基于粒子群优化算法的图像分割.docx
《基于粒子群优化算法的图像分割.docx》由会员分享,可在线阅读,更多相关《基于粒子群优化算法的图像分割.docx(15页珍藏版)》请在冰点文库上搜索。
![基于粒子群优化算法的图像分割.docx](https://file1.bingdoc.com/fileroot1/2023-6/7/f1378d0a-fdb9-4cfe-9c86-c00b2db1eb9b/f1378d0a-fdb9-4cfe-9c86-c00b2db1eb9b1.gif)
基于粒子群优化算法的图像分割
安康学院
学年论文(设计)
题目
学生姓名学号
所在院(系)
专业班级
指导教师
年月曰
基于粒子群优化算法的图像分割
(作者:
)
()
指导教师:
【摘要】本文通过对粒子群优化算法的研究,采用Java编程,设计出一套用于图像分割的系统。
基于粒子群优化算法的图像分割系统,可以将一幅给定的图像进行分割,然后将分割结果保存。
图像分割的目的是将感兴趣的区域从图像中分割出来,从而为计算机视觉的后续处理提供依据。
图像分割的方法有多种,阈值法因其实现简单而成为一种有效的图像分割方法。
而粒子群优化(PSO)算法
是一类随机全局优化技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短寻找阈值的时间。
因此,基于粒子群优化算法的图像分割以粒子群优化算法为寻优工具,建立具有自适应和鲁棒性的分割方法。
从而可以在最短的时间内,准确地确定分割阈值。
关键词:
粒子群优化(PSO,图像分割,阈值法,鲁棒性
Abstract
Thispaperbasedontheparticleswarmoptimizationalgorithm,designsasetofsystemforimagesegmentationusingJavaprogramming.Imagesegmentationsystembasedonparticleswarmoptimizationalgorithm,theimagecanbeagivensegmentation,andthenthesegmentationresultswouldbesaved.Imagesegmentationisthepurposeoftheinterestedareafromtheimage,thusprovidingthebasisforthesubsequentprocessingofcomputervision.Therearemanymethodsofimagesegmentation,thresholdmethodsinceitssimplerealization,becomesakindofeffectivemethodinimagesegmentation.Particleswarmoptimization(PSO)algorithmisastochasticglobaloptimizationtechnique;itfindsoptimalregionsofcomplexsearchspacesforthresholdtimeshortenedthroughtheinteractionbetweenparticles.Therefore,particleswarmoptimizationalgorithmofimagesegmentationbasedonparticleswarmoptimizationalgorithmbasedonoptimizationtools;establishsegmentationmethodwithadaptiveandrobust.Therefore,itispossibleforusintheshortestpossibletimetoaccuratelydeterminethesegmentationthreshold.
Keywords:
PSO,imagesegmentation,thresholdmethod,robust.
1引言
1.1研究的背景和意义
技术的不断向前发展,人们越来越多地利用计算机来获取和处理视觉图像信息。
据统计,人类
从外界获取的信息中有80%是来源于视觉或者说是图像信息,这包括图形、图像、视频、数据、文
本等。
作为人类最有效的交流方式和信息获取,图像也因其所含的信息量大且表现直观而在多媒体技术中占据了重要地位。
所谓图像处理,就是对图像信息进行处理来满足人的视觉心理或应用需求的行为。
在对图像处
理的研究及应用中,人们往往只对图像中的某些部分感兴趣,这些感兴趣的部分称为目标或前景,一般对应图像中特定的、具有独特性质的区域,剩余的部分则称为背景。
