粒子群算法在图像分割中的应用.ppt

粒子群算法在图像分割的应用 Particle Swarm Algorithm and Its Applications in Image Segmentation 电气信息工程学院 霍凤财 引言 粒子群算法，是一种以群体为基础 (Population-based) 的最优化启发式算法； 由 James Kennedy 和 Russell Eberhart 两位学者于1995年时所提出。 起源 提出该算法的两位学者，由观察鸟群觅食的社会行为得到启发； 鸟群在食物存在的空间中飞行觅食，一开始并不知道最佳的觅食点位置； 每只鸟会凭借着自己的经验或是直觉，飞往它觉得较佳的地点来搜寻食物； 当其他鸟发现了更佳的觅食地点时，鸟群间会以某种类似广播的沟通行为，渐渐的将其它鸟群引领到较佳的地点； 这样的觅食行为是利用社会中所存在的互相影响的概念，来引领所有个体朝向最佳解位置。 抽象 粒子群的概念视为一个简单的社会系统，每只个体被视为一个解，称之为粒子(Particle)； 每个粒子经由适应函数的衡量而具有一个适应值。 基本PSO算法 PSO 目标式 速度：vid(t +1)= wxvid(t)+ c1xrand()x[pid(t)- xid(t)(t)]+ c2xrand()x[Pgd(t)-xid(t)(t)] 抽象 粒子群的概念视为一个简单的社会系统，每只个体被视为一个解，称之为粒子(Particle)； 每个粒子经由适应函数的衡量而具有一个适应值。 优化问题 PSO 流程 Particle Swarm研究热点 IEEE TRANSACTION ON EVOLUTIONARY COMPUTION于2004年出版了第3卷：SPECIAL ISSUE ON PSO。Russell C.Eberhart, Yuhui Shi在卷首语中指出了当前PSO研究的几个主要方向及热点： 1、算法分析； 2、粒子群拓扑结构； 3、参数选择与优化； 4、与其他演化计算的融合； 5、应用。 优点 PSO吸引人之处，在于只有少数的参数需要调整； 能加快速度收敛至最优解； 可以被用来解决大多数的最优化问题。 阈值选取的图像分割方法 设图像为f (x, y) ，其灰度级范围是[0，L-1]，在0和L-1之间选择一个合适的灰度阈值T，则图像分割方法可描述为： 这样得到的g (x, y)是一幅二值图像。 直方图阈值化后的二值图像 直方图阈值双峰法的图像分割程序与效果 一维最大熵阈值分割 目标区域O的概率分布和背景区域B的概率分布分别是 背景区域B的概率灰度分布为： 一维最大熵阈值分割 式中 目标区域和背景区域熵的定义为 一维最大熵阈值分割 由目标区域和背景区域熵、得到熵函数定义为 当熵函数 取得最大值时，对应的灰度值就是所求的最佳阈值 图像分割方式流程 最大信息熵图像分割的效果 * * Bionic Computing Particle Swarms Optimization Russell Eberhart 鸟群（鱼群）行为 Particle Swarms Optimization Particle Swarms Optimization 粒子群特性 （1） （2） 其中，C1,C2为正常数，称为加速因子；rand( )为[0，1]之间的随机数；w称惯性因子，w较大适于对解空间进行大范围探索(exploration)，w较小适于进行小范围挖掘(exploitation)。第d（1≤d≤D）维的位置变化范围为[-XMAXd , XMAXd]，速度变化范围为[-VMAXd , VMAXd]，迭代中若位置和速度超过边界范围则取边界值。 v-速度 w-惯性权重 C-加速因子 pid-局部最优解 Pgd-全局最优解 原来速度 vid 过去自身经验 同伴飞行经验 运动向量 目前的区域最佳解pbest 目前的全域最优解gbest 原来位置 xid(t) 新位置 xid(t+1) 原来速度 vid(t) 新速度 vid(t+1) 位置：xid(t+1)=xid(t)+vid(t+1) 2维特例 粒子群最优化 Particle Swarms Optimization 合理解 目前最优解 区域最佳解 全域 区域 以任意的位置和速度来初始化粒子 计算各个粒子的适应值 更新 Pid与Pgd 值 更新各个粒子位置及速度 开始 满足终止条件 结束 否 是 % 直方图双峰法阈值分割图像程序 clear I=imread(