混沌粒子群算法二维Fisher中的应用.docVIP

混沌粒子群算法在二维Fisher图像分割中的应用 叶志伟 周欣 （湖北工业大学 计算机学院 430068） 摘要：针对二维Fisher算法在图像分割求解阈值时计算量大的特点，将混沌粒子群算法引入其中，利用混沌变量具有遍历性、随机性和规律性的特点有效的解决了计算效率以及传统粒子群算法的初始解质量、易陷入局部最优解的问题。通过实验证明将混沌粒子群算法引入二维Fisher图像分割算法提高了算法的速度和精度。 关键词：混沌粒子群，二维Fisher，阈值，图像分割 中图分类号：TP391 文献标识码：A 1引言 图像分割是将图像中具有特殊意义的不同区域分开来，并使这些区域相互不相交且每个区域应满足特定区域的一致性条件。图像分割一直是计算机图像理解中一个十分活跃的研究领域… u∈(2,4] (3) 式中u为控制参量，方程 (3)可以看作是一个动力学系统。u值确定后，任意初值z∈[0，1]，可迭代出一个确定的时间序列。一个混沌变量在一定范围内有如下特点：随机性，即它的表现同随机变量一样；遍历性，即它可以不重复地历经空间内的所有状态；规律性，即该变量是由确定的达代方程导出的。混沌优化方法是一种新颖的优化方法，它利用混沌系统特性来实现全局最优，而且它不要求目标函数具有连续性和可微性的性质。将混沌的思想引入粒子群算法就能够很好的克服经典粒子群算法的不足，从而更快更优地寻解。 基本粒子群方法的基本步骤是： 第一步：初始化粒子群； 第二步：计算每个粒子的适应度； 第三步：对每个粒子，比较它的适应值和它经历过的最好位置的适应值，若更好，更新当前最好位置； 第四步：对每个粒子，比较它的适应值和群体所经历的最好位置的适应值，若更好，更新全局最好位置； 第五步：根据式(1)和式(2)进化粒子速度和位置； 第六步：如果达到结束条件（足够好的位置或最大迭代次数），则结束，否则转第二步。 混沌粒子群优化算法步骤如下： 混沌初始化。随机产生一个n维每个分量数值在 0-1之间的向量z，根据式（3）得到n个z的值。将 z 的各个分量载波到优化变量的取值范围：xij=aj+(bj-aj)zij，计算目标函数，从N个初始群体中选择性能较好的m个解作为初始解，随机产生 m个初始速度；根据当前位置和速度产生各个粒子的新的位置。 随机产生一个n维每个分量数值在0-1之间的向量z0=(z01,z02,…z0n)； While(迭代次数k规定迭代次数)do For i-l：m 按式 (1)，更 新 自己 的速 度，并把它限制在vmax内；根据 式 (3)，产生z1，将z1的各个分量载波到混沌扰动范围[-B，B]内，扰动量△x=(△x1, △x2,…△xn) △x=-B+2Bz1j 根据式（2） xid(t+1)=xid(t)+vid(t+1) x’=xid+△x 计算这两个位置的适应值f和f’，若f’f，则=x’。 End For 更新个体最优位置，群体最优位置； End While 输出群体最优位置。 3二维Fisher图像分割算法 由于传统的一维直方图仅仅反映了象素的灰度值分布，当图像的信噪比较小时，一维直方图不会出现明显的波峰和波谷，阈值较难选取。这时如果仅仅根据一维直方图进行分割则会产生严重的错误。针对这种情况，本文将使用二维Fisher准则函数法充分利用象素的邻域空间信息，对图像进行分割。 定义二维直方图N(i,j)的值表示为象素灰度值f(x,y)=i且同时象素邻域平均灰度值g(x,y)=j的象素的个数，(i,j=0,1,…L)。设图像的灰度级为L(L=0,1,…,255)，f(x,y)为图像在(x,y)点的灰度值，g(x,y)为以(x,y)为中心，k×k邻域内的平均灰度值。 其中，1≤x≤M，1≤y≤N，M，N为图像的宽度和高度，k一般取3。无论图像的信噪比高低，二维直方图都有两个明显的波峰，选择一个合适的二维阈值(s,t)将物体和背景分割开，可以得到较好的分割效果，充分体现了二维直方图较强的抗噪声性能。 将二维直方图分别在两个坐标上进行投影，分别表示为H(i)和W(j)，二维直方图Fisher准则函数的均值和方差： 其中 二维Fisher准则函数，则二维Fisher准则函数为： (9) 当取最大值时所对应的为最佳分割阈值： ＝Arg Max（） （10） 4混沌粒子群算法在二维Fisher算法中的实现 为了验证本实验方法的有效性，采用本文方法对十幅图像进行分割实验。本文实验平