基于图像阈值分割的改进蜂群算法

基于改进人工蜂群的图像增强算法郭文艳;周吉瑞;张姣姣【摘要】For the problems of premature phenomenon and slow convergence rate appeared in Artificial Bee Colony (ABC) algorithm,an ABC algorithm based on the backtracking search is proposed.The Backtracking Search Algorithm (BSA) is used to select and update the colony.Through the random mutation strategy and non-uniform crossover strategy,the new algorithm can enhance the population diversity of the colony algorithm,enables the algorithm jump out of the local optima and has a better global convergence rate.The improved algorithm is used for image contrast enhancement.By searching the optimal parameters α,β of incomplete Beta function,the gray-scale transformation curve is determined.The image gray level is adjusted to improve the image contrast.Simulation results show that the proposed algorithm,has a higher accuracy and faster convergence pared with the Histogram Equalization (HE) algorithm,the contrast of the image is enhanced effectively.%针对人工蜂群算法易出现早熟现象和收敛速度慢等问题,提出一种基于回溯搜索的人工蜂群算法.通过回溯搜索算法选择更新种群,采用随机的变异策略和不均匀的交叉策略,增强蜂群算法种群多样性,使得改进的蜂群算法能够跳出局部最优,且具有较好的全局收敛速度.将改进的算法用于图像对比度增强,通过搜索非完全Beta函数的最佳参数α,β,确定灰度变换曲线,对图像灰度进行调整,提高图像对比度.仿真实验结果表明,该算法具有较高的求解精度和较快的收敛速度,与直方图均衡化算法相比,有效地增强了图像的对比度.【期刊名称】《计算机工程》【年(卷),期】2017(043)011【总页数】11页(P261-271)【关键词】人工蜂群算法;回溯搜索算法;种群多样性;收敛速度;全局收敛;图像对比度增强【作者】郭文艳;周吉瑞;张姣姣【作者单位】西安理工大学理学院,西安710054;西安理工大学理学院,西安710054;西安理工大学理学院,西安710054【正文语种】中文【中图分类】TP301.6在现实生活中,图像在采集或传输的过程中,容易造成图像模糊不清、带有噪声、细节损失等问题,给图像处理及分析带来不便。

一种改进的人工蜂群算法研究
人工蜂群算法是一种计算机科学领域常用的优化算法，该算法模拟了蜜蜂在寻找食物过程中的信息共享和协同作业行为。

然而，传统的人工蜂群算法存在着多种问题，如收敛速度较慢、易陷入局部最优解等。

为此，本文提出了一种改进的人工蜂群算法。

改进的人工蜂群算法通过引入动态适应度权重和精英蜜蜂策略来提高算法的全局搜索能力和收敛速度，具体步骤如下：
1. 初始化种群：在算法开始阶段，需要随机生成一定数量的蜜蜂个体，并对其进行初始化位置和速度。

2. 适应度计算：为了评估每个个体的适应度，需要将问题转化为目标函数，然后计算每个个体在该函数下的实际函数值。

在本算法中，我们采用动态适应度权重的方法来计算适应度值，即通过不断更新权重系数来平衡全局搜索和局部搜索之间的权衡。

3. 轮盘赌选择算子：为了筛选出更优的个体，需要进行选择操作，该算法采用轮盘赌选择算子进行个体选择，并将选择后的个体复制一份以备用。

4. 信息共享：为了更好地利用种群中的信息，改进的人工蜂群算法采用了信息共享机制，即通过在个体之间传递信息来帮助种群更快地收敛到全局最优解。

5. 精英蜜蜂策略：为了强化算法的全局搜索能力，本算法引入了精英蜜蜂策略，在每次迭代中选择适应度值最好的个体作为精英蜜蜂，并以一定的概率来更新其他个体的位置和速度。

6. 收敛检测：为了保证算法的收敛性，需在一定迭代次数内检测种群是否已经趋于稳定，如果已经稳定则停止迭代。

基于灰度图像的阈值分割改进方法【摘要】目前，数字图像处理技术在各个领域上都有了比较广泛的应用。

若人们只对图像的某个部分感兴趣，为了能够把其提取出来，就得对图像进行分割，即把图像分成一些具有不同特征而有意义的区域，以便进一步的进行图像分析和理解。

本文在基于matlab运行环境下分析了传统的灰度阈值图像分割，即双峰法、迭代法和最大类间方差法在细节部分分割上的缺点，然后，结合图像增强中的微分梯度，对原有图像的细节进行锐化增强，然后再使用这三种方法进行分割，得到的分割结果和传统的分割方法得到的结果进行比较得出结论，改进后的方法确实达到了改善分割后图像细节的效果，为图像分割方法的改进提供了技术支持。

【关键词】图像分割；图像增强；阈值；梯度；matlab1 图像分割概述图像分割就是将图像按照人们的意愿分成许多个区域，使这些区域具有不重叠的特性或者该区域具有实际意义或是几个区域的图像特征相差不大。

