目前主要改进工作是增加了收敛因子,依据一定的标准为整个群体或某些微粒的状态量重新赋值、与智能进化算法的结合、使用新的位置和速度更新等式和新的群体组织结构。
本文采用线性减小的方法使得算法效果更好,并且再减小的同时给出一种曲线变化的扰动,使微粒群在一定程度上又可以逃出局部极值的影响。
微粒群速度改变策略为:
算法在迭代到某个步骤时实现对惯性因子的变化,随着迭代步数的增加,惯性权重逐渐变小,使微粒群在局部找到较为精确的结果。
二、基于改进微粒群算法的快速图像分割技术
(一)多阈值图像分割技术
图像阈值化分割是一种最常用,同时也是最简单的图像分割方法,它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。
阈值法分为全局阈值法和局部阈值法两种:全局阈值法指利用全局信息,例如整幅图像的灰度直方图,对整幅图像求出最优分割阈值,可以是单阈值也可以是多阈值;局部阈值法是把原始的整幅图像分为几个小的子图像,再对每个子图像应用全局阈值法分别求出最优分割阈值,其中全局阈值法又可分为基于点的阈值法和基于区域的阈值法。阈值分割法的结果很大程度上依赖于对阈值的选择,因此该方法的关键是如何选择合适的阈值,在很多算法中基于智能算法阈值的选择方法得到了较好的应用,并且展现出较强的适用性。
(二)基于改进微粒群算法的阈值图像分割
图像阈值化的目的是要按照灰度级,对像素集合进行一個划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。多阈值分割首先要解决的问题是如何确定分割类数,而分割类数可以预先指定,也可以依据一些算法自适应算出。
根据改进后的微粒群算法给出一种简单的实验比较,采用全局阈值的方法,把图像分割后采用二值图像显示。
(三)基于微粒群优化的图像分割算法
1、OSTU算法
OSTU算法是1979年由日本大津提出的,在最小二乘法原理基础上推导出来的。适用于双峰的直方图。OSTU算法目的就是计算出一连通区域的阈值,然后对该区域二值化。数学描述为:令连通区域S,其中象素灰度范围为[0,255],点(x,y)的灰度表示为I(x,y),灰度级x的点的概率为P(x);则OSTU就是求下式达到最大值的灰度级m。
2、微粒群改进OSTU算法
适应度值即是计算适应度函数所得到的值,它的大小是粒子群算法中选择个体极值和全体极值的依据。适应度函数是根据具体问题设计的,通常在目标函数并不复杂的情况下,可以直接将目标函数选择为适应度函数。本文即以距离测度函数为L(sb )适应度函数 ,求其最大值,即:
f(s, t) =max L(sb )
图像灰度值为 [0, 255]之间的正整数,而根据 wPSO更新公式得到的位置均为连续值,所以在每次速度更新后都对要其进行取整操作,同时检查位置是否越界 ( >255或 <0)。改进粒子群算法与粒子群算法相比较,具有较强的鲁棒性。
3、实验结果及分析
图2-4分别显示了三种不同算法所得到的结果,从图中可以看到,改进后的算法能把细小的区域分割出来,分割图像更清晰,能得到更好的分割效果。本图像的灰度中值为121,ostu分割算法得到的阈值为126,微粒群优化的图像分割阈值为134。
本文介绍了微粒群算法的改进策略,主要介绍了惯性权重的改进策略,给出了一种线性减小加入一定扰动的微粒群算,在性能上得到了较大提高,并且给出了实验比较。利用改进的微粒群算法结合阈值分割技术对图像进行分割,比较实验结果得出,改进后的微粒群算法在阈值图像分割中能得到更好的结果。
参考文献:
[1]乐逸祥,周磊山,乐群星.微粒群算法的可视化仿真及算法改进[J].系统仿真学报,2007,(6):1212-1216.
[2]J Carlier.The One-machine Sequencing Problem[J].European Journal of Operational Research,1982,(11):42-47.
[3]王万良,唐宇.微粒群算法的研究现状与展望[J].浙江工业大学学报,2007,4,35(2):136-141.
[4]Chunming Yang,Dan Simon.A New Particle Swarm Optimization Technique,Systems Engineering.ICSEng 2005.18th International Conference on Volume,Issue,16-18Aug,2005:164-169.
[5]Jiang CW, Bompard W.A hybrid method of chaotic particle swarm optimization and linear interior for reactive power optimization[J]. Mathematics and Computer sinSimulation,2005,68(1):57-65.
