布谷鸟搜索算法在多阈值图像分割中的应用
基于改进布谷鸟搜索算法的图像分割
基于改进布谷鸟搜索算法的图像分割李瑞芳【摘要】针对布谷鸟搜索算法在应用其进行图像分割时计算量大、易陷入局部极小值解、收敛速度慢的问题.文中采用一种基于改进布谷鸟搜索算法的多阈值图像分割算法.该算法以Ostu算法设计自适应度函数,将布谷鸟搜索算法和K均值算法融合,增加种群的多样性,且能自适应地确定阈值个数及其范围,并找到待分割图像的最优阈值.实验结果表明,与K均值算法和布谷鸟搜索算法相比,该算法找到的阈值质量更佳,图像分割结果更好.【期刊名称】《电子科技》【年(卷),期】2016(029)005【总页数】3页(P105-107)【关键词】词图像分割;阈值分割;K均值【作者】李瑞芳【作者单位】西安电子科技大学数学与统计学院,陕西西安710126【正文语种】中文【中图分类】TP391.41图像分割的核心思想是通过采取一定的技术手段提取目标区域,是图像分析之前的必要准备。
分割图像的方法有多种,其中最经典的当属大津算法,即Ostu法[1]及其各种改进方法[3-4]。
基于聚类分析的图像分割方法也是较为常见的图像分割方法,K均值算法便是其中一种。
利用K均值算法做图像分割实质上就是以反复迭代的方法对图像像素点进行划分分类,求得一个较好的像素分组。
K均值算法因其算法简单、收敛速度较快等优势,在图像处理领域得到了广泛应用[5-6]。
近年来,随着生物启发式算法的迅速发展,研究者们也顺势将这些启发式算法成功应用于图像处理领域,如布谷鸟搜索算法(CS)[2]便可应用于图像分割。
文献[2]表明在多峰值优化问题中,CS算法要比PS0算法、GA算法的稳定性和遗传性要好,且CS 算法结构简单、参数少。
但CS算法也存在收敛速度慢、搜索精度低、易陷入局部极小值点等不足。
Walton等人建议使用随代数递减的步长因子来加速算法的收敛速度[7],Valian等人提出自适应步长和自适应发现概率的自适应CS算法[8]。
此外,还有诸多学者对CS算法进行研究[9-11],但CS算法所固有的缺点仍未得到较好地克服。
(完整版)基于优化问题的多目标布谷鸟搜索算法毕业设计
基于优化问题的多目标布谷鸟搜索算法关键字:布谷鸟搜索、元启发式算法、多目标、最优化摘要:在工程设计方面,很多问题都是典型的多目标问题,而且,都是复杂的非线性问题。
现在我们研究的优化算法就是为了解决多目标化的问题,使得与单一目标问题的解决有明显的区别,计算结果和函数值有可能会增加多目标问题的特性。
此时,元启发式算法开始显示出自己在解决多目标优化问题中的优越性。
在本篇文章中,我们构造了一个新的用于解决多目标优化问题的算法——布谷鸟搜索算法。
我们通过一系列的多目标检验函数对其的有效性已经做出来检验,发现它可以应用于解决结构设计等问题中去,例如:光路设计、制动器设计等。
另外,我么还对该算法的主要特性和应用做了相关的分析。
1.简介在设计问题中经常会考虑到很多多重的复杂问题,而且这些问题往往都具有很高的非线性性。
在实际中,不同的目标之间往往会有分歧和冲突,有时候,实际的最优化解决方案往往不存在,而一些折中的和近似的方案往往也可以使用。
除了这些挑战性和复杂性以外,设计问题还会受到不同设计目标的约束,而且还会被设计代码、设计标准、材料适应性、和可用资源的选择,以及设计花费等所限制,甚至是关于单一目标的全局最优问题也是如此,如果设计函数有着高度的非线性性,那么全局最优解是很难达到的,而且,很多现实世界中的问题经常是NP- ,为整数时,我们有当图2表明他们在100步之内的飞行路线时,图1则表示他们飞行100个步长所遵循的levy分布图。
这一情况指出levy飞行比布朗随机游动在发现事物方面的能力要有效的多,以内其有着较大的搜索范围。
对于他的有效性,又很多原因可以作为解释,其中一种是由于levy的方差比布朗运动的线性关系有着更快的增长率。
(10)2.3 多布标布谷鸟搜索算法在最初由杨新社教授和Deb教授提出的单一目标的布谷鸟优化算法中使用了三条基本的准则:(1)每一只布谷鸟一次只产一个蛋,然后会将你这一只蛋丢到随机选择的一个巢穴中。
改进的布谷鸟算法,布谷鸟算法和粒子群算法
改进的布谷鸟算法,布谷鸟算法和粒子群算法改进的布谷鸟算法(Improved Cuckoo Search Algorithm)、布谷鸟算法(Cuckoo Search Algorithm)和粒子群算法(Particle Swarm Optimization)是现代优化算法中常用的三种启发式算法。
本文将逐步回答关于它们的定义、原理、应用和优化效果等问题。
一、布谷鸟算法的定义和原理1. 布谷鸟算法的定义布谷鸟算法是一种基于生物学启发的优化算法,模拟了鸟巢寄生行为。
它首先随机初始化一组“布谷鸟”个体,每个鸟个体对应一个解,之后它们根据适应度函数评估各自解的好坏程度。
较好的解将以概率性地替换较差的解,从而通过迭代搜索过程逐渐改进。
2. 布谷鸟算法的原理布谷鸟算法的原理主要包括布谷鸟的寄生行为、布谷鸟的拾取和布谷鸟的放置。
(1)布谷鸟的寄生行为:布谷鸟在随机选择巢穴进行寄生时,采用了Levy飞行策略,在搜索空间中执行长距离跳跃,以避免陷入局部最优解。