图像分割使得人们分离出目标区域，同时人们可以对图像的特征进行提取或者是对目标的一些参数进行一些简单的测量，为人们进行更深入的图像研究提供了基础。

图像分割是图像处理的一个重要步骤，在人们进行图像处理研究的初期就已经受到人们的高度重视。

经过几十年的发展，到目前为止，人们已经提出了很多种分割方法。

尽管图像分割的方法和种类有很多，却没有唯一的标准的分割方法。

有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。

许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。

分割结果的好坏需要根据具体的场合及要求衡量。

图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。

图像分割是数字图像处理中的关键技术之一。

图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。

收稿日期:20170924基金项目:中国博士后基金资助项目(2016M 601332);辽宁省自然科学基金指导计划资助项目(20170540646);辽宁省博士启动基金资助项目(201601217).作者简介:孙晓亮(1991),男,安徽马鞍山人,沈阳大学硕士研究生;田立威(1973),男,辽宁沈阳人,沈阳大学教授,博士后研究人员.第29卷第6期2017年12月沈阳大学学报(自然科学版)J o u r n a l o f S h e n y a n g U n i v e r s i t y (N a t u r a l S c i e n c e )V o l .29,N o .6D e c .2017文章编号:2095-5456(2017)06-0479-06基于改进的人工蜂群算法在医学图像上的多阈值图像分割法孙晓亮a ,田力威b ,刘 洋b(沈阳大学a .信息工程学院,b .辽宁省物联网信息集成技术工程研究中心,辽宁沈阳 110044)摘 要:研究了对医学图像阈值分割和人工蜂群算法的研究现状.发现在医学图像分析中,将图像有效分割为有意义的对象对分类和对象识别很重要.提出一种将改进的人工蜂群与分数阶图像阈值分割方法相结合的图像分割方法,即变系数人工蜂群优化算法(V C A B C ),用于确定给定图像上的n -1个最优n 级阈值.将所提出的方法与P S O 分数阶图像阈值分割方法和A B C 分数阶图像阈值分割方法相比较.实验结果表明,在考虑多种不同的条件情况时,该方法的表现优于其他方法.关 键 词:图像分割;多级阈值;A B C 算法;适应度函数;变系数中图分类号:T P317.4 文献标志码:A在MA T L A B 仿真计算平台上结合图像分割理论对医学图像进行处理已成为现代医学领域不可或缺的一部分,医学图像是医生诊断病情的关键性依据,医学图像视觉效果的提高有助于提高医生的确诊率,提高现代医疗水平,促进医学的进一步发展.图像分割是指把图像描述成某些连通区域的集合,使得图像特征在不同区域表现不同,在同一区域表现出相似性的处理.目前图像分割常用的方法有阈值法[1]㊁边缘检测法[2]㊁区域法[3]㊁形态学分水岭法等.阈值法由于实现简单且计算速度快等特点,在图像分割应用中处于核心地位.其中图像的多阈值分割可以归为一个典型的优化问题,常用的方法是将最大类间方差法[4]结合一些最优化算法来确定合适的阈值.粒子群算法是一种高效的优化算法,其结构简单㊁运算复杂度低等优点正好适用于解决多阈值图像分割中所遇到的难题.G h a m i s i [5]等人运用多级分割技术以及P S O 算法对图像进行多阈值分割,但是P S O 算法有其局限性,容易陷入局部最优.人工蜂群算法(A r t i f i c i a l B e e C o l o n y,A B C )是K a r a b o g a [6]于2005年仿照蜜蜂的觅食行为提出的,属新一代的群体智能优化算法.相比于P S O算法,A B C 算法中出现了个体间的分工,即采蜜蜂㊁观察蜂和侦察蜂3种类型,它们根据分工不同而进行不同的活动,并在活动的过程中实现信息的共享,因此,A B C 算法搜索解空间中的最优解时更有优势.周晨航[7]等人将改进的萤火虫算法应用到O t s u 二维图像分割法上,提高了方法时间效率,但是研究对象局限在二维,应用范围不大.施丽红[8]等人从颜色空间提取图像的7个特征,运用种子区域生长法结合人工蜂群算法得到图像分割的结果,该种方法在时间效率,一致性误差上性能较为均衡,但由于特征提取过多,导致计算量增大从而使得运行时间过长.徐洪[9]等人针对人工蜂群算法中的引领蜂搜索㊁跟随蜂搜索和侦察蜂搜索3个方面进行了改进,将其与传统的多阈值红外图像分割方法相结合,相比原始的穷举法耗时短,相比原始的A B C 算法精度更高.但是其比原始的A B C 算法耗时长,时间效率略低.而本文中沿用文献[5]中使用的多级分割技术,提出一种新的V C A B C 算法,其原理是通过对A B CCopyright©博看网 . All Rights Reserved.算法搜索公式进行改进,使其在算法初期更快的向全局最优值趋近,在算法后期增强其跳出局部最优的能力,这样既避免了A B C 算法容易陷入局部最优的问题,也提高了A B C 算法运算的时间效率.然后将其与分数阶图像阈值分割方法相结合对医学图像进行处理,实验证明本文中提出的方法在分割效果㊁时间效率㊁算法精度上均优于其他分数阶图像阈值分割方法.1 分数阶图像阈值分割方法多级分割技术提供了一种执行图像分析的有效方法.然而,在图像分割中自动选择一个n 维最佳的阈值一直是一个挑战.本节给出了一种关于这个问题的解决构想.让给定图像的每个R G B (红-绿-蓝)分量中有L 个强度级别,这些级别的范围设定在{0,1,2, ,L -1}.这样就可以定义:p C i=h CiN,ðNi =1C ={R ,G ,B}p C i=1.(1)式中:i 表示特定的强度水平,即0<i <L -1,C 表示图像的分量,即C ={R ,G ,B };N 表示图像中的像素总数;h C i 表示分量C 中对应强度级别i 的像素数;p C i 表示每个分量C 的图像直方图h C i 被归一化后所得到的概率分布.图像每个分量的总均值(即合并平均数)可以计算为μCT=ðLi =1C ={R ,G ,B}i p Ci .(2)二级阈值可以扩展到一般的n 级阈值,而如果想要计算n 级阈值,那么其中n -1维的阈值等级t Cj ,j=1, ,n -1就是必需的,计算公式如下:F C(x ,y )=0,f C(x ,y )ɤt C 1;12(t C 1+t C 2),t C 1ɤf C(x ,y )ɤtC 2;︙︙12(t C n -2+t C n -1),t C n -2ɤf C (x ,y )ɤt C n -1;L ,f C (x ,y )>t C n -1ìîíïïïïïïïïïï.(3)式中,f (x ,y )中x 和y 分别为给定的L 强度等级的R G B 图像中像素尺寸H ˑW 图像的宽度W和高度H .在这种情况下,一个给定的图像的像素被分为n 类D C 1 D Cn ,这可能表示多个对象或对象特定的功能(例如,其拓扑结构或是所包含的特征).获得最佳阈值的最简单和最有效的方法是最大限度地提高类间的方差,这个类间的方差一般定义为σC2B=ðnj =1C ={R ,G ,B }w C j (μC j -μCT )2,(4)式中j 代表一个特定的类,w C j 和μCj是j 类发生的概率和均值.D C 1 D C n 类发生w Cj 的概率为w C j =ðtCj i=1C ={R ,G ,B}p Ci,j =1;ðtCji =t Cj-1+1C ={R ,G ,B }p Ci ,1<j <n ;ðLi =t Cj -1+1C ={R ,G ,B }p C i ,j =n ìîíïïïïïïïïïïïï.(5)此时均值μCj可以定义为μC j =ðtCj i=1C ={R ,G ,B}i p C iw Cj ,j =1;ðtCj i =t C j-1+1C ={R ,G ,B }i p Ci w C j ,1<j <n ;ðL i =tC j -1+1C ={R ,G ,B}i p Ciw C j ,j =n ìîíïïïïïïïïïïïï.(6)将每个R G B 分量构建一个目标函数,那么寻找图像的n 维阈值问题可以简化成寻找阈值t Cj 最优化以使每个R G B 分量的3个目标函数σC 2B最大化的问题,那么这个简化的问题可定义为φC=1<t C1< <t C n -1<LσC2B tC j,(7)C ={R ,G ,B }.由于阈值水平的增加,计算这个优化问题涉及更大的计算工作量.哪种方法应该被用来解决这个优化问题的实时应用程序,在文献[10]中已经提出了许多方法.然而,最近群智体能优化算法已成为最具效率的替代分析方法而被用来解决这类优化问题.2 人工蜂群算法人工蜂群算法(A B C 算法)由土耳其E r c i ye s 大学的K a r a b o g 教授于2005年第一次提出,是为了解决多目标函数优化问题的一种群体智能优化算法.A B C 算法自提出以来,就以概念简单㊁控084沈阳大学学报(自然科学版) 第29卷Copyright©博看网 . All Rights Reserved.制参数少㊁算法容易实现㊁优化效果良好等优点吸引了大批学者进行研究,并逐渐进入各个应用领域.近年来无论是在交通网络设计方面㊁叶约束最小生成树问题㊁车辆路径问题㊁图像边缘检测方面及医学图像处理方面都取得了明显的进步.2.1 人工蜂群算法基本原理人工蜂群算法是模拟蜂群觅食行为而产生的一种元启发式智能算法,此算法中包括3种类型的蜜蜂,分别是雇佣蜂㊁侦察蜂㊁跟随蜂,其中雇佣蜂主要寻找食物源并收集相关信息,并将相关食物信息传给跟随蜂,跟随蜂从雇佣蜂的相关食物源信息中进一步寻找更好的食物,当达到蜂群算法的迭代次数或满足了一定的条件,而所寻蜜源量仍不能进一步改进时,此蜜源被抛弃,此时该雇佣蜂变为侦察蜂继续在巢穴附近寻找蜜源.在人工蜂群算法中,每个蜜源对应算法的一个可行解,蜜源的个数等同于雇佣蜂的数量,每个蜜源的蜜总量对应算法中相应的适应度值.2.2 V C A B C 算法对A B C 算法中的搜索公式进行改进,将原有的公式(8)改进为公式(9).v i ,j =x i ,j +ϕi ,j (x i ,j -x k ,j ),(8)v i ,j =x i ,j +a ϕi ,j (x i ,j -x k ,j )+b φi ,j (x b e s t ,j -x i ,j ),(9)a =1+i m a x (i æèçöø÷),b =1-i m a x (i æèçöø÷).式中,i 表示人工蜂群算法的迭代次数.之所以这样修改是考虑到A B C 算法初期蜂群都朝着当前全局最优蜜源进行搜索,随着搜索次数的增多,在后期减少当前全局最优蜜源对所有蜂群搜索方向的影响,转而加大随机搜索的步长,从而增强后期算法跳出局部最优的能力.在这里对于公式中的两种系数ϕi ,j 和φi ,j ,本文沿用文献[11]中的系数设置:ϕi ,j =2ˑ(r a n d -0.5),(10)φi ,j =1.5ˑr a n d .