一种基于混合合作学习的粒子群算法的多阈值图像分割教案分析.pptVIP

4.4 结果讨论二 结论： 从表2我们可以看到基于最大熵的图像分割结果，分别采用了PSO(粒子群)算法和GA（遗传）算法、高斯平滑，对称方法，两幅图像从分割的阈值点数目为2-5时，PSO算法的分割结果的评价函数的值总是优于其它的算法，PSO算法的u值可以取到0.965-0.98，而其它算法则达到0.93都难。这就更能说明说明PSO算法的分割效果优于其它算法的分割效果，并且随着分割阈值的数目越多，分割效果越好。 22/28 21个不同灰度长方形组成的图像 21个不同灰度长方形组成的图像直方图 4.5输出结果之三 23/28 阈值点C=3,分割成4个部分 阈值点C=5,分割成6个部分 4.5输出结果之三 24/28 阈值点数目越多，目标函数和评价函数也越大，说明分割效果越来越好。 25/28 粒子群算法的初始值设定 评价函数 目标函数 阈值点 混合粒子群参数设定 每个一维群的粒子数目 选择概率 加速因子 惯性斜率 初始惯性权重 每个粒子的位置变化范围 五 个人观点 1.用于图像分割的图像数目太少，才3幅，不能充分说明对所有图像的分割效果都好。 2.用于图像分割的图像比较清楚，如果有些模糊的图像的分割效果又会怎么样呢？文章没有交待。 3.应该将这个算法和基于区域、基于轮廓等的其它分割方法进行对比，才能充分说明这种分割方法的好 1.引入图像分割结果的评价函数模型，其它文章都只做到让目标函数达到最大就完了。 2.阈值点数目可以改变，所以无论再怎么复杂的图像，随着阈值点数目的增多，分割效果会越来越好。 3.PSO算法结构简单，看懂容易，还可以和其它算法结合，不断提高它的收敛精度和收敛速度。 优点 缺点 26/28 六 参考文献 [1] Madhubanti Maitra, Amitava Chatterjee. A hybrid cooperative–comprehensive learning based PSO algorithm for image segmentation using multilevel thresholding. 2008(34) :1341–1350 [2]徐小慧张安.基于粒子群优化算法的最佳熵阈值图像分割.计算机工程与应用.2006(10):8-11 [3]韦苗苗, 江铭炎.基于粒子群优化算法的多阈值图像分割.山东大学学报（工学版）.2005,35(6):118-121 [4]付阿利, 雷秀娟.基于改进PSO 算法的最大熵阈值图像分割. 2008, 44( 29):174-176 27/28 END THANK YOU FOR LSIENING 28/28 * * A hybrid cooperative–comprehensive learning based PSO algorithm for image segmentation using multilevel thresholding 一种基于混合合作-学习的粒子群算法的多阈值图像分割 一、文章来源； 二、研究意义； 三、方法原理； 四、结果讨论与论； 五、个人观点 六、参考文献 1/28 一、文章来源 2/28 图象处理的目的之一是用作图象识别，本图像分割将图象分为一些有意义的区域，然后可以对这些区域进行描述，相当于提取出某些目标区域图像的特征，判断图像中是否有感兴趣的目标 分割的目的是把图象空间分成一些有意义的区域，是实现图像自动识别与理解的必不可少的过程，是计算机视觉的中间层次。例如，一幅航空照片，可以分割成工业区、住宅区、湖泊、森林等等。可以以逐个象素为基础去研究图象分割，也可以利用在规定邻域中的某些图象信息去分割。分割的依据可建立在相似性和非连续性两个基本概念之上。 图像分析系统的基本构成如下图： 知识库 表示与描述 预处理 分割 低级处理 高级处理 中级处理 识别 与 解释 结果 图像获取 问题 二、研究意义 3/28 飞翔中的鸟群是如何找到食物的？ Bionic Computing Lab, 2005 Bionic Computing 12/21/05 DM course 粒子群最佳化 Particle Swarms Optimization Russ Eberhart 整合群体行为、人类决策与鸟群行为发展成为 粒子群演算法。 【Eberhart, Kennedy, 1995】 3.1 PSO算法简介 粒子群算法(particle swarm optimization，PSO)由Kennedy和Eberhart在1995年提出，该算法模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种