基于改进粒子群算法的多阈值图像分割

安康学院学年论文（设计）题目_____________________________________________ 学生姓名_______________ 学号_____________________________ 所在院（系）_______________________________________ 专业班级__________________________________________________ 指导教师_____________________________________________年月曰基于粒子群优化算法的图像分割（作者：）（）指导教师：【摘要】本文通过对粒子群优化算法的研究，采用Java编程，设计出一套用于图像分割的系统。

基于粒子群优化算法的图像分割系统，可以将一幅给定的图像进行分割，然后将分割结果保存。

图像分割的目的是将感兴趣的区域从图像中分割出来，从而为计算机视觉的后续处理提供依据。

图像分割的方法有多种，阈值法因其实现简单而成为一种有效的图像分割方法。

而粒子群优化（PSO）算法是一类随机全局优化技术，它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短寻找阈值的时间。

因此，基于粒子群优化算法的图像分割以粒子群优化算法为寻优工具，建立具有自适应和鲁棒性的分割方法。

从而可以在最短的时间内，准确地确定分割阈值。

关键词：粒子群优化（PSO，图像分割，阈值法，鲁棒性AbstractT his paper based on the particle swarm optimizati on algorithm, desig ns a set of system for image segme ntati on using Java program min g. Image segme ntati on system based on particle swarm optimizati on algorithm, the image can be a given segmentation, and then the segmentation results would be saved. Image segmentation is the purpose of the interested area from the image, thus providing the basis for the subsequent processing of computer vision. There are many methods of image segmentation, threshold method since its simple realization, becomes a kind of effective method in image segmentation. Particle swarm optimization （PSO） algorithm is a stochastic global optimization technique; it finds optimal regions of complex search spaces for threshold time shorte ned through the in teractio n betwee n particles. Therefore, particle swarm optimization algorithm of image segmentation based on particle swarm optimization algorithm based on optimizati on tools; establish segme ntati on method with adaptive and robust. Therefore, it is possible for us in the shortest possible time to accurately determ ine the segme ntati on threshold.Key word s: PSO, image segmentation, threshold method, robust.1引言1.1研究的背景和意义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。

2010，46（10）1引言图像分割[1]的目的是将感兴趣的区域提取出来，这种从图像中将某个特征的区域与其他部分进行分离并提出来的处理就是图像分割。

单一阈值进行图像分割就是对整个图像采用一个被确定为最佳阈值进行图像分割，这类方法对比较简单的图像有效，但对比较复杂的图像其分割效果不理想。

目前一些学者尝试将粒子群算法和最大熵图像分割相结合[2]，该方法充分发挥了这两种算法的优势大大提高了搜索效率同时保证了图像分割效果和鲁棒性，但这两种方法结合也存在一些不足，由于粒子群算法本身容易陷入局部最优的缺陷，考虑将混沌状态引入到优化变量中，将混沌的遍历范围映射到优化变量取值范围。

用混沌粒子群算法和多阈值分割相结合，实验表明基于混沌粒子群算法的多阈值图像分割具有较快收敛速度和较高的收敛率[3]。

2混沌粒子群算法一般将由确定性方程得到的具有随机性的运动状态称为混沌，呈现混沌状态的变量称为混沌变量。

如下的方程是一个典型的混沌系统：S i+1=uS i（1-S i）i=0，1，2， (1)式中u为控制参量，方程可以看作是一个动力学系统。

u值确定后，由任意初值S0∈[0，1]，可迭代出一个确定的时间序列S1，S2，S3，…一个混沌变量在一定范围内有随机性，即它的表现同随机变量一样杂乱遍历性，它可以不重复地经历空间内的所有状态规律性，该变量是由确定的迭代方程导出。

混沌优化方法是一种新颖的优化方法，它利用混沌系统特有的遍历性来实现全局最优，不要求目标函数具有连续性和可微性的性质。

当3.15699456<u≤4时，logistic映射工作于混沌状态。

粒子群优化算法（PSO）[4]是一种进化计算技术（evolutionary computation），源于对鸟群捕食的行为研究，由Eberhart博士和kennedy博士提出。