(2)布谷鸟的拾取:布谷鸟在拾取巢穴时,通过“拟合度”来表示适应度,较好的拟合度对应着较好的解。
拾取行为是布谷鸟算法的核心步骤,根据随机概率选择是否拾取巢穴。
(3)布谷鸟的放置:布谷鸟在放置巢穴时,采用了随机遗忘策略,即通过一定的概率丢弃部分已有解,从而引入新的解以增加搜索空间的多样性。
二、粒子群算法的定义和原理1. 粒子群算法的定义粒子群算法是一种模拟鸟群行为的启发式优化算法,模拟了鸟群中个体间的信息共享和合作搜索过程。
每个粒子代表一个解,群体中所有粒子共同协作寻找最优解。
2. 粒子群算法的原理粒子群算法的原理主要包括粒子的更新和群体中最优解的更新两个主要步骤。
(1)粒子的更新:每个粒子通过学习自身的历史最优解和群体全局最优解,以确定自身下一步的移动方向和速度。
这一过程利用了惯性、个体认知和社会认知三个因素。
(2)群体中最优解的更新:每个粒子将自身的历史最优解与群体中当前的最优解进行比较,并更新全局最优解。
阈值分割的原理与应用
阈值分割的原理与应用1. 概述阈值分割是一种常用的图像分割方法,通过将图像的像素值与事先设定的阈值进行比较,将像素点分为不同的区域,从而达到图像分割的目的。
本文将介绍阈值分割的原理,并讨论其在不同领域的应用。
2. 阈值分割的原理阈值分割的原理比较简单,主要分为以下几个步骤:2.1 图像灰度化在进行阈值分割之前,首先需要将彩色图像转化为灰度图像。
通过对彩色图像的每个像素点的RGB值进行加权平均,可以得到相应的灰度值。
2.2 确定阈值在阈值分割中,最关键的一步是确定阈值。
根据图像的特点以及应用需求,可以采用不同的方法来选择阈值。
常见的方法有全局阈值法、自适应阈值法、Otsu 方法等。
2.3 分割图像根据确定的阈值,将图像中的像素点分为两类:一类是大于阈值的像素点,另一类是小于等于阈值的像素点。
根据应用的需求,可以将分割后的像素点设为黑色或白色。
3. 阈值分割的应用阈值分割在图像处理领域有广泛的应用,下面将介绍一些常见的应用场景。
3.1 文字识别阈值分割可以用于文字识别中,通过将图像中的文字与背景分离,可以提高文字识别的准确率。
在文字识别中,可以根据文字与背景的灰度差异来确定阈值,然后将文字与背景进行分割。
3.2 图像增强阈值分割可以用于图像增强中,通过将图像的主要目标与背景分割开来,可以突出图像的主要内容。
在图像增强中,可以根据像素点与周围像素点的灰度差异来确定阈值,然后将目标与背景进行分割。
3.3 目标检测阈值分割可以用于目标检测中,通过将目标与背景分离,可以提高目标检测的准确率。
在目标检测中,可以根据目标的灰度与周围像素点的灰度差异来确定阈值,然后将目标与背景进行分割。
3.4 医学图像分析阈值分割在医学图像分析中也有广泛的应用。
例如,可以通过将肿瘤与正常组织分割开来,来进行肿瘤的定位与分析。
4. 总结阈值分割是一种简单而有效的图像分割方法,通过将图像的像素值与事先设定的阈值进行比较,可以将图像中的目标与背景分离。
多阈值图像分割
多阈值图像分割概述摘要:多阈值分割是现代图像处理中不可或缺的一部分。
它主要指通过设定多个阈值将图像中感兴趣的目标标记出来。
阈值的选取非常关键,它关系到分割后的结果的好坏。
Ostu法也称之为最大类间法是多阈值图像分割中比较常用且完善的方法。
由于多阈值图像分割对于图像处理的重要性,多阈值图像分割被广发应用于现代生产生活的方方面面。
关键词:图像分割,多阈值,遗传算法,ostu1.引言图像分割是图像处理和前期视觉中的基本技术,是大多数图像分析和视觉系统的重要组成部分。
其中阈值的自动选取,是图像分割中研究的重点和焦点。
多阈值图像分割的应用领域非常广泛,如医学图像的分析诊断、交通中的智能识别、卫星遥感图片识别处理等等。
2.多阈值图像分割定义2.1图像分割所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显的不同。
图像分割的方法有基于阈值的分割、基于区域的分割和基于边缘的图像分割。
2.2多阈值分割所谓多阈值也是为了在图像中分割出多片区域从而设定多个阈值。
阈值分割方法的特点是实现简单、计算量小、性能较稳定。
所以多阈值图像分割成为图像分割中最基本和应用最广泛的分割技术。
3.多阈值分割原理3.1阈值分割原理一般意义下,阈值运算可以看作是对图像中某点的灰度、该点的某种局部特性以及该点在图像中的位置的一种函数,这种阈值函数可记作T(x,y,N(x,y),f(x,y))式中,f(x,y)是点(x,y)的灰度值;N(x,y)是点(x,y)的局部邻域特性.根据对T的不同约束,可以得到3种不同类型的阈值,即点相关的全局阈值T=T(f(x,y))(只与点的灰度值有关)区域相关的全局阈值T=T(N(x,y),f(x,y))(与点的灰度值和该点的局部邻域特征有关)局部阈值或动态阈值T=T(x,y,N(x,y),f(x,y))(与点的位置、该点的灰度值和该点邻域特征有关)所有这些阈值化方法,根据使用的是图像的局部信息还是整体信息,可以分为上下文无关(non-contex tual)方法(也叫做基于点(point-depend ent)的方法)和上下文相关(contex tual)方法(也叫做基于区域(region-dependent)的方法);根据对全图使用统一阈值还是对不同区域使用不同阈值,可以分为全局阈值方法(global thresh oldin g)和局部阈值方法(local thresh oldin g,也叫做自适应阈值方法a dapti ve thresh olding)。