而图像分割的目的就是把图像分割成各具特性的区域并从中提取出感兴趣目标的技术和过程。
多年来,对图像分割的研究一直是图像技术研究中的焦点和热点,人们对其的关注不断提高。
它是一种重要的图像分析技术,是图像处理到图像分析的关键步骤,也是计算机视觉领域低层次视觉中的主要问题。
图像分割结果是图像特征提取及识别等图像理解的基础,对图像的加工主要处于图像处理的层次,图像分割后,对图像的分析才成为可能。
另外,图像分割也广泛的应用于实际生活中,特别是近年来随着计算机技术以及图形图像学的飞速发展,使得图像分割技术成为了其它很多研究领域能否顺利发展的一个重要基础。
阈值法因其实现简单和运算效率高而成为了一种有效的图像分割方法,阈值的确定则是阈值法图像分割的关键,然而为了使分割结果更为准确而要在一幅多峰直方图的全灰度范围内搜索一个最佳多阈值组合,问题将变得非常复杂耗时,无法满足实时性的要求,严重阻碍了该方法的发展。
因此,寻求一种高效快速的算法来解决基于多值闽值图像分割的问题将具有重要的意义。
粒子群算法(ParticleSwarmOptimization,PSO)是一种新近出现的启发式全局优化算法[1],该
算法源于鸟类捕食行为的模拟。
粒子群优化算法首先初始化一群随机粒子,然后通过迭代找到最优解。
在每次迭代中,粒子通过跟踪两个“极值”来更新自己。
一个是粒子本身所找到的最优解,即个体极值;另一个是整个种群目前找到的最优解,称之为全局极值解。
粒子群优化算法在全局优化问题中,无论是收敛速度还是全局寻优能力,都表现出了很好的性能。
而基于阈值法的图像分割问题从某种意义上讲就是一个全局优化问题。
1.2粒子群优化算法的研究现状
粒子群优化算法是由美国社会心理学家JamesKennedy博士和电气工程师RussellEberhart博
士在1995年共同提出的[2],其基本思想是受他们早期对鸟群行为研究结果的启发,是一种群体智能
优化算法。
它己成为与遗传算法、蚁群算法和模拟退火算法
并行发展的一种全局优化算法。
粒子群算法同遗传算法类似,也是通过个体间的协作和竞争实
现全局搜索,但它没有遗传算法的交叉以及变异算子,而是粒子在解空间追随最优粒子进行搜索。
由于算法的高效性和易实现性,该算法己经成功地运用于神经网络训练、工业系统优化及控制等领
域[3],并取得了很好的效果。
群体智能己成为人工智能所研究的一个重要领域。
在美国成立了专门的组织研究群体的仿真。
由欧洲联盟资助的群体智能相关研究项目,也于2001年在欧洲多个研究机构启动。
在国内,国家自
然科学基金“十五”期间学科交叉类优先资助领域中,认知科学及其信息处理的研究内容就明确列
出了群体智能的自适应、进化与现场认知以及复杂系统与复杂性。
在2001年3月8日北京召开的第
六届全国人工智能联合会议暨“863”计划智能计算机主题学术会议中,戴汝为院士特邀报告的主要
内容就是群体智能的研究进展。
到现在,国家自然科学基金委员会基本上每年都资助数项粒子群优
化算法相关理论和应用的研究。
IEEE计算智能协会自2003年起每年举行一次群体智能会议,而粒
子群优化算法是会议的重要主题。
1.2.1粒子群算法的研究方向
自粒子群优化算法问世以来,由于它的易实现性和计算快速性,引起了国内外相关领域众多学
者的关注及研究,目前粒子群优化算法的理论与应用研究都取得了很大的进展,对于算法的原理己
有了初步的了解,算法的应用也在不同学科中得以实现。
这些研究领域主要集中在三个方面:
算法的
改进、分析以及应用。
1.2.2粒子群算法的应用现状
实际应用方面,粒子群优化算法己经在优化问题求解、电力系统、人工神经网络训练等诸多领
域得到了成功应用。
人工神经网络训练应用
采用一定的优化算法进行神经网络的训练可以提高神经网络的自学及自组织能力。
目前,优化
算法对神经网络的训练主要集中在网络拓扑结构和网络连接权重上。
神经网络的训练问题是属于超
高维的优化问题。
常用的反射传播算法(BP)难以克服陷入局部最优问题,而遗传算法由于其操作的
复杂,优化速度比较缓慢。
实验研究表明,PSO是一种很有潜力的神经网络训练算法,PSO搜索速
度快而且得到的优化结果较优,克服了上述两种算法的缺点。
电力系统中的应用
粒子群优化算法在电力系统优化中有着广泛的应用,例如在配电网扩展规划、机组组合、检修
计划、无菌优化控制、负荷经济分配、参数辨识、谐波分析与电容配置、优化设计等方面。
口本的
Fuji电力公司的研究人员将著名的RPVC(ReactivePowerandVoltageControl)问题简化为求解函数的
最小值问题,并用改进的PSO算法进行优化求解。
与传统方法如专家系统、敏感性分析相比较,结果证明了PSO算法在解决该问题上的优势。
1.4本论文的主要内容