它通过迭代搜寻最优值，系统初始化为一组随机解，而粒子潜在的解在解空间追随最优的粒子进行搜索。

假设在一个n维的目标搜索空间中，有N个粒子组成一个群体，其中第i个粒子表示一个n维的向量x i=（x i，1，x i，2，…，x i，n），分基于混沌粒子群算法的多阈值图像分割蒋艳会，李峰JIANG Yan-hui，LI Feng长沙理工大学计算机与通信工程学院，长沙410076Computer and Communication Engineering Institute，Changsha University of Science&Technology，Changsha410076，ChinaE-mail：cslg08@JIANG Yan-hui，LI Feng.Multi-threshold method of image segmentation based on chaotic particle swarm optimization puter Engineering and Applications，2010，46（10）：175-176.Abstract：Due to the problems of the single threshold image segmentation method isn’t ideal，the particle swarm optimization al－gorithm is easy to fall into local optimum，and the speed is slow，a multi-threshold method of image segmentation based on chaotic particle swarm optimization algorithm is proposed to solve the optimization problems.By using randomicity，ergodic and ini－tial value sensitivity of chaos，chaotic particle swarm optimization algorithm is combined with multi-threshold method.The experi－mental result indicates multi-threshold method of image segmentation based on chaotic particle swarm optimization algorithm re－duces the searching time，and the operating time doesn’t significantly enhance with the increase number of threshold.Key words：image segmentation；particle swarm optimization algorithm；multi-threshold；chaos摘要：针对单阈值图像分割方法在求取比较复杂的图像时效果不理想及粒子群算法容易陷入局部最优且速度较慢等等问题，提出了基于混沌粒子群优化算法的多阈值图像分割方法。

基于改进粒子群算法的阈值图像分割张新娟【摘要】针对基本粒子群算法目前存在的收敛速度过慢且容易于陷入局部极值等方面问题,提出根据蜂群算法的领域搜索思想,改变算法中粒子领域结构.通过借鉴蜂群的领域搜索策略解决粒子群算法陷入局部极值的问题,提高收敛速度.并将改进后粒子群算法应用于阈值图像分割中,仿真结果表明改进算法在图像阈值分割中减少阈值的寻优时间,优化收敛精度,提高图像处理的实时性和精度性.【期刊名称】《现代计算机（专业版）》【年(卷),期】2013(000)012【总页数】4页(P18-20,25)【关键词】粒子群优化;图像分割;领域搜索策略【作者】张新娟【作者单位】西安外事学院,西安710077【正文语种】中文阈值法[1～4]是图像众多分割方法中之一，该方法因其实现简单且有效而成为图像分割中使用频率最高的方法。

该方法是通过设置一个或几个阈值将图像的灰度级划分成几个部分，认为属于同一个部分的像素为同一物体，依次将整个图像在空间上划分成不同区域。

这种分割方法由于易于理解，因而在医学图像分析、文字识别、指纹识别、多目标识别等领域中有着极为广泛应用。

其中，该方法中阈值的合理选取是阈值图像分割的关键，选取的阈值合适与否直接影响到图像分割效果的好坏。

常用阈值选取方法有：最大类别方差法（Otsu法）、最小误差阈值法、最佳直方图熵法等。

根据Shaoo等人利用形状参数与均匀性参数对标准图分割结果的评估，Johannsen法、Otsu法、最佳熵法、Bille法和Tsai*矩不变法是比较理想的分割方法。

所述的这几种方法都涉及到寻最优值的问题，因此如何有效快速的选取最优阈值是图像阈值分割的关键。

粒子群优化算法[4～5]（Particle Swarm Optimization, PSO）是由Kennedy和Eberhart于1995年提出的一种群体智能算法。