(11)式中ϕi ,j 表示取值范围为[-1,1]的随机数,φi ,j 表示取值范围为[0,1.5]的随机数.图1为V C A B C 的算法框图.3 基于V C A B C 算法的分数阶图像阈值分割方法提出了一种基于V C A B C 算法的分数阶图像阈值分割方法,将分数阶图像分割方法中的阈值的选取问题转化为人工蜂群算法对φC 最大化的寻优问题.其中S b e s t =m a x (φC)(12)为全局最优值,与之对应的阈值则为最佳的分割阈值.图1 V C A B C 算法框图F i g .1 V C A B Ca l g o r i t h mb l o c kd i a gr a m 基于V C A B C 算法的分数阶图像阈值寻优的步骤如下:(1)在搜索范围内随机放置算法种群数量一半的雇佣蜂,雇佣蜂搜索新蜜源并确定初始标记蜜源;(2)计算蜜源的优质程度,运用分数阶图像阈值分割方法计算φC的数值,并作为相应蜜源的优质程度.(3)与雇佣蜂数量相等的跟随蜂根据改进的搜索公式搜索新的蜜源,并计算所搜索到的蜜源的优质程度φC 的数值,将其与之前所搜索到蜜源相比较,φC 数值高的取代φC 数值低的成为标记蜜源,作为下一代蜂群搜索的初始蜜源.(4)是否出现某一雇佣蜂搜索的蜜源在一定的迭代次数之后仍未改变,若出现,则需要侦察蜂产生新位置取代相应的蜜源.(5)记下全局最优解S b e s t ,判断是否达到最大迭代次数i .若未达到,重复步骤(3)㊁(4).否则,此时最优解S b e s t 所对应的阈值即为图像阈值分割的最佳阈值.4 实验结果及分析本实验所有算法均采用MA T L A B7.10.0(R 2010a )编程环境,在硬件配置I n t e l (R )C o r e (T M )i 7-6700HQC P U2.60G H z ,4G 内存的计184第6期 孙晓亮等:基于改进的人工蜂群算法在医学图像上的多阈值图像分割法Copyright©博看网 . All Rights Reserved.算机上完成了仿真.实验1 测试V C A B C算法寻优性能,分别在G r i e w a n k函数,S p h e r e函数和R o s e n b r o c k函数上进行实验,算法参数设置相同,维度均为5.图2两种算法在G r i e w a n k函数上的运算结果F i g.2T h eo p e r a t i o n r e s u l t o f t w oa l g o r i t h m so nG r i e w a n k f u n c t i o n图3两种算法在S p h e r e函数上的运算结果F i g.3T h eo p e r a t i o n r e s u l t o f t w oa l g o r i t h m so nS p h e r e f u n c t i o n图4两种算法在R o s e n b r o c k函数上的运算结果F i g.4T h eo p e r a t i o n r e s u l t o f t w oa l g o r i t h m so nR o s e n b r o c k f u n c t i o n通过图2~图4可以看出,在G r i e w a n k函数上,两种算法的收敛速度在不同迭代时段各有优势,但V C A B C算法的收敛性要优于A B C算法;在S p h e r e函数上,两种算法中V C A B C算法在收敛性和收敛速度上都略优于A B C算法;而在R o s e n b r o c k函数上,两种算法中V C A B C算法在算法的收敛性和收敛速度上都优于A B C算法.实验2使用P S O算法㊁经典的A B C算法和改进后的A B C算法对医疗图像运用分数级图像分割法进行分割比较.图5~图7中从左到右依次是原图㊁P S O算法分数阶图像分割方法分割结果㊁A B C算法分数阶图像分割方法分割结果及V C A B C算法分数阶图像分割方法分割结果.图5细胞原始图及分割结果F i g.5C e l l p r i m i t i v ea n d s e g m e n t a t i o n r e s u l t s图6胸部C T原始图及分割结果F i g.6C h e s t C To r i g i n a lm a p a n d s e g m e n t a t i o n r e s u l t s 从表1~表3可以看出3种算法中,P S O算法的稳定性最好,V C A B C算法次之,A C B算法最差;V C A B C算法的运行时间最短,A B C算法次之,P S O算法最差;V C A B C算法的收敛性最好,精度最高,A B C算法次之,P S O算法最差.284沈阳大学学报(自然科学版)第29卷Copyright©博看网 . All Rights Reserved.表1三种算法对不同的医疗测试图像运算所得的适应度值T a b l e1T h e f i t n e s s v a l u e s o b t a i n e db y t h e t h r e ea l g o r i t h m s f o r d i f f e r e n tm e d i c a l t e s t i m a g e s测试图像阈值个数/个适应度值V C A B C A B C P S O细胞21568.61781568.61781568.6178 32266.3655ʃ5.00912140.2992ʃ6.01681679.7849 42618.8964ʃ51.04022576.4461ʃ73.05201737.8150ʃ0.0331 52801.3628ʃ135.26812551.8015ʃ141.31811758.8350ʃ0.2603胸部C T 210623.480410623.480410623.4804 315268.4288ʃ4.025714685.4232ʃ8.037510779.7076 415853.2792ʃ15.502815578.5300ʃ91.295810830.1647ʃ0.2905 515939.9063ʃ282.622515838.4667ʃ351.653410867.4104ʃ0.0236脑部核磁共振22941.92772941.92772941.9277 34422.9255ʃ5.86564149.3893ʃ8.60153010.2208 44526.2111ʃ24.06844503.9949ʃ62.37363056.8285ʃ0.0141 55030.3713ʃ86.61624874.7289ʃ279.23493075.3354ʃ0.2960表2三种算法对不同的医疗测试图像运算所得的阈值T a b l e2T h e t h r e s h o l d s o f t h e t h r e ea l g o r i t h m s f o r d i f f e r e n tm e d i c a l t e s t i m a g eo p e r a t i o n s测试图像阈值个数/个阈值V C A B C A B C P S O细胞2110163110163110163 33814016834125180110161219 4215717121827140174245104139174224 5293613714516650138142164194101129154181221胸部C T 2531675316753167 313321725514623525543107194 4611742212551202082182553782135207 52483159222255641572222382553575120185236脑部核磁共振2391073910739107 36399227919723737101165 4499113920751581422392978119171 576851132052322654119174191246598128175图7脑部核磁共振原始图及分割结果F i g.7B r a i n n u c l e a rm a g n e t i c r e s o n a n c e p r i m i t i v ea n d s e g m e n t a t i o n r e s u l t s综上所述,基于V C A B C算法的分数阶图像阈值分割方法比P S O算法的分数阶图像阈值分割方法效果好,比A B C算法的分数阶图像阈值分表3三种算法对不同的医疗测试图像的运算时间T a b l e3T h e t i m es p e n t b y t h e t h r e ea l g o r i t h m s f o rd i f fe r e n tm e d i c a l t e s t i m a g e s测试图像阈值个数个运算时间/sV C A B C A B C P S O 细胞21.35911.42081.577531.62821.63271.957041.97801.98152.357552.34592.45092.8774胸部C T20.36840.37880.614230.45720.46680.823140.54130.54181.061050.60590.63381.1370脑部核磁共振21.63291.65051.888531.98612.00642.313942.45192.49452.862552.75652.76323.2704割方法略优.但是无论是从图像阈值的精度,算法的运行时间和阈值的选取都是基于V C A B C算法的分数阶图像阈值分割方法效果更好.由此可见,基于V C A B C算法分数阶图像阈值分割方法可以更好的弥补P S O算法的分数阶图像阈值分割方384第6期孙晓亮等:基于改进的人工蜂群算法在医学图像上的多阈值图像分割法Copyright©博看网 . All Rights Reserved.法的不足.5结论在医学图像分析中,将图像有效分割为有意义的对象对分类和对象识别很重要.图像分割的自适应性㊁准确性和实时性能够反映出目标识别和目标检测的智能化程度㊁精确程度和检测速度,所以对图像分割的研究具有非常重要的实际价值.本文提出的基于V C A B C算法的分数阶图像阈值分割方法能够有效的对医疗图像进行分割,在继承A B C算法寻优能力强㊁操作简单㊁时间效率高等优点的基础上优化A B C算法,然后对分数阶图像阈值分割方法进行改进.实验证明,基于V C A B C算法的分数阶图像阈值分割方法在分割效果,时间效率,算法精度上均优于其他分数阶图像阈值分割方法.参考文献:[1]刘雅坤,于双元,罗四维.基于最小最大割算法的阈值分割算法[J].计算机科学,2014,41(1):9599.L I U Y K,Y U S Y,L U O S W.T h r e s h o l d i m a g es e g m e n t a t i o n b a s e d o n m i n-m a x c u t a l g o r i t h m[J].C o m p u t e r S c i e n c e,2014,41(1):9599.