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

T his paper based on the particle swarm optimizati on algorithm, desig ns a set of system for image segme ntati on using Java program min g. Image segme ntati on system based on particle swarm optimizati on algorithm, the image can be a given segmentation, and then the segmentation results would be saved. Image segmentation is the purpose of the interested area from the image, thus providing the basis for the subsequent processing of computer vision. There are many methods of image segmentation, threshold method since its simple realization, becomes a kind of effective method in image segmentation. Particle swarm optimization （PSO） algorithm is a stochastic global optimization technique; it finds optimal regions of complex search spaces for threshold time shorte ned through the in teractio n betwee n particles. Therefore, particle swarm optimization algorithm of image segmentation based on particle swarm optimization algorithm based on optimizati on tools; establish segme ntati on method with adaptive and robust. Therefore, it is possible for us in the shortest possible time to accurately determ ine the segme ntati on threshold.

Key word s: PSO, image segmentation, threshold method, 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(Particle Swarm Optimization, 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James Kennedy博士和电气工程师Russell Eberhart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。