基于粒子群的多阈值分割论文.doc

目录 1 绪论 2 1.1 研究背景与意义 2 1.2 图像分割方法概述 3 1.3 阈值分割概述 3 2 最佳阈值选取 3 3 粒子群的多阈值图像分割 4 3.1 算法的背景和概述 4 3.2 算法的基本原理 5 3.3 参数选择 6 4 粒子群算法的步骤及其流程 7 5 实验结果与分析 9 6 附录 10 基于粒子群算法的多阈值图像分割 1 绪论 1.1 研究背景与意义 随着计算机信息技术的不断向前发展，人们越来越多地利用计算机来获取和处理视觉图像信息。据统计，人类从外界获取的信息中有 80%是来源于视觉或者说是图像信息，这包括图形、图像、视频、数据、文本等。作为人类最有效的交流方式和信息获取，图像也因其所含的信息量大且表现直观而在多媒体技术中占据了重要地位。 所谓图像处理，就是对图像信息进行处理来满足人的视觉心理或应用需求的行为。在对图像处理的研究及应用中，人们往往只对图像中的某些部分感兴趣，这些感兴趣的部分称为目标或前景，一般对应图像中特定的、具有独特性质的区域，剩余的部分则称为背景。而图像分割的目的就是把图像分割成各具特性的区域并从中提取出感兴趣目标的技术和过程。多年来，对图像分割的研究一直是图像技术研究中的焦点和热点，人们对其的关注不断提高。它是一种重要的图像分析技术，是图像处理到图像分析的关键步骤，也是计算机视觉领域低层次视觉中的主要问题。图像分割结果是图像特征提取及识别等图像理解的基础，对图像的加工主要处于图像处理的层次，图像分割后，对图像的分析才成为可能。另外，图像分割也广泛的应用于实际生活中，特别是近年来随着计算机技术以及图形图像学的飞速发展，使得图像分割技术成为了其它很多研究领域能否顺利发展的一个重要基础。阈值法因其实现简单和运算效率高而成为了一种有效的图像分割方法，阈值的确定则是阈值法图像分割的关键，然而为了使分割结果更为准确而要在一幅多峰直方图的全灰度范围内搜索一个最佳多阈值组合，问题将变得非常复杂耗时，无法满足实时性的要求，严重阻碍了该方法的发展。因此，寻求一种高效快速的算法来解决基于多值阈值图像分割的问题将具有重要的意义。 粒子群算法(Particle Swarm Optimization，PSO)是群智能算法中用于解决全局优化问题的一种有效方法，其思想是受鸟群觅食行为的启发。研究结果表明，粒子群优化算法在全局优化问题中，无论是收敛速度还是全局寻优能力，都能表现出了很好的性能。因此，本文利用粒子群优化算法来求解多阈值图像分割问题。 1.2 图像分割方法概述 图像分割是图像处理与模式识别中一项基础而重要的技术手段。其目的是把图像分割成有意义的或者感兴趣的区域，这些区域与现实中的各类目标相对应。为了对目标进行辨识和分析，必须将有关区域分离出来，在此基础上才有可能提取和测量目标的特征。可以说，图像分割是成功地进行图像理解、分析和描述的前提条件。图像分割算法一般是基于灰度值的两个基本特性之一：相似性和不连续性。基于灰度的相似性依据事先制定的准则将图像分割为相似的区域，如阈值分割、区域生长、区域分离与合并；基于灰度的不连续性分割图像，如边缘生长、边界检测。图像分割理论上通过借鉴其它学科，如形态学、模糊数学、分行理论、小波变换、神经网络、遗传算法、人工智能等领域的研究成果，出现了不少新的分割算法。 1.3 阈值分割概述 阈值分割是图像分割中最基本的方法.常用的阈值法有最大类间方差阈值法、最大熵阈值法及最小误差阈值法等。最大熵原则选择阈值的目的在于用几个阈值将图像的灰度直方图分成独立的类。使得各类的总熵最大,而最大类间方差法是使各类间的方差最大.确定阈值是阈值化分割的关键，最佳阈值的确定是目前有待于解决的问题.根据阈值的个数，图像阈值分割可分为单阈值分割和多阈值分割。多阈值分割问题可转化为一系列单阈值分割问题来解决,但这需要在全灰度范围内搜索一个最佳门限组合，耗时较多,难于实际应用。为简化计算，可利用遗传、免疫等进化算法来搜索最佳阈值。在本文中，将粒子群算法引入图像分割中的多阈值选择，对最大类间方差法进行了优化,能够准确、迅速地找到图像分割的最佳阈值,并对图像进行多阈值分割。 2 最佳阈值选取 对于灰度范围为{0,1,…,-1}的图像,设阈值t将图像划分为目标(A)与背景(B)两类，,为灰度出现的概率,目标部分的概率,背景部分的概率，目标部分的均值，背景部分的均值。 两组间的方差公式为 最佳阈值t是使得方差取得最大值。扩展到多阈值分割(设有k个阈值),则其中，， 且最佳阈值为使总方差取得最大值。 这样,利用最大熵阈值法和最大类间方差法,图像的多阈值分割的阈值求解问题就可归纳为最佳阈值的优化问题。 3 粒子群的多阈值图像分割 3.1 算法的背景和概述 粒子群优化算法(PS