基于改進微粒群算法的快速圖像分割技術

于來行,李 亞,喬 蕊

（周口師范學院,河南 周口466001）

基于改進微粒群算法的快速圖像分割技術

于來行,李 亞,喬 蕊

（周口師范學院,河南 周口466001）

微粒群算法中微粒有保持自身狀態(tài)的特性，論文給出一種周期性隨機擾動的自適應改變微粒速度的方法：當微粒要進行下一次運動時，總體采用非線性下降的慣性權重選擇方法，并且在其中加入周期性隨機擾動策略，使算法既能得到較快的收斂速度，又不至于陷入局部極值。將此方法應用于圖像分割，新方法能得到更好的結果。

微粒群算法；隨機擾動；慣性權重;圖像分割

圖像閾值化分割是一種最常用也是最簡單的圖像分割方法，它特別適用于目標和背景具有不同灰度級范圍的圖像。圖像閾值化的目的是要按照灰度級，對像素集合進行一個劃分，每個劃分后的子集與現實景物對應，各個子集區(qū)域內部具有一致的屬性，而相鄰區(qū)域具有不同的屬性，這樣的劃分可以通過從灰度級出發(fā)選取一個或多個閾值來實現。

微粒群算法是一種基于模擬鳥群運動的仿生優(yōu)化算法，具有概念簡單、參數少、易于實現、優(yōu)化性能好等特點，在很多優(yōu)化領域得到了較好的應用。

該文引入一種新的改進微粒群算法，能更好地尋找全局最優(yōu)值，即優(yōu)惠閾值圖像分割算法，進行二值圖像分割，實驗結果顯示效果較好。

一、改進微粒群算法

慣性權重值由兩個部分求和得到，第一部分為最大慣性權重值；第二部分為最大和最小慣性權重值之差并與周期擾動因子的乘積，擾動因子是當前迭代步數與最大迭代步數的商構建的曲線函數，加入了正弦函數及隨機函數并設置相應的參數形成周期性下降曲線變化的函數值。公式通過正弦函數為周期設定函數，可以周期性地擾動慣性權重的變化，進而影響微粒的移動方式，n ormrnd( 0.5,0.2)為隨機擾動函數，與周期函數相互作用得到適應算法的慣性權重值。max、min分別為慣性權重最大和最小值，一般定義min為起始精度，max目標精度；itmax為最大迭代步數，i為當前迭代步數，大量的試驗研究發(fā)現，在[0，1.4]內能得到較好的結果，因此，算法設計時把的值盡量限制在這個較好的區(qū)間內，如果超出這個范圍，隨機在邊界值附近選擇一個值。

二、閾值圖像分割技術

閾值圖像分割技術分為全局閾值法和局部閾值法兩種，全局閾值分割方法利用全局信息對圖像進行劃分，可以為單閾值或多閾值；局部閾值方法先把圖像分為多個子圖像，如后應用全局閾值分割方法分別求出最優(yōu)分割閾值。閾值分割方法依賴于對閾值的選擇，所以閾值選擇是否合適是圖像分割效果好壞的關鍵，因此，有很多基于智能優(yōu)化算法改進閾值選擇的算法得到了很好的效果。

論文主要針對全局閾值分割方法，把圖像像素分為兩類，令閾值為T，圖像像素對應的灰度級為256，那么經閾值分割后的圖像定義為：

因此，標記為1的像素對應于灰度值小于等于T，也就是前景，而標記為0的對應于背景，這就是我們通常所說的圖像二值化。

三、基于改進微粒群優(yōu)化的圖像分割算法

（一）圖像分割優(yōu)化算法

適應度值即指計算適應度函數所得到的值,它的大小是粒子群算法中選擇個體極值和全體極值的依據。適應度函數是根據具體問題設計的,通常在目標函數并不復雜的情況下,可以直接將目標函數選擇為適應度函數。以距離測度函數L(sb)為適應度函數，求其最大值,即:

圖像灰度值為[0,255]之間的正整數,而根據RDP-SO更新公式得到的位置均為連續(xù)值,所以在每次速度更新后，要對微粒位置向量取整,檢查位置是否越界(>255或<0)，如果越界，取其邊界值。改進算法進行優(yōu)化圖像分割流程如下:

步驟1：初始化微粒群，粒子的位置在(0,255)之間產生，設置最大迭代步數。

步驟2：根據式f(s,t)來計算粒子的適應度。更新每個粒子的個體極值和整個粒子群的全局的極值。

步驟3：根據改進微粒群進化公式更新微粒位置和速度。

步驟4：如果滿足條件輸出最佳閾值，否則轉到步驟2重新搜索。

步驟5：輸出最佳的閾值的向量，根據此閾值進行圖像分割。

（二）實驗結果及分析

實驗采用三種方法，圖像灰度中值作為閾值進行圖像分割，ostu方法進行圖像分割，改進算法進行圖像分割，圖像選擇常用的lena圖作為測試圖片，其中分割的結果如圖2-圖4所示。

圖2-圖4分別顯示了三種不同算法所得到的結果，從圖中可以看到，改進后的算法能把細小的區(qū)域分割出來，分割圖像更清晰，能得到更好的分割效果。圖像的灰度中值為121，ostu分割算法得到的閾值為126，微粒群優(yōu)化的圖像分割閾值為134。

四、總結

論文介紹了微粒群算法的改進策略，主要介紹了慣性權重的改進策略，給出了一種非線性減小并加入一定擾動的微粒群算，在性能上得到了較大提高。利用改進的微粒群策略優(yōu)化閾值圖像分割算法，改進后算法與灰度中值分割和ostu圖像分割算法所得結果進行比較，利用改進算法進行閾值圖像分割的效果更好。

[1]馮斌,王璋,孫俊.基于量子粒子群算法的Ostu圖像閾值分割 [J].計算機工程與設計，2008，(13)：3429-3431.

[2]王萬良,唐宇.微粒群算法的研究現狀與展望[J].浙江工業(yè)大學學報，2007，（2）:136-141.

[3]張皓,陳雪波,馬德楠.具有自適應度雙群體PSO的組群機器人隊形控制[J].清華大學學報(自然科學版), 2008，(S2)：1751-1755.

[4]于來行，喬蕊.周期性擾動的微粒群算法[J].計算機系統應用，2011，（6）：203-206.

[5]熊鷹.微粒法的若干改進及應用[D].武漢：武漢理工大學，2006.

TP

A

1673-0046（2012）8-0175-02

周口師范學院青年科研基金資助項目（z knuqn201039A）