由于PSO算法设置参数少，流程简单、易于实现，无需复杂调整等优点，自算法提出以来，在数据聚类、函数优化、模糊系统控制、神经网络训练等领域引起极为广泛的关注。

基于并行粒子群算法的Otsu双阈值医学图像分割邬锡琴;许良凤;胡敏【摘要】医学图像分割一直是医学影像分析领域的研究热点.由于粒子群优化(PSO)容易陷入局部极小,因此该算法用于搜索某些函数极值时精确度较低且稳定性较差.针对该问题,结合Otsu分割技术,提出了一种基于并行粒子群优化算法的Otsu双阈值医学图像分割算法.在该算法中,将粒子群体分成若干个子群体,进化在多个不同的子群中并行进行,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度.实验结果表明,提出的分割算法与传统粒子群算法相比,不仅能够对图像进行准确的分割.而且具有更强的精确性和稳定性,其收敛速度明显优于基于单种群的粒子群算法的Otsu双阈值医学图像分割.%The medical image segmentation is a hot topic in the field of medical images analysis. Because the particle swarm optimization (PSO) algorithm is easy to trap to local minima, the algorithm is sometimes inaccurate and instable when it is used in searching the best solutions of a function. To solve the problem, based on the Otsu segmentation method, the Otsu dual-threshold value method based on the parallel particle swarm algorithm for medical image segmentation is proposed. In the algorithm, the current particles are first divided into multi sub-population, the evolution is performed among different subgroups in parallel, and so this algorithm can avoid premature convergence of single-species evolutionary process, and improve the convergence efficiency of the algorithm. The results show that the presented algorithm can not only find better solutions , but also be more stable and accurate than that of the traditional particle swarm algorithm.The converge is improved more quickly than that of single-species particle swarm algorithm.【期刊名称】《实验技术与管理》【年(卷),期】2011(028)002【总页数】4页(P42-44,65)【关键词】医学图像;Otsu双阈值法;粒子群算法【作者】邬锡琴;许良凤;胡敏【作者单位】合肥工业大学计算机与信息学院,安徽,合肥,230009;合肥工业大学计算机与信息学院,安徽,合肥,230009;合肥工业大学计算机与信息学院,安徽,合肥,230009【正文语种】中文【中图分类】TP391.41Abstract:The medical image segmentation is a hot topic in the field of medical images analysis.Because the particle swarmoptimization(PSO)algorithm is easy to trap to local minima,the algorithm is sometimes inac2 curate and instable when it is used in searching the best solutions of a function.To solve the problem,based on the Otsu segmentation method,the Otsu dual2threshold value method based on the parallel particle swarm al2 gorithm for medical image segmentation is proposed.In the algorithm,the current particles are first divided in2 to multi sub2population,the evolution is performed among different subgroups inparallel,and so this algo2 rithm can avoid premature convergence of single2species evolutionary process,and improve the convergence ef2 ficiency of the algorithm.The results show that the presented algorithm can not only find better solutions,but also be more stable and accurate than that of the traditional particle swarm algorithm.The converge is im2 proved more quickly than that of single2species particle swarm algorithm. Key words:medical image;Otsu dual2threshold value method;particle swarm algorithm医学图像是临床医生和专家进行疾病诊断的重要依据,而医学图像分割技术就是将图像中感兴趣的观察目标提取出来,以有利于医学研究和临床诊断。

