基于冯诺依曼邻居粒子群多阈值分割算法.docVIP

基于冯诺依曼邻居粒子群多阈值分割算法 　　 (重庆大学 计算机学院 重庆400044) 　　 　　摘 要：针对多阈值分割问题，提出了一种新的多阈值分割算法。该算法对传统的Otsu进行修改，使其能够更准确地找到直方图中谷的位置；并利用冯诺依曼拓扑邻居粒子群作为阈值优化算法，提高了优化性能。提出了构造冯诺依曼拓扑结构的方法，并分析和比较了它与全互连结构的差别。实验结果显示此算法具有较好的?┬阅塥?。 　　关键词：冯诺依曼邻居; 粒子群优化； 多阈值分割 　　中图分类号：TP18文献标志码：A 　　文章编号：1001-3695(2009)05-1977-03 　　 　　Image multi-level thresholds based on PSO with Von Neumann neighborhood 　　CHEN Zi-yu HE Zhong-shi ZHANG Cheng 　　(College of Computer Science Chongqing University Chongqing 400044 China) 　　Abstract:As for image multilevel thresholding this paper proposed a novel algorithm. With modified Otsu method the algorithm could get good thresholds by correctly finding the valley of image histogram. Based on particle swarm optimization with Von Neumann neighborhood the algorithm improved the optimization performance. Also described a way to build Von Neumann structure and compared its performance with global topology. Experimental results show that the proposed algorithm is promising and outperforms some existing techniques. 　　Key words：Von Neumann neighborhood; particle swarm optimization (PSO); multilevel thresholding 　　 　　图像分割是数字图像处理中最重要的技术之一，也是模式识别领域的重要组成部分。图像分割的目的是依据图像的特征将图像划分成不同的区域。在众多分割技术中，阈值分割由于其简单、快速得到了最广泛的应用。?? 　　阈值分割技术分为四部分：a）图像特征模型；b）数学模型；c）优化（判别）标准；d）优化算法。根据这四部分的不同选择，形成了不同的阈值分割算法。?? 　　图像特征模型是阈值分割的基础。在现有的阈值分割技术中，大多采用图像的像素灰度属性和像素位置关系作为特征。图像的灰度分布直方图是最典型的图像特征模型，如Otsu方法[1]、ME阈值法[2]等均采用这种模型。其他特征模型包括采用空间关系的特征模型[3,4]、采用图像局部特征作为分割依据[5,6]的局部特征模型等。数学模型和优化标准是在图像特征模型的基础上获得阈值的方法，是阈值分割的关键。它们的作用是用数学方法描述特征模型。例如采用高斯模型模拟直方图或直接使用直方图的形状特征将其转换为数学问题，再采用优化标准，如类方差最小[1,7]、最大熵或交叉熵[8,9]、聚类[4,10]等方法最终得到结果。早期的阈值分割大都是二值分割，即单阈值分割。随着图像应用的多样化，出现了多阈值分割技术。然而，随着阈值级别的增加，通过穷举的方法得到多个阈值无法在有限时间内完成，所以需要采用优化算法来得到最佳阈值。目前有很多优化算法已应用于多阈值分割中，如遗传算法、模拟退火等[11]。粒子群算法[12]是其中较新的优化算法，由于其思想简单、操作方便，近几年受到了人们广泛的?┕刈??。?? 　　本文以Otsu方法为基础，采用相对类方差最小作为优化标准，并使用冯诺依曼邻居作为粒子群的社会认知结构，实现了一个新的多阈值分割算法。此算法解决了Otsu类方差法不能准确定位谷值、对小对象分割效果差的缺点，较好地改进了传统粒子群算法易陷入局部最优的弱点，但仍保持了较好的收敛能力。?? 　　 　　1 类内方差法?? 　　 　　1.1 Otsu?? 　　Otsu方法关于最佳阈值的定义是使类内方差的加权和最小的