[2]向方,王宏福.图像边缘分割算法的优化研究与仿真[J].计算机仿真,2011,28(8):280283.X I A N GF,WA N G H F.T h eo p t i m i z a t i o no f i m a g ee d g es e g m e n t a t i o n a l g o r i t h m r e s e a r c h a n d s i m u l a t i o n[J].C o m p u t e r S i m u l a t i o n,2011,28(8):280283.[3]方晶晶,李振波,姜宇.人体肤色区域的自适应模型分割方法[J].计算机辅助设计与图形学学报,2013,25(2):229234.F A N GJJ,L IZ B,J I A NG Y.H u m a ns k i nc o l o rr e g i o ns e g m e n t a t i o nb a s e d o n a d a p t i v e m o d e l[J].J o u r n a lo fC o m p u t e r-A i d e dD e s i g n&C o m p u t e rG r a p h i c s,2013,25(2):229234.[4]范立南,胡向丽,孙申申.基于O T S U算法和带通滤波器的毛玻璃型肺结节检测[J].沈阳大学学报(自然科学版),2012,24(6):4346.F A NLN,HU X L,S U NSS.D e t e c t i o no f g r o u n d g l a s so p a c i t y n o d u l eb a s e do n O T S U a l g o r i t h m a n db a n d-p a s sf i l t e r[J].J o u r n a l o f S h e n y a ng U n i v e r s i t y(N a t u r a lS c i e n c e),2012,24(6):4346.[5]G H AM I S I P,C O U C E I R O M S,B E N E D I K T S S O NJA,e ta l.A ne f f i c i e n tm e t h o d f o r s e g m e n t a t i o no f i m a g e sb a s e do nf r a c t i o n a lc a l c u l u sa n d n a t u r a ls e l e c t i o n[J].E x p e r tS y s t e m sw i t hA p p l i c a t i o n s,2012,39(16):1240712417.[6]K A R A B O G A D.A n i d e ab a s e do nh o n e y b e es w a r mf o rn u m e r i c a lo p t i m i z a t i o n[R].T e c h n i c a l R e p o r t T R06,E r c i y e sU n i v e r s i t y,2005.[7]周晨航,田力威,赵宏伟.基于改进萤火虫算法的二维O t s u图像分割法[J].沈阳大学学报(自然科学版), 2016,28(1):4550.Z HO U C H,T I A N L W,Z H A O H W.I m a g et h r e s h o l d i n g s e g m e n t a t i o n w i t h2-D o t s u b a s e d o ni m p r o v e d f i r e f l y a l g o r i t h m[J].J o u r n a l o f S h e n y a n gU n i v e r s i t y(N a t u r a l S c i e n c e),2016,28(1):4550. [8]施丽红,刘刚.基于改进蜂群优化的图像分割算法[J].电视技术,2016,40(2):3744.S H IL H,L I U G.C o l o n y o p t i m i z a t i o nb a s e do n i m p r o v e di m a g e s e g m e n t a t i o n a l g o r i t h m[J].T e l e v i s i o nT e c h n o l o g y,2016,40(2):3744.[9]徐洪,唐华明,申娇,等.基于改进人工蜂群算法的多阈值红外图像分割[J].红外,2015,36(4):3437.X U H,T A N G H M,S H E N J,e ta l.M u l t i-t h r e s h o l di n f r a r e d i m a g es e g m e n t a t i o nb a s e do ni m p r o v e da r t i f i c i a lb e ec o l o n y a l g o r i t h m[J].I n f r a r e d,2015,36(4):3437.[10]S E Z G I N M,S A N K U RB.S u r v e y o v e r i m a g e t h r e s h o l d i n gt e c h n i q u e sa n d q u a n t i t a t i v e p e r f o r m a n c ee v a l u a t i o n[J].J o u r n a l o fE l e c t r o n i c I m a g i n g,2004,13(1):146168.[11]X I A N G W L,A N M Q.A ne f f i c i e n t a n dr o b u s t a r t i f i c i a lb e ec o l o n y a l g o r i t h m f o r n u m e r i c a l o p t i m i z a t i o n[J].C o m p u t e r s&O p e r a t i o n s R e s e a r c h,2013,40(5):12561265.M u l t i-T h r e s h o l dI m a g eS e g m e n t a t i o n B a s e do nI m p r o v e d A r t i f i c i a l B e eC o l o n y A l g o r i t h mi n M e d i c a l I m a g e sS u nX i a o l i a n g a,T i a nL i w e i b,L i uY a n g b(a.C o l l e g e o f I n f o r m a t i o nE n g i n e e r i n g,b.L i a o n i n g I n f o r m a t i o n I n t e g r a t i o nT e c h n o l o g y E n g i n e e r i n g R e s e a r c hC e n t e r o f I n t e r n e t o fT h i n g s,S h e n y a n g U n i v e r s i t y,S h e n y a n g110044,C h i n a)A b s t r a c t:T h e r e s e a r c hs t a t u s o f i m a g e s e g m e n t a t i o na n d a r t i f i c i a l b e e c o l o n y a l g o r i t h m w a s s t u d i e d.I t i s f o u n dt h a t i nt h e m e d i c a l i m a g ea n a l y s i s,i t i s i m p o r t a n tt od i v i d et h ei m a g ee f f e c t i v e l y i n t o m e a n i n g f u l o b j e c t s f o r c l a s s i f i c a t i o n a n do b j e c t r e c o g n i t i o n.A n i m a g e s e g m e n t a t i o nm e t h o d,w h i c h i sa v a r i ab l e-c o e f f i c i e n t a r t i f i c i a l b e e c o l o n y o p t i m i z a t i o na l g o r i t h m(V C A B C),w a s p r o p o s e d,w h i c hc a nb e u s e d t o d e t e r m i n e t h e n-1o p t i m a l n-l e v e l t h r e s h o l d s o n a g i v e n i m a g e.T h e p r o p o s e dm e t h o dw a sc o m p a r ed w i t h P S O f r a c t i o n a li m a g et h re s h o l d s e g m e n t a t i o n m e t h o d a n d A B Cf r a c t i o n a li m ag e th r e s h o l d s e g m e n t a ti o nm e t h o d.T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h em e t h o d i s s u p e r i o r t oo t h e r m e t h o d sw h e n c o n s i d e r i n g m a n y d i f f e r e n t c o n d i t i o n s.K e y w o r d s:i m a g es e g m e n t a t i o n;m u l t i l e v e lt h r e s h o l d i n g;a r t i f i c i a lb e ec o l o n y;f i t n e s sf u n c t i o n; v a r i a b l e c o e f f i c i e n tʌ责任编辑:李艳ɔ484沈阳大学学报(自然科学版)第29卷Copyright©博看网 . All Rights Reserved.。