用多阈值多目标无人机图像分割优化算法检测秸秆覆盖率
第36卷第20期农业工程学报 V ol.36 No.20134 2020年10月Transactions of the Chinese Society of Agricultural Engineering Oct. 2020 用多阈值多目标无人机图像分割优化算法检测秸秆覆盖率刘媛媛1,孙嘉慧1,张书杰1,于海业2,王跃勇3※(1. 吉林农业大学信息技术学院,长春 130118;2. 吉林大学工程仿生教育部重点实验室,长春 130025;3. 吉林农业大学工程技术学院,长春 130118)摘要:为了适应航拍采集秸秆覆盖图像大尺度处理需求,提高当前多阈值差分灰狼优化算法(Differential Evolution Grey Wolf Optimizer,DE-GWO)的图像分割质量和速度,提出一种用于检测秸秆覆盖率的图像分割优化算法。
该研究借鉴了人工蜂群多目标灰狼优化算法(Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimizer,AS-MOGWO),在DE-GWO算法中加入了多目标灰狼优化算法(Multi-Objective Grey Wolf Optimizer,MOGWO)的外部存档,引入多目标的概念,并添加了人工蜂群算法(Artificial Bee Colony,ABC)中观察蜂的搜索策略,提出了基于多阈值的多目标秸秆覆盖图像自动分割的优化算法(Differential Evolution Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimization,DE-AS-MOGWO)。
该算法不仅继承了DE-GWO算法的自动分割特性,还兼备AS-MOGWO算法的高效收敛性,提高了图像分割的准确性和处理速度。
分析结果显示,在无外界影响的情况下,该研究提出的DE-AS-MOGWO优化算法与人工实际测量法匹配的误差可控制在8%以内。
改进布鸟搜索算法最大熵值的医学图像分割
改进布鸟搜索算法最大熵值的医学图像分割
李爱菊;钮文良;王廷梅
【期刊名称】《计算机仿真》
【年(卷),期】2014(31)8
【摘要】研究医学图像分割问题.医学图像是医学影像的分析基础,医学图像由于组织边缘模糊和灰度不均匀含噪声等特点,导致最大熵值分割医学图像算法难以进行准确分割,分割精度低,为了提高医学图像分割的准确性,提出一种改进布鸟搜索算法优化最大熵值的医学图像分割方法.首先由最大熵法找到医学图像分割目标函数,然后采用改进布谷鸟搜索算法对目标函数进行优化,找到医学图像的最佳分割点,实现医学图像分割,最后采用多幅医学图像进行仿真,以测试算法性能.结果表明,改进方法不仅解决了传统最大熵值医学图像分割算法存在的缺陷,同时提高医学图像分割的精度,并且具有较好的鲁棒性,具有较好的实际应用价值.
【总页数】6页(P421-426)
【作者】李爱菊;钮文良;王廷梅
【作者单位】北京联合大学,北京102200;北京联合大学,北京102200;北京联合大学,北京102200
【正文语种】中文
【中图分类】TP311
【相关文献】
1.基于布谷鸟搜索算法的最大似然DOA估计 [J], 张义元;张志成;石要武;刘昱兵
2.改进布谷鸟搜索算法在多机器人任务分配及路径规划中的应用 [J], 谢永盛;曾箫潇;冯文健
3.基于模糊C均值与改进布谷鸟优化的医学图像分割 [J], 易天源;贺松;郑光敏
4.基于模糊C均值与改进布谷鸟优化的医学图像分割 [J], 易天源;贺松;郑光敏
5.基于改进布谷鸟搜索算法的多传感器调度方法 [J], 魏文凤;刘昌云;田桂林;岳韶华
因版权原因,仅展示原文概要,查看原文内容请购买。
基于改进麻雀搜索算法的多阈值图像分割
收稿日期:2020 08 14;修回日期:2020 09 13;网络优先出版日期:2020 11 06。 网 络 优 先 出 版 地 址 :https:∥kns.cnki.net/kcms/detail/11.2422.TN.20201106.1803.018.html 引 用 格 式 :吕 鑫 ,慕 晓 冬 ,张 钧 .基 于 改 进 麻 雀 搜 索 算 法 的 多 阈 值 图 像 分 割 [J].系 统 工 程 与 电 子 技 术 ,2021,43(2):318327. 犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋:LYU X,MU X D,ZAHNGJ.Multithresholdimagesegmentationbasedonimprovedsparrowsearchalgorithm[J]. SystemsEngineeringandElectronics,2021,43(2):318327.
