图像作为一种包含大量信息的多媒体数据,在人们生活和工作中扮演着越来越重要的角色。图像分割是图像识别和计算机视觉至关重要的预处理步骤,也是实现图像理解的一种有效途径,作为图像处理的重要环节受到了越来越多的关注。图像分割在计算机视觉、人脸识别、产品检测、工业自动化、智能交通、文字识别、外星探测、航空与航天技术、遥感卫星图像处理、生物与医学工程、体育和农业等领域得到了广泛的应用。在很多工程应用中,由于实际问题的复杂性与多样性,及各种因素的限制,人们很难获得大量的图像样本。灰度图像是各类图像中最基础且应用最广泛的一种,具有表示简单、数据量小、编码传输方便等优势,作为构建复杂图像的基础,灰度图像适用于大多数的图像处理场合,其分割方法也被广泛用于多种学科和工程应用之中。因此高分割精度和计算效率的小样本灰度图像分割技术很有研究的意义与工程价值。图像分割技术涉及认知科学、计算机视觉等多个交叉学科,也被广泛应用于工程实践之中。基于特征聚类和阈值的分割方法由于其结构简单,适用能力强,分割效果好的优点在图像分割领域中被广泛应用和改进。但传统的灰度图像分割方法或分割效果不好,或计算效率较差。仿生优化算法可以快速有效地计算复杂的非线性多维数据空间,而图像分割问题又可等价于在复杂的参数空间中寻求最优分割参数的问题,故将仿生学优化算法应用于灰度图像分割中,可以提高计算效率和算法的分割精度。本文对基于特征空间聚类和最优阈值选取的图像分割技术展开研究,引入在计算稳定性和处理速度上较好的灰狼优化算法,以提高算法性能和图像分割精度为目的,提出了几种适应性强,分割精度较高的图像分割算法。本文主要研究工作和创新点如下:1.针对模糊C均值算法分割图像存在初始聚类中心不确定、需要人为设定聚类类别数、迭代过程中容易陷入局部最优的问题,及灰狼优化算法的搜索种群单一化易陷于局部最优和出现早熟收敛的问题,提出了基于差分进化灰狼优化的FCM图像分割方法。由于FCM算法的聚类中心的估计可被看作是在灰度区间内寻找合适值的搜索过程,利用基于差分进化的灰狼优化算法来寻找聚类中心,提高狼群搜索多样性和突变能力,避免算法陷入局部最小值,能够进一步提高了算法的分割精度。2.针对传统的模糊C均值算法只利用像素的隶属度信息,对噪声和不均匀灰度值较为敏感,没有充分利用像素周围的邻域空间信息,算法分割精度不高,鲁棒性差等问题,提出了基于并行LGWO和局部信息的FCM图像分割方法。通过引入Levy飞行策略来提高算法计算效率和搜索性能,设计并行计算程序可以极大提升算法的计算效率。结合图像的邻域信息对噪声图像进行自适应灰度加权,可有效抑制噪声影响,提高算法的分割精度。3.当图像受到的噪声污染较为严重时,图像像素的邻域信息也可能会被污染,导致结合了图像局部空间信息的模糊聚类算法分割精度降低,无法满足高精度分割要求。提出了基于改进并行LGWO和全局信息的FCM图像分割方法。利用新的收敛因子和动态权重策略改进的并行LGWO算法对图像进行粗略聚类得到初始聚类中心,这些改进可使并行LGWO算法拥有更高的搜索精度。并将像素周围的邻域信息和非邻域信息作为空间信息添加到目标函数中,利用信息熵调整像素信息与非邻域空间信息之间的权重,用改进的距离测度代替传统的欧式距离,从而进一步改善算法的分割效果。4.由于阈值的选择直接影响阈值分割技术的分割准确性,传统的阈值分割方法多是通过遍历来得到,影响算法的计算效率。提出了基于改进灰狼优化算法的多阈值图像分割方法。利用Tsallis灰度熵阈值技术确定最佳阈值,其有简单易实现,分割精度高,易于从单阈值分割扩展到多阈值分割的特点。引入对立学习的种群初始化、Levy飞行、自适应边界、较差个体主动高斯变异策略,改进灰狼优化算法。改进算法能够较好的平衡算法的搜索和开发能力,避免算法陷入局部最优,同时提高了算法的收敛速度、全局搜索能力和分割精度。各部分仿真实验进一步表明所提方法的有效性。