2017，53（12）1概述图像分割是图像识别和图像理解的前提，其目的是将感兴趣的目标从图像背景中提取出来，目前已有许多的图像分割算法如区域跟踪法、阈值法、边缘检测法等，在这些算法中基于阈值的图像分割算法以其简单、性能稳定的特点逐渐成为图像分割的一种重要方法，这些基于阈值的图像分割算法中绝大多数都是基于灰度图像的分割算法[1-3]，但实际生活中所要求处理的图像绝大多数都是彩色图像，而彩色图像有多种表示方法，任何一种彩色图像表示方法都比灰度图像表示方法要复杂得多，因而彩色图像处理也比灰度图像处理更加复杂，已有一些基于阈值的彩色图像分割算法如文献[4]提出了一种基于最小交叉熵和差分进化的彩色图像阈值分割方法，文献[5]针对颜色直方图中存在明显波峰波谷的双搜索人工蜂群算法的彩色图像多阈值分割刘笃晋1，2，贺建英1，周思吉1，胡月1LIU Dujin 1，2,HE Jianying 1,ZHOU Siji 1,HU Yue 11.四川文理学院计算机学院，四川达州6350002.成都理工大学地球物理学院，成都6100591.School of Computer Science,Sichuan University of Arts and Science,Dazhou,Sichuan 635000,China2.College of Geophysics,Chengdu University of Technology,Chengdu 610059,ChinaLIU Dujin,HE Jianying,ZHOU Siji,et al.Double search equation artificial bee colony algorithm for multi-threshold color image puter Engineering and Applications,2017,53（12）：203-207.Abstract ：A novel Double search Artificial Bee Colony algorithm （DABC ）for multi thresholding color image segmen-tation is proposed to solve the low precision and slow segmentation speed.In this method,because of insufficiency in ABC regarding its solution search equation,two new search equations are presented to generate candidate solutions in the employed bee phase and the onlookers phase,respectively.Additionally,some more reasonable artificial bee colony parame-ters are proposed to improve the performance of the artificial bee colony.Then the proposed algorithm is tested on the images.The results are compared with that of Gbest-guided Artificial Bee Colony algorithm （GABC ）,the Artificial Bee Colony algorithm （ABC ）,the Particle Swarm Optimization algorithm （PSO ）.Compared to the other three multi thresh-olding color image segmentation methods,the DABC has significantly improved the accuracy and speed,which is fully able to meet the actual needs.Key words ：double search equation;artificial bee colony algorithm （ABC ）;color image;multi-threshold segmentation 摘要：针对彩色图像多阈值分割中普遍存在精度低、速度慢的问题，提出了一种新的基于双搜索人工蜂群（DABC ）的彩色图像多阈值分割算法。