犓犲狔狑狅狉犱狊:imagesegmentation;improvedsparrow searchalgorithm (ISSA);multithreshold;Otsu; Kap处 理 的 关 键 环 节 ,其 目 的 是 从 图 像 中 提 取 出 感 兴 趣 的 目 标 区 域 。 [1] 阈 值 分 割 作 为 一 种 简 单 有 效 的 分 割 方 法 ,被 广 泛 应 用 于 各 领 域 的 图 像 处 理 ,主 要 包
第 43 卷 第 2 期
系统工程与电子技术
Vol.43 No.2
2021 年 2 月
SystemsEngineeringandElectronics
February2021
文 章 编 号 :1001506X(2021)02031810
网 址 :www.sysele.com
布谷鸟算法的应用案例
布谷鸟算法的应用案例
布谷鸟算法是一种模拟布谷鸟繁殖行为的优化算法,常用于解决各种优化问题。
以下是一些布谷鸟算法的应用案例:
1. 函数优化:布谷鸟算法可以用于优化各种函数,如多峰值函数、约束优化函数等。
通过模拟布谷鸟的巢穴选择和蛋孵化行为,可以找到函数的极值点或最优解。
2. 组合优化:布谷鸟算法可以应用于各种组合优化问题,如旅行商问题、背包问题、图着色问题等。
这些问题通常需要寻找一组最优解,布谷鸟算法可以通过模拟布谷鸟的繁殖行为来找到这些最优解。
3. 机器学习:布谷鸟算法可以应用于机器学习领域,如分类、聚类、特征选择等。
通过模拟布谷鸟的繁殖行为,可以训练出更好的模型或找到最优的特征组合。
4. 电力系统:布谷鸟算法可以应用于电力系统的优化问题,如电力网络的可靠性评估、负荷均衡、优化调度等。
通过模拟布谷鸟的繁殖行为,可以找到最优的解决方案。
5. 通信网络:布谷鸟算法可以应用于通信网络的优化问题,如路由选择、流量均衡、信道分配等。
通过模拟布谷鸟的繁殖行为,可以找到最优的解决方案。
总之,布谷鸟算法在许多领域都有广泛的应用,其优点包括简单易实现、全局搜索能力强、能够处理多峰值问题等。
(完整版)基于优化问题的多目标布谷鸟搜索算法毕业论文
基于优化问题的多目标布谷鸟搜索算法关键字:布谷鸟搜索、元启发式算法、多目标、最优化摘要:在工程设计方面,很多问题都是典型的多目标问题,而且,都是复杂的非线性问题。
现在我们研究的优化算法就是为了解决多目标化的问题,使得与单一目标问题的解决有明显的区别,计算结果和函数值有可能会增加多目标问题的特性。
此时,元启发式算法开始显示出自己在解决多目标优化问题中的优越性。
在本篇文章中,我们构造了一个新的用于解决多目标优化问题的算法——布谷鸟搜索算法。
我们通过一系列的多目标检验函数对其的有效性已经做出来检验,发现它可以应用于解决结构设计等问题中去,例如:光路设计、制动器设计等。
另外,我么还对该算法的主要特性和应用做了相关的分析。
1.简介在设计问题中经常会考虑到很多多重的复杂问题,而且这些问题往往都具有很高的非线性性。
在实际中,不同的目标之间往往会有分歧和冲突,有时候,实际的最优化解决方案往往不存在,而一些折中的和近似的方案往往也可以使用。
除了这些挑战性和复杂性以外,设计问题还会受到不同设计目标的约束,而且还会被设计代码、设计标准、材料适应性、和可用资源的选择,以及设计花费等所限制,甚至是关于单一目标的全局最优问题也是如此,如果设计函数有着高度的非线性性,那么全局最优解是很难达到的,而且,很多现实世界中的问题经常是NP-hard的,这就意味着没有一个行之有效的算法可以解决我们提出的问题,因此,对于一个已经提出的问题,启发式算法和科学技术与具体的学科交叉知识经常被用于其中,用来作为解决问题的向导。
另一方面,元启发算法在解决此类优化问题方面是非常有效的,而且已经在很多刊物和书籍中得以运用,与单一目标的优化问题相反的是,多目标优化问题具有典型的复杂性和困难性,在单一目标的优化问题中我们必须去找出一个最优化的解决方法,此方法在问题的解决中存在着一个单一的点,并且在此问题中不包括那些多重的、平均优化的点,对于一个多目标的优化问题,存在着名为Pareto-front的多重的复杂的优化问题,为了了解我们所不熟悉的Pareto-front问题,我们需要收集并整理很多不同的方法,从而,此计算结果将会随着近似解的变化、问题的复杂度和解决方法的多样性而有所变化甚至增加。
基于改进布谷鸟搜索算法的图像分割
基于改进布谷鸟搜索算法的图像分割
朱浩亮;李光平
【期刊名称】《计算机工程与设计》
【年(卷),期】2018(039)005
【摘要】为解决当前图像分割算法对噪声鲁棒性差的缺陷,改善图像分割的效果,设计基于改进布谷鸟搜索算法的图像分割方法.对标准布谷鸟搜索算法进行改进,加快算法收敛速度和寻优效率,采用改进布谷乌搜索算法对主动轮廓模型的能量最小化控制点进行搜索,通过不断迭代找到新的控制点,实现图像的分割.采用图像分割实例对改进布谷鸟搜索算法的有效性和优越性进行测试,测试结果表明,改进算法可以提高图像的分割精度,对噪声不敏感,获得了较其它方法更优的图像分割效果,分割精度和速度均可以满足实际应用的要求.
