基于ＱＰＳＯ算法的圖像顏色分割

摘要：目前不同種類的紋理區域組成的彩色圖像分割還是一個難點。當一幅圖像中包含相似的和（或）非固定的紋理區域時，難以計算出精確的紋理區域和分割區域的最優數目。描述了基于量子行為的微粒群優化算法（QPSO）的圖像顏色分割方法，把圖像分割問題看作一個最優化問題并且采用QPSO的進化策略聚類顏色特征空間中的區域。QPSO不僅參數個數少、隨機性強，并且能覆蓋所有解空間，保證算法的全局收斂。給出了三幅圖像的分割效果，證明了QPSO算法在自動的和無監督的紋理分割上具有很好的效果。

關鍵詞：彩色圖像分割； 量子行為的微粒群優化算法； 聚類

中圖法分類號：TP391文獻標識碼：A

文章編號：1001－3695(2007)01－0218－02

圖像分割就是把圖像分成各具特征的區域并提取出感興趣的目標的技術和過程，這里特征可以是像素的灰度、顏色、紋理等，預先定義的目標可以對應單個區域，也可以對應多個區域。本文依據顏色特征分割圖像。圖像分割是一種重要的圖像技術，它不僅得到了廣泛的重視和研究，也在實際中得到了大量的應用。圖像分割是一個低水平的圖像處理任務，分割算法的結果通常作為高水平處理任務的輸入。

許多原用于灰度圖像分割的方法并不適合于直接分割彩色圖像[1]。現已提出的圖像顏色分割方法主要包括KMeans聚類法、基于遺傳算法的圖像顏色分割[2]、熵閾值與博弈論標記結合法[3]、區域分裂合并[4，5]、區域生長與松弛以及邊緣檢測等[6]。將基于種子點的區域成長法[7]與基于主動輪廓模型的方法[8]相結合也可分割彩色圖像[9]，彩色圖像的分割可以利用神經網絡的方法。筆者提出了一種新的能保證全局收斂的粒子群算法，即基于量子的微粒群優化算法(Quantumbehaved Particle Swarm Optimization， QPSO）[10，11]。實驗證明，QPSO的性能在圖像顏色分割上優于其他算法。

1QPSO算法

QPSO也是一種微粒群進化算法，用群體和進化的概念，同樣也是依據個體（微粒）的適應值大小進行操作。QPSO將每個個體看作是Nd維搜索空間中的一個沒有重量和體積的微粒，并在搜索空間中以一定的速度飛行。該飛行速度由個體的飛行經驗和群體的飛行經驗動態調整。每個粒子代表Nd維空間中的一個位置，朝著下面兩個方向調整粒子的位置：

(1)至今發現的每個粒子的最優位置；

(2)粒子群的最優位置。

每一個粒子i包含下列信息：

2QPSO聚類模型

3QPSO分割圖像的完成過程

分割所用的彩色空間是紅綠藍（RGB）空間，它是一種矩形直角空間結構的模型，是通過對顏色進行加運算完成顏色綜合的彩色系統。為了實現彩色圖像的分割過程，首先要把RGB圖像通道的灰度級強度作為特征向量，然后使用QPSO聚類模型作為定量的標準，在適當的搜索空間中操縱進化策略。在圖像二維空間中不能成功地應用聚類，因為相似的像素可能離得較遠，但是由于RGB圖像有三個通道，所以它的灰度級強度是三維的，可以保證相似的像素屬于同一個顏色聚類。

(1)超過迭代的最大次數（迭代的最大次數由用戶指定）；

(2)經過多次迭代之后，中心向量的變化很小；

(3)經過多次迭代之后，聚類中的數據向量不再變化。

4實驗結果和結論

實驗中用到的三個圖像分別為Human Skin Cancer Marks(圖1（a）)，Colour Portuguese Branco Coral Granite(圖1（c）)，Luanda(Angola) Colour Map（圖1（e））。 Human Skin Cancer Marks含有兩種顏色，所以分成兩類（圖1（b））；Colour Portuguese Branco Coral Granite含有三種不同的礦物，所以分成三類（圖1（d））； Luanda(Angola) Colour Map分成六類（圖1（f））。粒子數為60個，運行400次得出實驗結果。

所有的分割結果表明了QPSO的分割效果非常的令人滿意，相似的像素聚到了同一個類中。由于獲取的RGB圖像分辨率低，它的灰度級強度可能會位于內部和外部范圍的邊界上，造成相似的像素屬于不同的小立方體，但是這種概率是非常低的。

參考文獻：

［1］Uchiyama T，Arbib M A. Color Image Segmentation Using Competitive Learning[C].IEEEPAMI，1994.11971206.

［2］Vitorino Ramos，Fernando Muge.Image Colour Segmentation by Genetic Algorithms[C]. Porto， Portugal: RecPad2000， the 11th Portuguese Conference on Pattern Recognition， 2000.125129.

［3］郭國棟，馬頌德.彩色圖像分割[J].中國圖像圖形學報，1998，3（11）：918921.

［4］Ohlander R，Price K，Reddy D R. Picture Segmentation Using a Recursive Region Splitting Method [J].CGIP，1978，8(3):313333.

［5］Tremeau A，Borel N. A Region Growing and Merging Algorithm to Color Segmentation[J]. Pattern Recognition，1997，30(7):11911203.

［6］Pal N R，Pal S K. A Review on Image Segmentation Techniques[J].Pattern Recognition，1993，26(9):12771294.

［7］Adams R，Bischof L. Seeded Region Growing[C].IEEEPAMI，1994.641646.

［8］Kass M，Witkin A，Terzopoulos D. Snakes:Active Contour Models[J].Int.J.Compular Vision，1987，1(4):321331.

［9］劉少創，林宗堅.彩色航空影像分割的OCTOPUS方法[J].中國圖像圖形學報，1997，2（11）：790794.

［10］Sun J， Xu W B.A Global Search Strategy of Quantumbehaved Particle Swarm Optimization[C].Proceedings of IEEE Conference on Cybernetics and Intelligent Systems， 20-04.111116.

［11］Sun J， Feng B，Xu W B.Particle Swarm Optimization with Particles Having Quantum Behavior[C]. Proceedings of 20-04 Congress on Evo￣lutionary Computation， 20-04.325331.

［12］曾建潮，介婧，崔志華.微粒群算法[M].北京:科學出版社，20-04.

作者簡介：

龍海俠（1980），女，江蘇徐州人，碩士研究生，主要研究方向為生物信息學、人工智能；

須文波（1946），男，江蘇無錫人，博導，主要研究方向為人工智能、計算機控制技術、嵌入式操作系統；

孫俊（1971），男，江蘇無錫人，博士，主要研究方向為人工智能。

注:本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文