论文部分内容阅读
图像分割是数字图像处理中至关重要的预处理环节。在图像分割的众多算法中,阈值分割以直观、易于实现的特点最受关注,其应用最广泛,算法种类也最多。在阈值分割算法中,确定最优阈值是关键步骤。传统的阈值分割方法大多采用穷举算法寻求最优阈值,这使得阈值计算过程中计算量过大,运算效率低。特别是对于复杂图像进行多阈值分割时,计算量更是呈指数级增长。受量子理论的启发而提出的量子粒子群算法(Quantum-behaved Particle Swarm Optimization, QPSO)由粒子群算法(Particle Swarm Optimization, PSO)发展而来。它以粒子群中粒子的基本收敛特性为基础,进化方程中不需要速度向量,参数更少,更容易控制,且易于实现,具有极强的全局搜索能力,是一种最新的智能寻优算法。为了研究图像阈值的分割效率和分割精度,本文分别采用遗传算法(Genetic Algorithm, GA)、粒子群算法PSO、量子粒子群算法QPSO对图像进行阈值分割,实验结果表明了QPSO算法的高效率和优秀的全局搜索能力。在此基础上,鉴于QPSO算法在粒子越过搜索区域边界时对粒子的简单处理方法有可能导致粒子聚集于边界,从而产生全局最优解的误差,本文提出了一种基于量子粒子群算法的改进阈值分割算法BQPSO(Boundary-controlled QPSO)。BQPSO对于标准量子粒子群算法引入了边界控制策略,在粒子越过搜索区域的时候将其重置到搜索区域内边界附近的某一随机位置。它使得越过搜索区域边界的粒子不会聚集于搜索区域边界上,而是回到搜索区域内,保持了群体的多样性,更有效地避免算法陷入局部最优解,增强了算法的全局搜索能力。本文的创新点在于引入了边界控制策略对标准量子粒子群算法QPSO进行改进,并将改进算法BQPSO应用于图像分割的阈值寻优。BQPSO算法与标准QPSO算法、PSO算法和GA算法在复杂图像双阈值分割应用中的比较结果验证了BQPSO算法在阈值寻优中的高效性和准确性。将BQPSO阈值寻优算法应用于免疫细胞图像分割和其它大量图像的实验结果进一步表明,BQPSO算法具有理想的的全局寻优能力和分割效果,在图像阈值分割的应用方面有实用价值。