基于邻域分割的多种群协同进化人工蜂群算
法
基于邻域分割的多种群协同进化人工蜂群算法是一种优化算法，它模拟了蜜蜂族群的行为。

该算法采用邻域划分的方式将蜂群划分为多个子群，每个子群中包含若干个人工蜂。

在算法的每次迭代中，每个子群在自己的局部信息中搜索最优解，然后将搜索到的信息共享给其他子群，从而实现多种群之间的协同进化。

该算法在多个优化问题的求解中都有着良好的表现，例如在函数优化、组合优化等领域都有广泛的应用。

与传统算法相比，基于邻域分割的多种群协同进化人工蜂群算法有着更高的求解效率和较低的局部最优解陷入率。

总之，基于邻域分割的多种群协同进化人工蜂群算法是一种十分有效的优化算法，它在解决复杂优化问题时表现优异，值得进一步研究和推广。

基于蜂群算法和带参阈值函数的图像去噪方法黄亚飞;王国富;张法全;叶金才【摘要】针对小波阈值去噪方法中存在阈值选取困难和阈值函数量化效果差的缺陷,提出一种基于人工蜂群算法和带参阈值函数的图像去噪方法.首先,设计一个新的小波阈值函数,该函数具有连续性,高阶可微性和参数可调性,能够有效地解决硬阈值函数的不连续性和软阈值函数具有恒定偏差的问题.然后采用人工蜂群优化算法选取最优阈值,将其代入新小波阈值函数对带噪图像进行去噪处理.最后用MATLAB 进行仿真实验,对比新阈值函数和传统阈值函数的去噪效果.实验结果表明:在图像去噪效果方面,提出的基于人工蜂群算法的新阈值函数明显优于传统阈值函数.【期刊名称】《计算机工程与应用》【年(卷),期】2018(054)017【总页数】5页(P164-168)【关键词】图像去噪;小波变换;阈值函数;人工蜂群算法【作者】黄亚飞;王国富;张法全;叶金才【作者单位】桂林电子科技大学信息与通信学院,广西桂林 541004;桂林电子科技大学信息与通信学院,广西桂林 541004;桂林电子科技大学信息与通信学院,广西桂林 541004;桂林电子科技大学信息与通信学院,广西桂林 541004【正文语种】中文【中图分类】TN911.731 引言图像在获取和传输的过程中容易受到环境的影响而产生噪声，从而降低图像的质量，影响人们对图像的进一步处理，如图像融合、图像分割等。

因此，图像去噪是图像处理中必不可少的一项预处理工作。

根据处理域的不同，图像去噪方法可以归纳为空域和频域两大类[1]。

空域的处理方法常见的有均值滤波器、中值滤波器、J.S.Lee的局部统计滤波器、自适应维也纳滤波器等。

这类方法虽然能够抑制噪声，但同时也会对图像的边缘信息进行平滑，导致图像边缘模糊，去噪效果不理想[2]。

频域的方法则是把图像由空域变换到频域，利用图像的有效信息和噪声信息分布在不同的频段的特点实现去噪[3]。

小波变换由于其良好的准熵性、多分辨性、去相关性、选基灵活性等特点而被广泛应用于图像去噪领域[4]。

基于差分变异算子的改进人工蜂群算法引言人工蜂群算法（Artificial Bee Colony，ABC）是一种模拟蜜蜂觅食的行为而提出的算法，最早由Karaboga在2005年提出。