【总页数】6页(P1428-1432,1456)
【作者】朱浩亮;李光平
【作者单位】南宁学院机电学院,广西南宁530023;南宁学院机电学院,广西南宁530023
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于改进布谷鸟搜索算法的图像分割 [J], 李瑞芳
2.基于自适应布谷鸟搜索算法的Tsallis熵阈值图像分割 [J], 黄毅英;黄河清
3.基于混沌算法的改进布谷鸟搜索算法及其应用 [J], 殷文明;李辉
4.基于混沌算法的改进布谷鸟搜索算法及其应用 [J], 殷文明;李辉
5.基于改进布谷鸟搜索算法的多传感器调度方法 [J], 魏文凤;刘昌云;田桂林;岳韶华
因版权原因,仅展示原文概要,查看原文内容请购买。
多目标布谷鸟算法
多目标布谷鸟算法多目标布谷鸟算法(Multi-objective Cuckoo Search Algorithm,MOCSA)是一种优化算法,由于其可解决多种目标不同的优化问题而广受欢迎。
它基于布谷鸟算法(Cuckoo Search Algorithm,CSA)发展而来,通过优化其算法结构和引入多目标优化方法,进一步提升了算法的性能。
MOCSA的核心思想是模仿布谷鸟卵的行为,将搜索空间分为多个区域,每个区域都有一个布谷鸟种群,每个种群通过互相寻找配对对象,进行交叉操作和迁移操作,最终产生新的种群和新的解。
这样的操作可以产生更多的解,并且可以探索更全面的搜索空间,从而得到更加优秀的解。
与传统的单目标优化算法相比,MOCSA拥有更高的效率和更广的适应性,能够找到近似最优的非支配前沿解。
为了实现这一目标,MOCSA采用多种技术手段,例如使用多元适应值函数作为目标函数来评价解的优劣,设计适应值的共享策略来实现不同区域之间的信息共享,使用随机选择方法来引入多样性,以及采用合适的收敛准则来保证算法的稳定性和收敛性。
MOCSA的应用范围非常广泛,常见的领域包括机器学习、图像处理、信号处理、电力网络、智能制造等。
在这些领域中,MOCSA可以用于优化多种复杂的问题,例如特征选择、参数优化、多目标任务分配、能源优化、负载均衡等。
同时,与其他算法相比,MOCSA具有易于实现、参数设置简单、收敛速度快等优点,因此被广泛运用于实践中。
总之,MOCSA是一种有潜力的多目标优化算法,已经在实际问题中展现出了出色的性能和应用前景。
其优秀的搜索策略和全面的搜索能力能够为多种行业领域带来更加智能化和高效的解决方案,同时也推动了优化算法的不断发展和进步。
布谷鸟搜索算法在多阈值图像分割中的应用
、 b1 . 3 9
No . 7
计
算
机
工
程
2 0 1 3年 7月
J u l y 2 0 l 3
Co mp me r Eng i n e e r i n g
・
图形图像处理 ・
文章编号l 1 0 0 0 — - 3 4 2 8 ( 2 o 1 3 ) 0 7 — 2 7 4 — 0 5
a l g o r i t h m b a s e d o n C u c k o o S e a r c h ( CS ) a l g o r i t h m i s p r o p o s e d i n t h i s p a p e r . T h i s a l g o r i t h m e mp l o y s Ot s u me t h o d a s t h e i f t n e s s f u n c t i o n ,
( Co l l e g e o f C o mp u t e r S c i e n c e , S h a a n x i No r ma l Un i v e r s i t y , Xi ’ a n 7 1 0 0 6 2 , C h i n a )
[ A b s t r a c t ]A i mi n g a t t h e p r o b l e m o f s e a r c h i n g m u l t i p l e t h r e s h o l d s b y e x h a u s t i v e s e a r c h , a n e w i ma g e m u l t i — t h r e s h o l d s e g me n t a t i o n
基于改进布谷鸟算法的彩色图像多阈值分割
关键 词 :彩 色图像 ;多阈值分割 ;布谷鸟算法 ;寄生 巢位置 ;步长 因子 ;发现概 率;Ts a l l i s熵 中图法分类号 : TP 3 9 1 文献标识号 : A 文章编号 :1 0 0 0 — 7 0 2 4( 2 0 1 6 )1 2 — 3 3 2 2 — 0 5
基于改进布谷鸟优化的模糊聚类图像分割
Fu z z y Cl u s t e r i n g I ma g e Se g me n t a t i o n Al g o r i t h m Ba s e d o n I mpr o v d e Cu c k o o Se a r c h Z HU Ch u n LI Li n - g u o GUO J i a n
( J i a n g s u Hi g h T e c h n o l o g y R e s e a r c h Ke y L a b o r a t o r y f o r Wi r e l e s s S e n s o r Ne t wo r k s , Na n j i n g 2 1 0 0 0 3 , Ch i n a )
摘 要 模 糊 C均值 聚类算法( F C M) 是 一种应 用非 常广泛 的聚 类算 法, 但是 它受初始 聚类 中心 影响较 大, 容 易陷入
