基于改进微粒群算法的快速图像分割技术

于来行,李 亚,乔 蕊

（周口师范学院,河南 周口466001）

基于改进微粒群算法的快速图像分割技术

于来行,李 亚,乔 蕊

（周口师范学院,河南 周口466001）

微粒群算法中微粒有保持自身状态的特性，论文给出一种周期性随机扰动的自适应改变微粒速度的方法：当微粒要进行下一次运动时，总体采用非线性下降的惯性权重选择方法，并且在其中加入周期性随机扰动策略，使算法既能得到较快的收敛速度，又不至于陷入局部极值。将此方法应用于图像分割，新方法能得到更好的结果。

微粒群算法；随机扰动；惯性权重;图像分割

图像阈值化分割是一种最常用也是最简单的图像分割方法，它特别适用于目标和背景具有不同灰度级范围的图像。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，每个划分后的子集与现实景物对应，各个子集区域内部具有一致的属性，而相邻区域具有不同的属性，这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。

微粒群算法是一种基于模拟鸟群运动的仿生优化算法，具有概念简单、参数少、易于实现、优化性能好等特点，在很多优化领域得到了较好的应用。

该文引入一种新的改进微粒群算法，能更好地寻找全局最优值，即优惠阈值图像分割算法，进行二值图像分割，实验结果显示效果较好。

一、改进微粒群算法

惯性权重值由两个部分求和得到，第一部分为最大惯性权重值；第二部分为最大和最小惯性权重值之差并与周期扰动因子的乘积，扰动因子是当前迭代步数与最大迭代步数的商构建的曲线函数，加入了正弦函数及随机函数并设置相应的参数形成周期性下降曲线变化的函数值。公式通过正弦函数为周期设定函数，可以周期性地扰动惯性权重的变化，进而影响微粒的移动方式，n ormrnd( 0.5,0.2)为随机扰动函数，与周期函数相互作用得到适应算法的惯性权重值。max、min分别为惯性权重最大和最小值，一般定义min为起始精度，max目标精度；itmax为最大迭代步数，i为当前迭代步数，大量的试验研究发现，在[0，1.4]内能得到较好的结果，因此，算法设计时把的值尽量限制在这个较好的区间内，如果超出这个范围，随机在边界值附近选择一个值。

二、阈值图像分割技术

阈值图像分割技术分为全局阈值法和局部阈值法两种，全局阈值分割方法利用全局信息对图像进行划分，可以为单阈值或多阈值；局部阈值方法先把图像分为多个子图像，如后应用全局阈值分割方法分别求出最优分割阈值。阈值分割方法依赖于对阈值的选择，所以阈值选择是否合适是图像分割效果好坏的关键，因此，有很多基于智能优化算法改进阈值选择的算法得到了很好的效果。

论文主要针对全局阈值分割方法，把图像像素分为两类，令阈值为T，图像像素对应的灰度级为256，那么经阈值分割后的图像定义为：

因此，标记为1的像素对应于灰度值小于等于T，也就是前景，而标记为0的对应于背景，这就是我们通常所说的图像二值化。

三、基于改进微粒群优化的图像分割算法

（一）图像分割优化算法

适应度值即指计算适应度函数所得到的值,它的大小是粒子群算法中选择个体极值和全体极值的依据。适应度函数是根据具体问题设计的,通常在目标函数并不复杂的情况下,可以直接将目标函数选择为适应度函数。以距离测度函数L(sb)为适应度函数，求其最大值,即:

图像灰度值为[0,255]之间的正整数,而根据RDP-SO更新公式得到的位置均为连续值,所以在每次速度更新后，要对微粒位置向量取整,检查位置是否越界(>255或<0)，如果越界，取其边界值。改进算法进行优化图像分割流程如下:

步骤1：初始化微粒群，粒子的位置在(0,255)之间产生，设置最大迭代步数。

步骤2：根据式f(s,t)来计算粒子的适应度。更新每个粒子的个体极值和整个粒子群的全局的极值。

步骤3：根据改进微粒群进化公式更新微粒位置和速度。

步骤4：如果满足条件输出最佳阈值，否则转到步骤2重新搜索。

步骤5：输出最佳的阈值的向量，根据此阈值进行图像分割。

（二）实验结果及分析

实验采用三种方法，图像灰度中值作为阈值进行图像分割，ostu方法进行图像分割，改进算法进行图像分割，图像选择常用的lena图作为测试图片，其中分割的结果如图2-图4所示。

图2-图4分别显示了三种不同算法所得到的结果，从图中可以看到，改进后的算法能把细小的区域分割出来，分割图像更清晰，能得到更好的分割效果。图像的灰度中值为121，ostu分割算法得到的阈值为126，微粒群优化的图像分割阈值为134。

四、总结

论文介绍了微粒群算法的改进策略，主要介绍了惯性权重的改进策略，给出了一种非线性减小并加入一定扰动的微粒群算，在性能上得到了较大提高。利用改进的微粒群策略优化阈值图像分割算法，改进后算法与灰度中值分割和ostu图像分割算法所得结果进行比较，利用改进算法进行阈值图像分割的效果更好。

[1]冯斌,王璋,孙俊.基于量子粒子群算法的Ostu图像阈值分割 [J].计算机工程与设计，2008，(13)：3429-3431.

[2]王万良,唐宇.微粒群算法的研究现状与展望[J].浙江工业大学学报，2007，（2）:136-141.

[3]张皓,陈雪波,马德楠.具有自适应度双群体PSO的组群机器人队形控制[J].清华大学学报(自然科学版), 2008，(S2)：1751-1755.

[4]于来行，乔蕊.周期性扰动的微粒群算法[J].计算机系统应用，2011，（6）：203-206.

[5]熊鹰.微粒法的若干改进及应用[D].武汉：武汉理工大学，2006.

TP

A

1673-0046（2012）8-0175-02

周口师范学院青年科研基金资助项目（z knuqn201039A）