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。 * Bionic Computing Particle Swarms Optimization Russell Eberhart * 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。 * 鸟群（鱼群）行为 Particle Swarms Optimization * 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。 * Particle Swarms Optimization 粒子群特性 * 基本PSO算法 （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。 * 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)] 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 * 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 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 * 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 * % 直方图双峰法阈值分割图像程序 clear I=imread(细胞.png) % 读入灰度图像并显示 imshow(I); figure;imhist(I); % 显示灰度图像直方图 Inew=im2bw(I,140/255); % 图像二值化，根据140/