局部 最优 。在 标准布谷 乌算法( C S ) 的基础 上提 出改进布 谷 鸟优 化算 法( I C S ) , 将发 现概 率 P 由 固定值 转 变成 随迭代 次数逐 渐减 小的 变量 , 这样不仅 可以提 高搜 索种群 的质 量 , 而且保 证 了算法的 收敛 。因此 , 可以将 改进 布谷 鸟优 化 算 法 用于 F C M 算法聚类 中心 生成 的过 程( I C S _ F C M) , 从 而有效地避免 F C M 陷入 局部 最优 。改进的算 法具有 良好的 聚 类效果和运行 速度 。实现基 于改进 布谷 鸟优化 的 F C M 图像分割 , 并与基 于模拟 退 火的 F C M 算 法( S A F C M) 进行 对 比。由实验 结果可知 , 该算法( I C S _ F C M) 不仅取得 了较好的分割 效果 , 效率上也有 明显 的提 高。 关键词 图像 分割 , 改进 布谷鸟优化 算法 , 模 糊 C均值聚 类
布谷鸟搜索算法在多阈值图像分割中的应用
2
布谷鸟搜索算法
布谷鸟最为人熟知的特性是孵卵寄生性。在自然界中,
由于布谷鸟自己没有孵化能力,因此它常常把卵放在其他 鸟的巢中,靠养父母孵化和育雏。在通常情况下,布谷鸟 的卵形似寄主的卵(拟态),这减少了寄主将它抛弃的可能。 同时,布谷鸟会移走寄主的一个或更多的卵,以免被寄主 看出卵数的增加,又减少了寄主幼雏的竞争。如果寄主发 现了布谷鸟的卵,则会把布谷鸟的卵扔出自己的巢外,或
第 39 卷 第 7 期
柳新妮,马
苗:布谷鸟搜索算法在多阈值图像分割中的应用
275
者重新选择一个地方搭建鸟巢[10-11]。 2.1 布谷鸟搜索算法实现的理想状态 自然界布谷鸟随机寻找一个合适的鸟窝位置来孵化自
最终达到最优状态。近年来,基于最大类间方差的 Otsu 法 已成功应用于图像的双阈值分割,本文拟利用 Otsu 法,实 现图像多阈值分割[12]。 本文研究灰度图像的多阈值分割方法。设一幅灰度图 像可用 L 个灰度级表示,其中, L ∈ [1, 256] ,灰度级为 i 的 像素出现的概率为 Pi , Pi =
2
1β
(5)
布谷鸟搜索算法中每个鸟窝中鸟蛋的个数即待分割图 像的阈值个数 m ,即 Otsu 函数的变量个数。每个鸟窝中的 鸟蛋可看作图像的可能阈值, 即 Otsu 函数的参数 (t1 , t2 ,⋯,
其中, Γ 表示标准伽玛函数; σv = 1 ; 本文取 β = 3 2 ;g best 表示当前质量最好的鸟窝。 Step4 依照概率 p 按照下式改进质量较差的鸟窝:
基金项目: 基金项目:国家自然科学基金资助项目(10974130);陕西省青年科技新星基金资助项目(2011kjxx17);陕西省自然科学基金资助项目 (2011JQ8009) 作者简介: 作者简介:柳新妮(1986-),女,硕士研究生,主研方向:智能信息处理;马 苗(通讯作者),教授、博士 收稿日期: 收稿日期:2012-07-30 修回日期: 修回日期:2012-09-24 E-mail:mmthp@
布谷鸟搜索算法在多阈值图像分割中的应用
布谷鸟搜索算法在多阈值图像分割中的应用柳新妮;马苗【期刊名称】《计算机工程》【年(卷),期】2013(039)007【摘要】穷举式搜索在寻找多个分割阈值时,计算较为复杂.为解决该问题,提出一种基于布谷鸟搜索算法的多阈值图像分割算法.以Otsu法设计适应度函数,利用布谷鸟搜索算法的并行寻优性能寻找待分割图像的最优阈值.实验结果表明,与细菌觅食算法和人工蜂群算法相比,该算法的寻优速度更快,找到的阈值质量更高.%Aiming at the problem of searching multiple thresholds by exhaustive search,a new image multi-threshold segmentation algorithm based on Cuckoo Search(CS) algorithm is proposed in this paper.This algorithm employs Otsu method as the fitness function,and uses the favorable parallel searching performance of CS algorithm to quickly and accurately find the optimal thresholds of the image to be segmented.Experimental results show that CS algorithm outforms Bacterial Foraging(BF) algorithm and Artificial Bee Colony(ABC)algorithm in terms of segmentation speed and segmentation thresholds.【总页数】5页(P274-278)【作者】柳新妮;马苗【作者单位】陕西师范大学计算机科学学院,西安710062;陕西师范大学计算机科学学院,西安710062【正文语种】中文【中图分类】TN911.73【相关文献】1.Otsu方法在多阈值图像分割中的应用 [J], 王磊;段会川2.改进的混合蛙跳算法及其在多阈值图像分割中的应用 [J], 张新明;程金凤;康强;王霞3.引力搜索算法在多阈值图像分割中的应用研究 [J], 万仁远;侯爱莲4.正余弦优化算法在多阈值图像分割中的应用 [J], 鲍小丽;贾鹤鸣;郎春博;彭晓旭;康立飞;李金夺5.基于自适应布谷鸟搜索算法的Tsallis熵阈值图像分割 [J], 黄毅英;黄河清因版权原因,仅展示原文概要,查看原文内容请购买。
基于增强布谷鸟算法的彩色图像多阈值分割
基于增强布谷鸟算法的彩色图像多阈值分割蒲国林;邱玉辉【摘要】为提高彩色图像多阈值分割的速度和质量,针对布谷鸟算法的缺陷,对每一次莱维飞行结束后,提出一个新的寻优方程进行寻优引导,并对发现概率和步子因子都各提出了一个新的运行方程,以此为基础,提出了一种增强布谷鸟算法(ECS),并以此ECS算法作用于彩色图像多阈值分割中,通过本文所提出算法和标准粒子群算法及标准布谷鸟算法的对比实验表明,本文所提的ECS算法无论在彩色图像分割的主观效果上还是客观效果上都是最好的,完全能运用于实际的多阈值分割中。
