果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是新型寻求全局优化的算法,它是根据果蝇寻食行为产生的。该算法需要调整的参变量少,而且能快速理解实现。果蝇在嗅觉和视觉等感官知觉方面比别的生物敏锐,所以果蝇能够快速探寻到食物独特的味道,即使目标源远。然而传统果蝇算法还不够成熟,如:整体搜索时间长,收敛精密度低下,容易陷入局部最优值等等。传统果蝇算法的步长固定不变,从而导致一系列问题产生。本文提出一种自适应改进步长的果蝇优化算法然后将它应用到图像处理方面。主要的研究工作如下:(1)升半柯西函数,混合正切函数与柯西算子的果蝇优化算法(Tangent Cauchy Operator Fruit Fly Optimization Algorithm,TCO-FOA),根据迭代次数的变化对步长进行自适应变化。正切函数的变量采用当前迭代时高浓度和低浓度和的平均值与前一次迭代果蝇群中高浓度低浓度的和的平均值的比值。浓度平均值变化比率大于1时,利用升半柯西函数特点,步长在前期先均匀后呈S型增长。当浓度平均值变化比率小于等于1,迭代后期,果蝇接近目标源,随着浓度平均值比值减小,这时通过减少步长进行局部搜索用来增加寻找目标源的成功率。本文果蝇算法的改进使收敛速率和寻优精度在原有的基础上都得到了有效地提高。(2)将TCO-FOA引入到图像阈值中进行优化分割:最大熵阈值分割图像,在对图像分割进行改进时,研究人员还是大多数会使用图像熵分割进行实验。大津法是利用图像二值化选择阈值来进行分割的方法,它进行实验的效果较好,在实际运用中大多数选择它。然而不管哪种方法,期间分割效果都存在不佳而且分割时间较长。与传统算法对比实验显示,TCO-FOA优化算法在图像分割上稳定性和效果都有突破。(3)TCO-FOA引入到匹配中进行两者结合,图像匹配是通过原始图像与模板特征图像构建的一种几何空间和灰度强度的关系,在现代计算机的视觉模块中有着不可替代的位置。它主要应用于视频追踪、目标识别以及医学等领域。图像匹配分为两个方向:一种是基于独有特征的图像匹配方法,一种是基于灰度的匹配方法。虽然这两个方向的算法在匹配中效果不错,但是收敛速度和匹配率还有待提高。将本文算法匹配跟几种算法对比,通过实验仿真证明自适应改变步长果蝇优化算法均能取得更好的匹配效果。