基于量子粒子群优化算法的最小交叉熵多阈值图像分割
赵勇;方宗德;庞辉;王侃伟
【期刊名称】《计算机应用研究》
【年(卷),期】2008(025)004
【摘要】首先提出了一种减少最小交叉熵适应度函数计算量的快速递推编程技术;然后采用量子粒子群优化法搜索获得图像最优多阈值,并用该阈值实现图像分割.实验分析结果表明,该方法具有实现阈值寻优速度快,最优解对应图像分割效果好的特点.
【总页数】3页(P1097-1099)
【作者】赵勇;方宗德;庞辉;王侃伟
【作者单位】西北工业大学,机电学院,西安,710072;西北工业大学,机电学院,西安,710072;西北工业大学,机电学院,西安,710072;西北工业大学,机电学院,西
安,710072
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于改进BBO算法的二维交叉熵多阈值图像分割 [J], 李薇;胡晓辉;王鸿闯
2.基于最小交叉熵的改进PCNN杨梅图像分割算法 [J], 徐黎明;吕继东
3.基于最小Tsallis交叉熵改进型PCNN图像分割算法 [J], 李东兴;张起;高倩倩;吴秀东;蔡亚南
4.基于二维最小Tsallis交叉熵和遗传算法的快速图像分割 [J], 魏伟一;李战明;张
国权
5.基于BBO算法的二维交叉熵多阈值图像分割 [J], 李薇;胡晓辉;王鸿闯
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进粒子群算法的图像阈值分割的加速算法江军兵;严利民【期刊名称】《工业控制计算机》【年(卷),期】2015(028)010【摘要】This paper prsents a kind of the improved particle swarm optimization algorithm to improve the threshold of two-dimensional Otsu adaptive image segmentation algorithm for calculating speed.Experiments show that the improved al-gorithm of 2D Otsu algorithm compared to traditional calculation 2.83 times speed increase,and the segmentation results re-main the same.%由于传统的二维Otsu算法对图像进行自适应阈值分割是通过穷举搜索的方法以确定最佳阈值,因此具有计算复杂度高,受噪声干扰严重等缺点,无法满足对实时性要求较高的场合.针对二维Otsu自适应阈值分割算法上述存在的问题,采用一种改进的粒子群优化算法来提高二维Otsu自适应图像阈值分割的算法计算速度.实验表明,改进后的二维Otsu算法相比传统的二维Otsu算法计算速度提高了2.83倍,且分割效果与之前保持相同.【总页数】3页(P81-82,85)【作者】江军兵;严利民【作者单位】上海大学机电工程与自动化学院,上海 200072;上海大学微电子研究与开发中心,上海 200072【正文语种】中文【相关文献】1.基于粒子群算法的Otsu法图像阈值分割 [J], 何庆元;韩传久2.基于自适应粒子群算法和数据场的图像二维阈值分割 [J], 李娜;李元香3.改进粒子群算法安检图像阈值分割方法研究 [J], 陈鹏;邹涛4.基于量子粒子群算法的Ostu图像阈值分割 [J], 冯斌;王璋;孙俊5.基于改进粒子群算法的图像阈值分割方法 [J], 章慧;龚声蓉;严云洋因版权原因，仅展示原文概要，查看原文内容请购买。

基于粒子群优化算法的马赛克图像分割技术随着数字图像处理技术的不断发展，图像分割技术也越来越成熟。

其中，马赛克图像分割技术是常用的一种，它可以将图像分成若干个具有一定的相似度和连通性的子区域，是图像处理、计算机视觉等领域中不可缺少的基础技术。

本文将介绍基于粒子群优化算法的马赛克图像分割技术，探讨其原理及应用。

一、马赛克图像分割原理马赛克图像分割是一种基于区域的图像分割方法，其原理是将图像分成若干相互不重叠的子区域，每个子区域具有一定的相似度和连通性，且不同子区域之间具有明显的界限。

马赛克图像分割是通过计算每个像素与周围像素的相似度以及它们之间的距离，来确定每个像素属于哪个区域，从而实现对图像进行分割的。

二、粒子群优化算法粒子群优化算法（Particle Swarm Optimization，PSO）是一种基于群集智能的优化算法，其核心概念是将一群粒子看做一个整体，通过自我适应、群体协同等方式寻找全局最优解。

粒子群优化算法一般有两个重要的参数：惯性权重、加速常数。

其中，惯性权重决定了粒子保持之前速度的程度，加速常数决定了粒子学习其他粒子的程度。

三、基于粒子群优化算法的马赛克图像分割技术基于粒子群优化算法的马赛克图像分割技术是一种优化算法，其计算原理是在图像中随机选择一定数量的种子像素点，并赋予种子像素点初始标签。

