基于微粒群算法的图像阈值分割方法及其应用-硕士学位论文.doc

目 录 摘 要 I Abstract II 第一章 绪 论 1 1.1 阈值分割概述 1 1.2 微粒群算法简介 2 1.3 本文的主要工作 2 1.4 本文结构 3 第二章 仿生优化算法综述 4 2.1 引言 4 2.2 遗传算法 4 2.2.1 遗传算法的思想来源 4 2.2.2 遗传算法基本原理 5 2.2.3 遗传算法运算流程 5 2.3 蚁群算法 6 2.3.1 蚁群算法的产生和发展 6 2.3.2 基本蚁群算法的原理 6 2.3.3 蚁群算法流程 8 2.4 微粒群算法 8 2.4.1 微粒群算法思想的起源 8 2.4.2 微粒群算法基本原理 9 2.4.3 微粒群算法流程 10 2.4.4 微粒群算法的发展 11 2.5 优化仿生算法的异同比较 14 第三章 改进的微粒群算法在阈值选取中的应用 17 3.1 阈值分割原理 17 3.2 阈值选取方法 17 3.2.1 极小值点阈值选取方法 17 3.2.2 最优阈值选取方法 18 3.2.3 迭代阈值选取方法 18 3.3 本文采用的算法 19 3.3.1 二维最大熵阈值分割 19 3.3.2 动态调整惯性权重的DPSO算法 21 3.3.3 基于DPSO的阈值分割算法 22 3.3.4 实验数据分析 23 第四章 DPSO算法在人脸检测预处理中的应用 31 4.1 人脸识别概述 31 4.2 颜色空间 31 4.2.1 RGB颜色空间 31 4.2.2 HIS颜色空间 32 4.2.3 YCbCr颜色空间 33 4.3 建立高斯肤色模型 33 4.4 肤色分割 34 4.5 实现过程及实验结果 34 小结与展望 37 参 考 文 献 39 致 谢 45 附录A 攻读学位期间发表的学术论文 46 摘 要 在数字图像处理的应用领域中，经常需要对图像目标进行提取识别，如人脸识别、文字识别、指纹识别、车牌识别、基于内容的图像检索等，图像分割则是图像识别预处理阶段至关重要的步骤。图像的阈值分割技术由于其原理简单，易于实现，已成为目前最常用的图像分割方法。在阈值分割算法中，确定最优阈值是图像分割的关键。但阈值的选取大多采用穷尽的搜索方式，运算效率较低，抗噪能力不强，容易产生误分割。 为了解决以上问题，本文采用智能优化算法来搜寻最优阈值，旨在最大限度地提高寻优效率和寻优精度。微粒群算法是一种原理简单，实现容易的新的智能算法，本文在研究微粒群智能优化算法的基础上，建立了阈值寻优算法并将其实施于图像分割的应用领域。 本文的阈值分割方法首先对图像进行去噪处理，绘制出图像的二维直方图；其次，根据二维直方图信息选取适当灰度值作为微粒群算法中的初始微粒群体，以减少后续的计算量，提高算法的效率；然后，用包含动态惯性权重的进化方程进行迭代，调整动态惯性权重的参数，对于不同的具体数据，获取适当的惯性权重；最后，通过寻优搜索得到算法的输出值即为最优阈值，以此阈值划分像素，实现图像分割。 本文的创新点在于在微粒群算法的进化方程中加入了动态的惯性权重，提出一种基于微粒群算法的改进阈值分割算法DPSO(Dynamic PSO)。它使得整个寻优过程中可以根据图像信息数据有效地控制局部搜索能力和全局搜索能力的比例关系，从而防止算法过早收敛和陷入局部最优解。 本文将改进的微粒群算法应用于人脸检测的预处理中，对皮肤概率灰度图像进行阈值化处理，依据肤色分割人脸图像，得到基于肤色的二值图像。实验数据表明，该算法准确清晰地分割了人脸的皮肤区域与非皮肤区域，且分割效率和效果比单纯使用二维最大熵分割算法要优化，由此可验证本文基于微粒群改进算法的阈值分割方法的有效性和实用价值。 关键词：数字图像处理；图像阈值分割；微粒群算法；惯性权重；肤色分割 Abstract In applications of digital image processing, the extraction of image objects is needed in many cases, such as face recognition, text recognition, fingerprint recognition, license plate recognition and content-based image retrieval. Image segmentation is a crucial step in preprocessing of image recognition. Image threshold technology is the most commonly used method of image segmentation because its principle is very simp