论文部分内容阅读
在图像分割领域中,基于阈值的图像分割方法应用最为广泛。阈值分割法可分为单阈值分割和多阈值分割,多阈值分割法是在单阈值分割法的基础上提出来的。相对来说,单阈值分割方法比较成熟,但极易受到噪声干扰,而多阈值分割方法,主要研究如何减少时间消耗和改善图像分割质量。目前在图像分割领域,比较流行的做法是引入群体智能算法,将传统的图像分割算法作为目标函数,使得对图像求分割闽值的问题转化为求目标函数的全局最优解问题。烟花算法(Fireworks Algorithm,FWA)具有独特的爆炸搜索机制,通过模拟烟花爆炸的方式来对问题的解空间进行多点同时爆炸式寻优,是一种有别于其他群体智能方法的新型算法。由于它在求解复杂优化问题时有极优的全局收敛能力,将其引入图像分割领域中。烟花算法是受到现实中烟花在空中爆炸的启发而被提出的一种新型群体智能算法,算法可以根据烟花个体的适应度大小调节种群的控制参数(火花数和爆炸幅度),保证种群多样性的同时具有快速的收敛性,易于跳出局部最优解。这种性能为解决阈值分割法带来的噪声敏感、时间效率等问题提供了一种新的且有效的方法。本文基于烟花算法对图像分割展开研究,主要的工作如下:1.对于基本的阈值分割法易受噪声干扰、时间复杂度较高、分割效果较差等问题,提出一种基于烟花算法的图像分割算法,通过分别与最大类间方差法和最大熵法两种分割方法结合,并利用烟花算法良好的收敛速度和跳出局部最优的能力,来获取最优分割阈值。通过对单阈值和多阈值分割分别实验,验证了该算法在阈值分割中对于以上问题的解决具有有效性。2.对于基本烟花算法在求解目标函数时对位置偏移的敏感问题,提出了一种基于位置偏移的改进烟花算法(Fireworks Algorithm Based on Position Offset,POFWA),该算法不再只局限于最优点在零点的函数有优越的性能。因此,对于分割阈值通常不在原点的图像来说,采用该法能有效的缩短寻优时间、改善分割效果。POFWA与基本烟花算法的对比实验表明,POFWA具有能快速找到图像的最优阈值的能力。3.对于提高多阈值分割精度,提出了一种基于文化基因算法的烟花算法(Fireworks Algorithm Based on Memetic Algorithm,MA-FWA)的多阈值图像分割算法,该算法采用文化基因算法具有的全局和局部优化机制,以遗传算法为全局搜索算法,进一步提高烟花算法的全局寻优能力,使得图像分割质量得到了提高。通过实验对比分析,MA-FWA对于求图像的多阈值能取得更好的分割效果。