本文通过对粒子群优化算法的研究,采用Java编程,设计出一套用于图像分割的系统。
基于粒
子群优化算法的图像分割系统,可以将一幅给定的图像进行分割,然后将分割结果保存。
第二部分
系统地介绍了两大类图像分割方法,是本文的主体部分,我参考资料着重介绍了阈值法中的3种图
像分割方法,在了解阈值法法的原理后,然后对比最大类间方差方法,粒子群优化算法,通过eclipse仿真,得出基于粒子群优化算法的图像分割效果图像
2图像分割方法2.1阈值法
阈值分割法[]实际上就是按照某个准则函数求最优阈值的过程,是一种广泛应用的分割技术,
利用图像中要提取的目标物与其背景在灰度特性上的差异,把图像视为具有不同灰度级的两类区域
(目标和背景)的组合,选取一个合适的阈值,以确定图像中每个象素点应该属于目标还是背景区域,从而产生相应的二值图像。
设x,y是二维灰度图像上的点,图像灰度级G二9,1,2,...丄(一般0代表最暗的像素点,
L-1代表最亮的像素点),坐标点x,y上的像素点对应的灰度级为fx,y。
设rg为分割阈值,
e=G,e,代表二值灰度级,且eo,e•Goo灰度函数fx,y在阈值t上的分割结果为:
2.1.1最佳熵阈值法
最大熵阈值法的基本依据是使得图像中目标与背景分布的信息量最大,即通过测量图像灰度直
方图的熵,找出最佳阈值。
信息论中,Shannon熵的定义:
H=J:
p(xJgp(xdx
8
(2)
其中px是随机变量x的概率密度函数,X—般对应灰度图像的灰度值。
将Shannon熵概念用
于图像分割时,通过研究图像灰度直方图的熵测量,由此自动找出分割图像的最佳阈值。
根据Shannon熵概念,对于灰度范围在0L_1的图像,其熵为:
L二
HPilnpi
i£(3)
其中pi为灰度级i出现的概率,对于图像灰度级G=O1,2,...丄-1的图像,t,G为分割阈
兰i兰L—1)h
值,设N,hi表示灰度级i的像素个数,N表示图像的像素总数。
则图像的熵
2.1.2最大类间方差法(Otsu)
最大类间方差是由日本学者大津于1979年提出的一种自动确定阈值的方法,又叫大津法。
该方法是在判别分析最小二乘法原理的基础上得到的,按照图像的灰度信息,将其分成几个不同的类别,且各类别间的类间方差越大,构成图像的各个类别间的差别就越大。
最大类间方差以类间方差为依据,选取类间方差最大的灰度值为最佳阈值,将图像分割成目标和背景两个区域。
设图像灰度级为M,第i级像素ni个,第i级灰度出现的概率为:
(4)
M
N八ni
其中i1
总平均灰度级为:
M
--\iPi
7(5)
tk
CNt八iPiNo八ni
N-No
。
其中0类的平均灰度级为:
心,像素数为:
⑴
C1类的平均灰度级为:
图像的总均值为:
■'<11,其中•’0、‘1分别表示Co、C1在图像中所占的比例,
对于给定图像类间方差为:
222:
二t二0"-1亠心1"-」1
整理得:
(7)
-2t为最佳目标选择函数。
t从1~M变化,使得二2t最大的t*,即为最佳阈值,
2.1.3粒子群优化算法(PSO
粒子群优化算法[7]采用速度-位置搜索模型,每个粒子代表解空间的一个候选解,解的优劣程度由根据具体优化问题建立的适应度函数决定的。
T
设目标搜索空间为D维,群体有M个粒子,Xi=Xi1,Xi2,---,XiD为第i(i二1,2,…,M)个粒子
T
的位置,根据事先设定的适应度函数计算Xi的适应度,用以衡量粒子位置的优劣;
TT
Ni=Vi1,Vi2,--,ViD为第i个粒子的飞行速度,Pi=Pi1,Pi2,…,PiD为粒子i当前搜索到的最优位
T
置,即为个体最优位置,记为pbest;Pg=Pg1,Pg2,...,PgD为整个种群当前搜索到的最优位置,
即为全局最优位置,记为
gbest。
在粒子群最优算法中,每个粒子的速度和位置按照以下公式进行
更新:
其中,d-1,2,…,D,i-1,2,...,M,G,c2为学习因子,r1,r2"是随机数。
算法的主要步骤描述如下:
Step1初始化粒子群,设定群体规模,加速常数,以及最大迭代次数,随机产生每个粒子的初
始位置和初始速度;
Step2计算并评价每个粒子的适应度值;
Step3将每个粒子的适应度值与其自身所经历的最好位置Pbest进行比较,若当前最优,则将
其作为当前的个体最优位置。
对于每一个粒子,将其适应度值与全局所经历的最好位置gbest的适
应度进行比较,若当前较优,将其作为当前的全局最优位置;
Step4根据式(5)和式(6),对种群中粒子的速度及其位置进行更新,产生新的种群;
Step5如果达到最大迭代次数或者最小精度要求,则停止迭代,结束寻优,否则返回Step3。
3实验仿真
3.1基于阈值的图像分割程序及结果分析
在仿真实验中,我们分别使用最佳阈值分割法,一维最大类间方差法和二维最大类间方差法对