一、微粒群算法改进
对微粒群优化算法的改进主要体现在对参数的调整,结构的重新定义,和其他智能算法的融合。目前主要改进工作是增加了收敛因子,依据一定的标准为整个群体或某些微粒的状态量重新赋值、与智能进化算法的结合、使用新的位置和速度更新等式和新的群体组织结构。
本文采用线性减小的方法使得算法效果更好,并且再减小的同时给出一种曲线变化的扰动,使微粒群在一定程度上又可以逃出局部极值的影响。
微粒群速度改变策略为:
算法在迭代到某个步骤时实现对惯性因子的变化,随着迭代步数的增加,惯性权重逐渐变小,使微粒群在局部找到较为精确的结果。
二、基于改进微粒群算法的快速图像分割技术
(一)多阈值图像分割技术
图像阈值化分割是一种最常用,同时也是最简单的图像分割方法,它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。
阈值法分为全局阈值法和局部阈值法两种:全局阈值法指利用全局信息,例如整幅图像的灰度直方图,对整幅图像求出最优分割阈值,可以是单阈值也可以是多阈值;局部阈值法是把原始的整幅图像分为几个小的子图像,再对每个子图像应用全局阈值法分别求出最优分割阈值,其中全局阈值法又可分为基于点的阈值法和基于区域的阈值法。阈值分割法的结果很大程度上依赖于对阈值的选择,因此该方法的关键是如何选择合适的阈值,在很多算法中基于智能算法阈值的选择方法得到了较好的应用,并且展现出较强的适用性。
(二)基于改进微粒群算法的阈值图像分割
图像阈值化的目的是要按照灰度级,对像素集合进行一個划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。多阈值分割首先要解决的问题是如何确定分割类数,而分割类数可以预先指定,也可以依据一些算法自适应算出。
根据改进后的微粒群算法给出一种简单的实验比较,采用全局阈值的方法,把图像分割后采用二值图像显示。
(三)基于微粒群优化的图像分割算法
1、OSTU算法
OSTU算法是1979年由日本大津提出的,在最小二乘法原理基础上推导出来的。适用于双峰的直方图。OSTU算法目的就是计算出一连通区域的阈值,然后对该区域二值化。数学描述为:令连通区域S,其中象素灰度范围为[0,255],点(x,y)的灰度表示为I(x,y),灰度级x的点的概率为P(x);则OSTU就是求下式达到最大值的灰度级m。
2、微粒群改进OSTU算法
适应度值即是计算适应度函数所得到的值,它的大小是粒子群算法中选择个体极值和全体极值的依据。适应度函数是根据具体问题设计的,通常在目标函数并不复杂的情况下,可以直接将目标函数选择为适应度函数。本文即以距离测度函数为L(sb )适应度函数 ,求其最大值,即:
f(s, t) =max L(sb )
图像灰度值为 [0, 255]之间的正整数,而根据 wPSO更新公式得到的位置均为连续值,所以在每次速度更新后都对要其进行取整操作,同时检查位置是否越界 ( >255或 <0)。改进粒子群算法与粒子群算法相比较,具有较强的鲁棒性。
3、实验结果及分析
图2-4分别显示了三种不同算法所得到的结果,从图中可以看到,改进后的算法能把细小的区域分割出来,分割图像更清晰,能得到更好的分割效果。本图像的灰度中值为121,ostu分割算法得到的阈值为126,微粒群优化的图像分割阈值为134。
本文介绍了微粒群算法的改进策略,主要介绍了惯性权重的改进策略,给出了一种线性减小加入一定扰动的微粒群算,在性能上得到了较大提高,并且给出了实验比较。利用改进的微粒群算法结合阈值分割技术对图像进行分割,比较实验结果得出,改进后的微粒群算法在阈值图像分割中能得到更好的结果。
参考文献:
[1]乐逸祥,周磊山,乐群星.微粒群算法的可视化仿真及算法改进[J].系统仿真学报,2007,(6):1212-1216.
[2]J Carlier.The One-machine Sequencing Problem[J].European Journal of Operational Research,1982,(11):42-47.
[3]王万良,唐宇.微粒群算法的研究现状与展望[J].浙江工业大学学报,2007,4,35(2):136-141.
[4]Chunming Yang,Dan Simon.A New Particle Swarm Optimization Technique,Systems Engineering.ICSEng 2005.18th International Conference on Volume,Issue,16-18Aug,2005:164-169.
[5]Jiang CW, Bompard W.A hybrid method of chaotic particle swarm optimization and linear interior for reactive power optimization[J]. Mathematics and Computer sinSimulation,2005,68(1):57-65.