它模拟了蜜蜂在寻找蜜源和储存蜜的过程，通过蜜蜂在蜜源周围的觅食、舞蹈和传递信息等活动，来完成全局最优解的搜索。

ABC算法在处理复杂问题时存在一些不足，比如收敛速度较慢、易陷入局部最优等问题。

为了克服这些不足，本文将介绍一种基于差分变异算子的改进人工蜂群算法。

1. 算法原理改进人工蜂群算法基于原始ABC算法，引入了差分进化算法中的差分变异操作。

差分进化算法是一种进化算法，它通过差分变异操作在种群中搜索新的个体，以更好地发现全局最优解。

通过引入差分变异操作，改进人工蜂群算法可以加快收敛速度，并提高算法的全局搜索能力。

改进人工蜂群算法的主要步骤如下：(1) 初始化蜜蜂群和蜜源位置。

(2) 根据蜜蜂个体的位置，计算其适应度值。

(3) 通过觅食行为和舞蹈行为，更新蜜蜂群的位置。

(4) 引入差分变异操作，产生新的个体。

(6) 重复步骤(3)~(5)，直到满足停止条件。

2. 差分变异操作差分变异操作是差分进化算法的核心操作之一，其主要思想是从当前种群中选择三个个体，并对其进行线性组合，产生新的个体。

具体而言，差分变异操作可以分为以下几个步骤：(1) 随机选择三个不同的个体a、b和c。

(2) 通过线性组合计算新个体d，即d = a + F * (b - c)，其中F是变异因子，一般取值为[0, 1]。

(3) 对新个体d进行适应度评估。

差分变异操作的引入可以帮助算法跳出局部最优，加快收敛速度，并提高全局搜索能力。

3. 实验结果与分析为了验证基于差分变异算子的改进人工蜂群算法的有效性，本文设计了一系列实验，并与原始ABC算法进行了对比。

实验结果表明，基于差分变异算子的改进人工蜂群算法在收敛速度和搜索能力上都有显著提高。

与原始ABC算法相比，改进的算法在相同迭代次数下，能够更快地找到全局最优解，并且更容易避免陷入局部最优。

基于图像阈值分割的改进蜂群算法霍凤财;孙宝翔;任伟建【期刊名称】《吉林大学学报（信息科学版）》【年(卷),期】2015(033)001【摘要】为快速准确地将图像背景与目标进行有效分割,提出了一种基于图像阈值分割的量子改进蜂群算法(IABCQ:Improved Artificial Bee Colony Algorithm Based on Quantum).该算法将量子比特概率幅的正弦分量引入到蜂群算法的编码中,通过调整相位角更新量子比特概率幅,使蜂群算法中引领蜂向当前最优蜜源的方向移动,避免算法搜索的盲目性;借鉴量子运算中非门操作将个体的正弦和余弦分量互换,使跟随蜂的蜜源进行互补更新;应用蜂群算法更新个数的限制,避免了局部优解和不动点引起的个体不更新问题.通过不同类型图像和算法之间的比较表明,该改进蜂群算法应用到图像阈值分割中的收敛时间减少了20％左右,同时也表现出良好的稳定性和抗噪声能力.【总页数】10页(P84-93)【作者】霍凤财;孙宝翔;任伟建【作者单位】东北石油大学电气信息工程学院,黑龙江大庆163318;东北石油大学电气信息工程学院,黑龙江大庆163318;东北石油大学电气信息工程学院,黑龙江大庆163318【正文语种】中文【中图分类】TP391.4【相关文献】1.基于人工蜂群算法的图像阈值分割 [J], 霍凤财;任伟建;孙宝翔;杜颖2.双搜索人工蜂群算法的彩色图像多阈值分割 [J], 刘笃晋;贺建英;周思吉;胡月3.改进蜂群算法的图像阈值分割方法 [J], 张海涛;程新文;熊红伟;马海荣;陈联君;钱小刚4.基于人工蜂群算法的二维最小误差阈值分割 [J], 张新明;冯文惠;何文涛;王鲜芳5.基于图像复杂度的改进Tsallis熵图像阈值分割 [J], 雷锡骞;徐钦;罗钿;胥田田因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进蜂群繁殖算法的Tsallis熵阈值图像分割
马巧梅;李婧婧;康珺
【期刊名称】《微电子学与计算机》
【年(卷),期】2018(35)4
【摘要】针对传统蜂群繁殖算法存在的不足,提出了一种改进蜂群繁殖算法.首先,将传统蜂群繁殖算法中自定义的繁殖概率和突变概率改进为自适应的,以提高算法的快速收敛性和全局寻优能力;其次,引入精英保留策略,以缩短寻优时间;最后,结合Tsallis熵的非广延性,采用Tsallis熵作为阈值图像分割的适应函数,利用改进后的蜂群繁殖算法实现多阈值图像分割,避免图像分割过程中非可加信息被忽略,进而提高图像的分割精度.为了验证所提出算法的可行性,对该算法进行仿真,并与多种算法进行对比研究.实验结果表明,该算法在寻优能力、快速收敛能力、图像分割精度、图像分割速度等方面都有进一步的提高.
【总页数】5页(P32-36)
【关键词】图像分割;Tsallis熵;多阈值;蜂群繁殖算法;分割速度
【作者】马巧梅;李婧婧;康珺
【作者单位】中北大学软件学院
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于改进布谷鸟搜索算法的二维Tsallis熵多阈值快速图像分割 [J], 杨秋翔;周海芳;贾彩琴;高毓羚
2.基于鸡群算法的Tsallis熵多阈值图像分割 [J], 郑和平;姚俭
3.基于自适应布谷鸟搜索算法的Tsallis熵阈值图像分割 [J], 黄毅英;黄河清
4.基于鸡群算法的Tsallis熵多阈值图像分割 [J], 郑和平[1];姚俭[1]
5.改进乌鸦算法的二维Tsallis熵多阈值图像分割算法 [J], 常君杰;李东兴;钟欣;杜文汉;王倩楠
因版权原因，仅展示原文概要，查看原文内容请购买。

一种求解图像分割问题的限速-离散蜂群优化算法周逊;郭敏;马苗【摘要】为解决图像领域中的归一化彩色图像分割问题,提出一种限速-离散蜂群优化算法.根据问题模型将蜂群算法中的位置重新定义为离散化的位置,增加个体蜂的速度定义;引入一个限速过程,设计限速作用函数,增加种群的多样性,解决了算法早熟收敛的问题,同时在个体蜂的位置更新中采用自适应权重调整策略,提高算法稳定性和收敛速度.仿真实验结果表明,该算法在收敛速度和图像处理效果上优于标准蜂群算法,并验证了该算法在归一化彩色图像分割问题中的高效性和优越性.【期刊名称】《计算机工程》【年(卷),期】2014(040)008【总页数】5页(P212-216)【关键词】蜂群算法;限制速度;自适应权重调整策略;图像分割;归一化准则【作者】周逊;郭敏;马苗【作者单位】陕西师范大学计算机科学学院,西安710062;陕西师范大学计算机科学学院,西安710062;陕西师范大学计算机科学学院,西安710062【正文语种】中文【中图分类】TP3911 概述基于图论的图像分割是当前图像分割领域一个热点问题。

该方法将整幅图像看作一幅无向带权图，图像中每一个像素对应图中一个节点，边上的权值代表像素的近似关系，利用最小剪切准则得到图像最佳分割。

文献［1 -2］综合考虑分割后子图的内部相似度和子图之间的相似度，提出的Normalized Cut 准则是一种规范化的准则，有效避免了出现歪斜分割区域。

由设计复杂性可知，归一化图像分割权值矩阵构造的计算量非常大。

文献［3］通过加入先验知识得到优质分割结果;文献［4］利用分水岭算法对图像进行预处理，有效地降低了权值计算维度。

由于最小化Ncut 值是NP-hard 问题，文献［2］提出谱聚类算法，将问题转换为求解特大矩阵的第二小特征值，得到了Ncut 值的近似解。

近年来，群智能优化算法在求解组合优化问题时显示出其独特的优势，文献［5］利用粒子群算法对非线性约束问题进行优化，减少了多重制冷系统中的能源消耗;文献［6］采用鱼群优化算法对灰色理论中的GM(1，1)模型参数进行优化;文献［7］利用细菌觅食算法求解任何尺寸的矩形微带天线的谐振频率问题。