图像进行自动分割。
试验中,选取灰度级为256,图像尺度为256*256,以海面为背景包含树木和天
空的图像进行实验。
1)最佳阈值分割法仿真结果:
图3_1最佳阈值分割结果
砌圏罄分罰1傕喷值屈疽分割[u|回
交件边绦检剜图像分割Hough变换
原囹7錐阈值分割
图3_2.1维Otsu阈值分割
图3_3.2维Otsu阈值分割
从实验结果可以看出,对于简单的海面目标图像,图1基于最佳阈值的分割方法的噪声颗粒粗,
面积大,效果不如1维Otsu和2维Otsu。
在1维Otsu算法中,因为1维Otsu算法不能完整地反映图像的局部空间信息,当图像的信噪比减小时,因阈值对噪声很敏感,所以阈值不好确定,造成图
像分割的稳定性和可靠性下降。
2维Otsu因其考虑了图像的局部空间信息,可以排除一些噪声的干
扰,分割稳定性要好些。
2)PSO分割结果
为了检测PSO方法解决图像阂值分割问题的可靠性和准确性,图3和图4分别是两幅768x576
图3_4PSO分割结果
实验中,经改进的PSO算法参数取值如下:
迭代次数T=50,粒子数
N=20,5=2.1,c2=1.2,C3=0.8n=20,随迭代次数从0.8线性减小到0.25;a随迭代次数从
0.1增大到0.7,速度[一4,4]。
当适应度变化量小于0.05时,用灰度梯度值最大的像素灰度值或恒
虚警准则计算门限来初始化粒子群参数,重新设置迭代步数,此时位置更新按式(8)、(9)操作。
图4为原始图基于PSO法求解阈值分割后的图像,其中全局灰度阈值分别为196灰度级和209灰度
级。
由以上程序仿真结果可以看出:
改变阈值参数,仿真结果与图像处理理论相符合,阈值的选取
是阈值分割技术的关键,如果过高,则过多的目标点被误归为背景;如果阈值过低,则无法将目标
点与背景分开。
OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO。
4结束语
本系统把原始图像,用相应的分割方法分割后,将分割结果绘在同一界而上,方便用户观察比较,其图像处理运算过程清晰,运算结果形象直观。
采用菜单形式,模块之间的联系清晰,调用方便,且各系统采用独立模块,方便不同系统间比较观察研究。
本系统利用PSO求解图像分割阈值的
方法,利用背景像素之间灰度的相关性和目标灰度与背景灰度的无关性,在最佳阈值的基础上,利用先验知识完成参数空间的初始化,这样就克服了PSO算法的“振荡”现象和局部收敛的缺点。
试
验结果表明,该方法不仅能够避免陷入局部极值,而且速度也得到了明显的改善,是一种有效的图像分割新方法。
此方法同样适用于图像分割的其它方法,比如Otsu法等,PSO算法在图像分割领域
中具有一定的参考价值。
参考文献
[1]武燕。
粒子群优化及其在图像分割中的应用[D],江苏科技大学,2011.
[2]EberhatR,KennedyJ.Anewoptimizerusingparticleswarmtheory[A].ln:
Proceedingsofthe19956thInternationalSysposiumonMicroMachineandHumanScienee[C].Nagoya,Japan,1995:
39-43.
[3]Hendtlassi,T.AParticleSwarmAlgorithmforHighDimensional,Multi-optimaProblemspaces[A].SwarmIntelligeneeSymposium(SIS2005)[C].2005,149一154.
[4]RussellC.Eberhart.SwarmIntelligeneeandExtendedAnalogComputing[A].Thel3th
InternationalConferenceonNeuralInformationProcessing(ICONIP2OO6)[C].HongKong,2006.
[5]王翠翠,刘大奇,朱静.基于粒了群优化卡尔曼滤波的水下机器人信号处理[fJl.航海工程,
2010,39
(1):
99一102.
[6]孙越宏.基于粒子群优化算法的图像分割研究[D],南京理工大学,2010.
[7]吴玲艳。
基于直方图熵和遗传算法的图像分割法[J].兵工学报,1999,20(3):
255-258.
[8]何元庆。
基于粒子群算法的Ostu法图像阈值分割[J].桂林电子科技大学学报,2005,26(5):
355-358.
电子与信息工程系学年论文(设计)成绩评定表
学生姓名
专业班级
学号
指导老师
职称工作单位
题目:
基于粒子群优化算法的图像分割
指导教师评语:
建议成绩:
指导教师(签字):
年月日
教研室意见:
教研室主任(签字):
年月日