%In order to improve the speed and quality of color image segmentation, aiming at the limitation of the cuckoo algorithm, every time after the end of the Lévy flight, a new optimization seeking equation is proposed, and the discovery probability and the pace factor are respectively proposed a new operating equation. Based on this, proposed an enhanced cuckoo algorithm (ECS),and the ECS algorithm is based on the multi threshold segmentation of color image. Through the comparison of the proposed algorithm (ECS), the standard PSO algorithm and the standard CS algorithm,the ECS algorithm is the best of both subjective and objective results, fully able to be applied to the actual multi threshold segmentation.【期刊名称】《电子设计工程》【年(卷),期】2016(024)012【总页数】5页(P9-13)【关键词】彩色图像;多阈值分割;布谷鸟算法;发现概率;步长因子;粒子群算法【作者】蒲国林;邱玉辉【作者单位】四川文理学院计算机学院,四川达州 635000;西南大学计算机与信息科学学院,重庆 400715【正文语种】中文【中图分类】TN911.73图像分割特别是彩色图像分割是数字图像处理的重要步骤,现在已经广泛应用于目标检测、视觉跟踪、场景理解和基于内容的图像检索等方面。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
tm ) ,本文研究 256 灰度级图像,则 (t1 , t2 ,⋯, tm ) 的范围为
(3)
[0, L − 1] 。因此,布谷鸟找到最佳鸟窝的过程,即算法找
X i(t +1) = X i( t ) + rand × ( X (jt ) − X i( t ) )
的一个鸟窝。
其中, rand 是 [0,1] 之间的一个随机数; X (jt ) 是 X i(t ) 附近 Step5 改进后的鸟窝与当前质量最优的鸟窝进行比较, 并保留质量较优的鸟窝。 Step6 执行 Step2~Step5 直到达到预先设定的搜索代数 为止,输出质量最好的鸟窝。
数。如果阈值 t 把图像分为目标和背景 2 类,则目标部分的 概率 ω0 ,背景部分的概率 ω1 (ห้องสมุดไป่ตู้ ) ,目标部分的均值 µ0 (t ) , 背景部分的均值为 µ1 (t ) , 且 ω0 + ω1 = 1 。 其中, ω0 = ∑ Pi ,
i =0 t
主要步骤如下: Step1 鸟窝初 始化。随 机产 生鸟窝 X = ( X 1 , X 2 ,⋯ ,
到 Otsu 函数一组最优参数的过程,即找到式(4)的最大值的 过程。
4
实验结果及分析
为验证布谷鸟搜索算法在多阈值图像分割中的有效
性,并比较其与细菌觅食算法以及人工蜂群算法的寻优速 度以及寻优质量。选择以下公开的标准测试图像:Lena , Airplane,Pepper,Hunter,Cameraman,Boat 共 6 幅图像 作为本文实验图像。 4.1 基于布谷鸟搜索算法的多阈值分割结果 以式(4)为布谷鸟搜索算法的适应度函数,利用布谷鸟
2 2 从均匀分布,即 u ~ N (0,σ u ) , v ~ N (0,σ v )。
∑ Pi ; µm−1 =
tm
(2)
i =tm −1 +1
∑ iPi ωm−1 。
tm
其中, 系数 0.01 是 Lévy flight 中典型的飞行尺度;u 和 v 服
* * * 设图像的分割阈值为 (t1 , t2 ,⋯, tm ), 则利用布谷鸟搜索
布谷鸟搜索算法在多阈值图像分割中的应用 布谷鸟搜索算法在多阈值图像分割中的应用
柳新妮, 柳新妮,马 苗
(陕西师范大学计算机科学学院,西安 710062) 摘 要:穷举式搜索在寻找多个分割阈值时,计算较为复杂。为解决该问题,提出一种基于布谷鸟搜索算法的多阈值图像分割算 法。以 Otsu 法设计适应度函数,利用布谷鸟搜索算法的并行寻优性能寻找待分割图像的最优阈值。实验结果表明,与细菌觅食算 法和人工蜂群算法相比,该算法的寻优速度更快,找到的阈值质量更高。 关键词: 关键词:布谷鸟搜索算法;图像分割;穷举式搜索;多阈值;Otsu 法
Application of Cuckoo Search Algorithm in Multi-threshold Image Segmentation
LIU Xin-ni, MA Miao