基于改进蜂群优化的图像分割算法
施丽红;刘刚
【期刊名称】《电视技术》
【年(卷),期】2016(40)2
【摘要】针对图像分割算法各个性能不均衡的问题,提出一种基于蜂群优化与多颜色空间特征提取的图像分割算法.首先,对CIE颜色空间的L分量使用Gabor滤波器提取图像的纹理特征,并且在图像的HSV颜色空间计算图像的局部一致性,共提取图像的7个特征,组成特征向量;然后,本文对蜂群搜索算法进行优化,设计了一个有效的局部搜索算法,使得蜂群可高效地收敛至较优的帕累托最优解;最终,使用改进的蜂群算法对种子区域生长法进行改进与优化,指定种子的最优位置,决定每个种子点一致性准则的最优阈值,并将多准则作为多目标优化的问题,使用蜂群优化搜索帕累托最优解,最终获得分割结果.对比实验结果表明,该分割算法的时间效率、一致性误差以及类内散布度等性能较为均衡,具有较好的实用价值.
【总页数】8页(P37-44)
【作者】施丽红;刘刚
【作者单位】江苏商贸职业学院,江苏南通226011;南京理工大学计算机科学与工程学院,江苏南京210094
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于多目标蜂群优化的阈值图像分割算法 [J], 解敏
2.改进人工蜂群优化的K均值图像分割算法 [J], 李海洋;何红洲
3.改进人工蜂群优化的K均值图像分割算法 [J], 李海洋;何红洲;
4.基于人工蜂群优化的MR图像分割算法研究 [J], 曲蕴慧;陈小菊
5.一种改进Otsu与人工蜂群优化的图像分割算法 [J], 黄翠玲;孔韦韦;呼亚萍;李萌因版权原因，仅展示原文概要，查看原文内容请购买。

基于差分变异算子的改进人工蜂群算法人工蜂群算法（Artificial Bee Colony，ABC）是一种基于蜜蜂群体行为的启发式优化算法。

它通过模拟蜜蜂觅食的过程，实现了一种全局优化的策略，具有收敛速度快、适用范围广等优点。

然而，从实际运用的角度来看，ABC算法存在着收敛速度过慢和易陷入局部最优等问题。

因此，为了进一步提高ABC算法的优化能力和性能，本文提出了一种基于差分变异算子的改进人工蜂群算法（DABC）。

差分变异算子（Differential Evolution，DE）是一种常用的进化算法，主要用于解决函数优化问题。

它通过利用遗传算法中的差分变异思想，将一个个体与群体中另外两个个体的差分向量与个体向量相加，生成新的个体。

DE算法具有较好的优化效果和收敛速度。

因此，我们采用了DE算法中的差分变异思想，将其与ABC算法相结合，提出了基于差分变异算子的改进人工蜂群算法（DABC）。

DABC算法的基本思路和ABC算法相似，但在雇佣蜂和观察蜂阶段引入了差分变异算子。

具体来说，DABC算法包括以下几个步骤：（1）初始化阶段：设定种群大小和最大迭代次数。

随机生成初始个体群，并计算各个个体的适应度函数值。

（2）雇佣蜂阶段：对每个雇佣蜂，从它的邻域中随机选择另外两个个体，并进行差分变异操作。

生成新的个体后计算个体的适应度函数值，如果新个体优于原个体，则替换原个体。

对所有雇佣蜂进行上述操作后，得到新的个体群。

（4）侦查蜂阶段：如果某个个体经过一定次数的迭代后仍未被更新，则认为该个体已经失效，将其替换为随机生成的新个体，以增加种群的多样性。

（5）终止迭代：当达到最大迭代次数或满足停止准则时，停止迭代并返回最优解。

DABC算法与ABC算法相比，主要优点在于引入差分变异算子后，增强了个体的搜索多样性和全局搜索能力。

在实验中，我们采用了典型的基准测试函数和工程优化问题，对DABC算法进行了测试。

实验结果表明，DABC算法相对于ABC算法和DE算法能够更快地找到全局最优解，收敛速度和精度均有所提升。

改进蜂群算法的图像阈值分割方法张海涛;程新文;熊红伟;马海荣;陈联君;钱小刚【期刊名称】《计算机应用研究》【年(卷),期】2017(034)012【摘要】为快速高效地进行图像分割,针对人工蜂群算法存在的收敛速度慢、易陷入局部最优解等问题,提出了一种基于改进人工蜂群算法分割二维Otsu图像的新方法.通过对蜜源更新过程中向当前最优蜜源方向进行引导,可以加快算法的收敛速度;为避免算法陷入局部最优并加快收敛速度,在局部搜索过程中逐步缩减了搜索范围并加入了放弃机制;针对较大梯度值无意义的问题,限定了蜜源范围,以提高算法的效率.最后结合具有不同直方图分布的图像进行了实验,结果表明了算法稳健、高效、快速的特性.%In order to segment images exactly and quickly and for the problems of poor at convergence speed and easy fall to local best in artificial bee colony algorithm(ABC),this paper proposed a new method based on an improved ABC algorithm segmenting two dimensional Otsu images.In the nectar update procedure,it guided the search direction tothe current best nectar to speed up the convergence speed of the algorithm.In order to avoid the algorithm falling into a local best solution and accelerate the convergence speed,it reduced the search range gradually and implemented the abandoning mechanism in the local search procedure.Considering meaningless problems of a large gradient vaule,it limited the nectar range in nectar initialization and updating process.Atlast,experimental results on images with different histogram distribution show that the algorithm characteristics is robust,efficient and fast.【总页数】5页(P3880-3884)【作者】张海涛;程新文;熊红伟;马海荣;陈联君;钱小刚【作者单位】中国地质大学信息工程学院,武汉430074;河南财经政法大学资源与环境学院,郑州450034;中国地质大学信息工程学院,武汉430074;中国地质大学信息工程学院,武汉430074;中冶集团武汉勘察研究院有限公司,武汉430080;中国地质大学信息工程学院,武汉430074;中国地质大学信息工程学院,武汉430074;中国地质大学信息工程学院,武汉430074;漳洲市测绘设计研究院,福建漳州363000【正文语种】中文【中图分类】TP391.41【相关文献】1.基于图像阈值分割的改进蜂群算法 [J], 霍凤财;孙宝翔;任伟建2.改进粒子群算法安检图像阈值分割方法研究 [J], 陈鹏;邹涛3.一种改进粒子群优化算法的Otsu图像阈值分割方法 [J], 刘桂红;赵亮;孙劲光;王星4.改进的Otsu图像多阈值分割方法 [J], 丁锐;刘甲甲;李柏林;马静恒;熊鹰;王凯5.改进GSO与二维OTSU融合的红外图像多阈值分割方法 [J], 刘沛津;王曦;贺宁因版权原因，仅展示原文概要，查看原文内容请购买。