然后，利用粒子群算法寻找每个像素点到与其相邻的像素点的欧式距离最小的种子像素点，并用相应的标签代替该像素点的标签，最终实现对图像的分割。

该算法可以有效地解决马赛克图像分割过程中出现的局部最优问题，提高分割结果的质量。

四、应用目前，基于粒子群优化算法的马赛克图像分割技术已经得到了广泛的应用，特别是在计算机视觉、图像分析、图像识别等领域。

例如，在医疗图像识别中，病例的分割和提取是十分关键的一步，通过该技术可以将病例分为各个部分，方便医生进行诊断和治疗。

又如，在机器人视觉控制领域，机器人对物体的识别和处理也需要对图像进行分割，此时基于粒子群优化算法的马赛克图像分割技术可以提高图像分割的准确性和效率。

粒子群优化的多阈值图像自分割算法
马培培;胡敏
【期刊名称】《微计算机信息》
【年(卷),期】2010(026)029
【摘要】针对传统的多阈值图像分割方法存在精确度和时间复杂度的问题,提出了粒子群优化的多阈值自分割算法.该方法首先利用自适应滤波函数对图像进行预处理,不仅解决了一维Otsu算法的抗噪性弱的问题,又同时确定了多阈值图像的局部区域类数,然后把改进的粒子群优化算法应用到多阈值图像分割中,对最佳阈值进行搜索优化,改进了图像分割的整体性能.实验结果证明了本文算法的收敛速度与优化质量均优于其他算法,并且这个优越性会随着局部区域类数的增加,体现得更为明显.【总页数】3页(P199-201)
【作者】马培培;胡敏
【作者单位】230009,安徽合肥,合肥工业大学计算机与信息学院;230009,安徽合肥,合肥工业大学计算机与信息学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于改进量子粒子群优化的多阈值图像分割算法 [J], 杨震伦;闵华清;罗荣华
2.利用变精度粗糙集和粒子群的图像多阈值分割算法 [J], 吴尚智;段超;佘志用
3.基于模糊OTSU与布谷鸟寻优的火灾图像多阈值分割算法 [J], 赵汝海; 孙凡; 朱
广
4.基于SOA-Otsu的图像多阈值分割算法研究 [J], 王海龙;张宏伟;张文
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。

一种改进粒子群优化算法的Otsu图像阈值分割方法
刘桂红;赵亮;孙劲光;王星
【期刊名称】《计算机科学》
【年(卷),期】2016(043)003
【摘要】阈值法分割图像时只利用图像的灰度信息,具有直观、实现简单的特点.针对传统的粒子群优化算法(Parti-cle Swarm Optimization,PSO)分割图像易陷入局部最优的缺点,提出一种基于改进粒子群优化算法的Otsu图像阈值分割方法.以Otsu算法的类间方差作为适应度函数,在每次迭代中选取适应度较好的粒子同时加入新的粒子,以提高粒子多样性.实验表明,与Otsu算法和PSO算法相比,改进的粒子群优化算法不仅加快了收敛速度和运算速度,而且提高了图像分割的准确率.【总页数】4页(P309-312)
【作者】刘桂红;赵亮;孙劲光;王星
【作者单位】辽宁工程技术大学电子与信息工程学院葫芦岛125105;辽宁工程技术大学研究生学院葫芦岛125105;辽宁工程技术大学电子与信息工程学院葫芦岛125105;辽宁工程技术大学电子与信息工程学院葫芦岛125105
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于新遗传算法的 Otsu图像阈值分割方法 [J], 王宏文;梁彦彦;王志华
2.一种改进的Otsu图像阈值分割算法 [J], 陈峥;石勇鹏;吉书鹏
3.基于改进粒子群优化算法的Otsu图像分割方法 [J], 刘申晓;王学春;常朝稳
4.基于混合粒子群优化的2维Otsu路面裂缝图像阈值分割方法 [J], 邵闯;王生怀;邹春龙;周红勋
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。