(College of Computer Science, Shaanxi Normal University, Xi’an 710062, China) 【Abstract】Aiming at the problem of searching multiple thresholds by exhaustive search, a new image multi-threshold segmentation algorithm based on Cuckoo Search(CS) algorithm is proposed in this paper. This algorithm employs Otsu method as the fitness function, and uses the favorable parallel searching performance of CS algorithm to quickly and accurately find the optimal thresholds of the image to be segmented. Experimental results show that CS algorithm outforms Bacterial Foraging(BF) algorithm and Artificial Bee Colony(ABC) algorithm in terms of segmentation speed and segmentation thresholds. 【Key words】Cuckoo Search(CS) algorithm; image segmentation; exhaustive search; multi-threshold; Otsu method DOI: 10.3969/j.issn.1000-3428.2013.07.061
L fi , Pi ≥ 0 , ∑ Pi = 1 。其中, N i =1 fi 表示灰度级为 i 的像素个数总和; N 表示图像的像素总
己的卵。为了模拟布谷鸟的这种寻窝方式,设布谷鸟的行 为处于以下 3 种理想状态:(1)布谷鸟每次只产 m 个鸟蛋, 并随机选择一个合适的鸟窝来孵化这 m 个鸟蛋。(2)布谷鸟 选择鸟窝的过程中,质量最好的鸟窝会被保留到下一代。 (3)在布谷鸟可选择的鸟窝数目一定的前提下,每个鸟窝主 人发现一个外来鸟蛋的概率为 p ,其中, p ∈ [0,1] 。如果 发现外来鸟蛋,则鸟窝主人重新建立一个鸟窝。 2.2 布谷鸟搜索算法的实现过程 根据上述布谷鸟孵化鸟蛋的过程,布谷鸟搜索算法的
基金项目: 基金项目:国家自然科学基金资助项目(10974130);陕西省青年科技新星基金资助项目(2011kjxx17);陕西省自然科学基金资助项目 (2011JQ8009) 作者简介: 作者简介:柳新妮(1986-),女,硕士研究生,主研方向:智能信息处理;马 苗(通讯作者),教授、博士 收稿日期: 收稿日期:2012-07-30 修回日期: 修回日期:2012-09-24 E-mail:mmthp@
算法,按照下式得出待分割图像的最佳阈值:
* * * (t1 , t2 ,⋯, tm ) = argmax D (t1 , t2 ,⋯ , tm ) 0≤t1≤t2 ≤⋯≤tm
Γ (1 + β )sin(πβ 2) σu = ( β −1) Γ [(1 + β ) 2] × β × 2
ω1 (t ) = ∑ Pi , µ0 (t ) = ∑ iPi ω0 , µ1 (t ) = ∑ iPi ω1 。
i =t +1 i =0 i =t +1
L −1
t
L −1
X n ) , X i = ( x1 , x2 ,⋯ , xm ) ,其中, n 表示鸟窝数目; m 表
示每个鸟窝中鸟蛋的数目,即解空间的维数。 Step2 根据适应度函数计算初始化后每个鸟窝的质量。 Step3 每个鸟窝主人通过 Lévy flight 飞行模式来改进 自己的鸟窝。计算改进后鸟窝的质量,并与改进前的鸟窝 质量进行比较,按照贪婪法则保留质量较好的鸟窝,鸟窝 主人按下式改进鸟窝:
2
1β
(5)
布谷鸟搜索算法中每个鸟窝中鸟蛋的个数即待分割图 像的阈值个数 m ,即 Otsu 函数的变量个数。每个鸟窝中的 鸟蛋可看作图像的可能阈值, 即 Otsu 函数的参数 (t1 , t2 ,⋯,
其中, Γ 表示标准伽玛函数; σv = 1 ; 本文取 β = 3 2 ;g best 表示当前质量最好的鸟窝。 Step4 依照概率 p 按照下式改进质量较差的鸟窝:
目标和背景之间的方差为:
D(t ) = ω0 (t )ω1 (t )( µ0 (t ) − µ1 (t )) 2
因此,方差最大时的 t 即为最佳阈值。 如上所述,假设待分割图像的阈值个数为 m ,则其方 差为:
D(t1, t2 ,⋯, tm ) = ω0ω1 ( µ0 − µ1 )2 +
ω0ω2 ( µ0 − µ2 )2 + ⋯ + ω0ωm (µ0 − µm )2 + ω1ω2 (µ1 − µ2 )2 + ⋯ + ω1ω3 ( µ1 − µ3 )2 + ⋯ + ωm−1ωm (µm−1 − µm )2
备受研究人员关注[1],如细菌觅食(Bacterial Foraging, BF) 算法 、人工蜂群(Artificial Bee Colony, ABC)算法等 。其
[2] [3]
中, 细菌觅食算法描述了 Ecoli 大肠杆菌在人体肠道内吞噬 食物的行为,作为一种新型仿生类算法,其特点在于觅食 过程中的细菌具有连续向较优解移动的特点;人工蜂群算 法模拟了自然界中蜜蜂寻找蜜源的过程,其特点在于蜜蜂 群体之间的分工协作以及信息交互促使蜂群最终找到最佳 蜜源。目前,这 2 种算法已成功应用于图像工程的许多领 域,如图像增强、图像融合、图像分割等。 文 献 [4] 提 出 一 种 新 的 仿 生 类 算 法 —— 布 谷 鸟 搜 索 (Cuckoo Search, CS)算法,该算法模拟自然界中布谷鸟寻找 最合适的鸟窝来孵化鸟蛋的过程。算法中的布谷鸟通过选 择质量较优和改进质量较差的鸟窝,最终找到一个较优的 鸟窝来孵化自己的鸟蛋。其特点在于,寻优过程中的布谷
————————————
2
布谷鸟搜索算法
布谷鸟最为人熟知的特性是孵卵寄生性。在自然界中,
由于布谷鸟自己没有孵化能力,因此它常常把卵放在其他 鸟的巢中,靠养父母孵化和育雏。在通常情况下,布谷鸟 的卵形似寄主的卵(拟态),这减少了寄主将它抛弃的可能。 同时,布谷鸟会移走寄主的一个或更多的卵,以免被寄主 看出卵数的增加,又减少了寄主幼雏的竞争。如果寄主发 现了布谷鸟的卵,则会把布谷鸟的卵扔出自己的巢外,或