【正文】 1 時個體取得最大成功，那么 ijp 為 1；如果 ijx 為 0 時個體取得最大成功，那么 ijp 為 0； gjp 是鄰域的最好狀態(tài)，如果鄰域的任一成員在處于 1 狀態(tài)時取得最大成功，那么 gjp 為 1；否則為 0。若滿足終止條件，則停止迭代 ，輸出結(jié)果 ；否則返回步驟 ⑵ 。如果問題的搜索空間限定在 max max[ , ]xx? 內(nèi)，則可設(shè)定 max maxv k x?? ， ?? 。 在整個尋優(yōu)過程中，每個微粒的適應(yīng)值（ Fitness Value）取決于所選優(yōu)化函數(shù)的值。 在仿真中，鳥群在剛飛起的時候并沒有目的地，在空中自然地形成群體， 直到群體中的一只鳥飛向棲息地，當(dāng)設(shè)置期望棲息比期望留在鳥群中具有較大的適應(yīng)值時，每只鳥都離開群體飛向棲息地，隨后就自然形成鳥群，整個群體飛向棲息地。 微粒群算法 微粒群算法 思想的起源 自然界中，鳥群中的每個個體是離散的，它們的排列看起來是隨機的，但在整體的運動過程中卻保持著驚人的同步性。在搜索過程中，螞蟻根據(jù)路徑上的信息素量及路徑的啟發(fā)信息來計算轉(zhuǎn)移概率 。因為螞蟻是基因生物，螞蟻的行為實際上是其基因的適應(yīng)性表現(xiàn)，即螞蟻是反應(yīng)型適應(yīng)性主體。當(dāng)后來的螞蟻再次碰到這個路口時，選擇信息量較大的路徑的概率相對較大，這樣就形成了一個正反饋機制。根據(jù)適 應(yīng)度函數(shù) E ， 計算群體中每個個體的適應(yīng)度 ； ⑷ 選擇。 在一定的環(huán)境影響下，生物物種通過自然選擇 、 基因交換和變異等過程進行繁殖生長，構(gòu)成了生物的整個進化過程。在數(shù)值算法中，近些年出現(xiàn)了以自然界生物群體的進化過程和行為為基礎(chǔ)的智能算法 ， 在這一類模擬自然界生物系統(tǒng)行為或過程的仿生優(yōu)化算法中 ，具有代表性的有以下三種：遺傳算法 、 蟻群算法和微粒群算法 [24][25][26]。 為了保證在尋優(yōu) 期間 ，碩士學(xué)位論文 3 PSO 算法的 搜索 和 開發(fā)能力 在迭代初 、 中 、 后期 都 能夠達到 適當(dāng) 的平衡狀態(tài) ， 本文 對 PSO 算法利用 慣性權(quán)重進行非線性的動態(tài)調(diào)整 ， 提出 了 一種 基于 PSO 算法的改進 閾值分割算法 DPSO。 目前， PSO 算法已廣泛應(yīng)用于優(yōu)化問題求解 、 工程設(shè)計優(yōu)化領(lǐng)域 、 工業(yè)生產(chǎn)領(lǐng)域 、 生物醫(yī)學(xué)領(lǐng)域等。 因此， 高效的尋優(yōu)閾值算法成為 閾值分割領(lǐng)域研究的熱點問題。 對圖像而言，只有 經(jīng)過 圖像分割，才能 轉(zhuǎn)化成更抽象更緊湊的形式，從而使得后續(xù)的 圖像識別與理解 成為可能。 關(guān)鍵詞： 數(shù)字圖像處理； 圖像閾值分割 ； 微粒群算法 ； 慣性權(quán)重 ； 膚色分割 基于微粒群算法的 圖像 閾值分割 方法 及 其 應(yīng)用 II Abstract In applications of digital image processing, the extraction of image objects is needed in many cases, such as face recognition, text recognition, fingerprint recognition, license plate recognition and contentbased image retrieval. Image segmentation is a crucial step in preprocessing of image recognition. Image threshold technology is the most monly used method of image segmentation because its principle is very simple and easy to implement. In image segmentation algorithms, the selection of optimal threshold is the key to segmentation. However, the most of threshold selection methods adopt the mode of exhaustive search so that the operation efficiency is low, the capability of noise resisting is weak, and error segmentation happens easily in these methods. To solve the above problems, this paper adopts intelligent optimization algorithms to search for the optimal threshold, aiming to maximize the efficiency and accuracy. Particle swarm optimization (PSO) algorithm is a new intelligent one with simple principle which is easy to implement. Based on the study on PSO algorithm, a new algorithm to select optimal threshold is proposed and then implemented in the application field of image segmentation. The first step of image threshold method discussed in this paper is image denoising and making twodimensional histogram of the image. The second one is to select appropriate values of gray level as initial population according to the twodimensional histograms. It can reduce the putation burden and improve efficiency of algorithm. The last one is to iterate using evolution equation containing dynamic inertia weight. In order to get appropriate inertia weight for different data, it needs to adjust the parameters of dynamic inertia weight. Finally, the output of this algorithm is the optimal threshold. Using this threshold to partition off the pixels, image segmentation is implemented. In this paper, a new idea is adding dynamic inertia weight in evolution equation of PSO algorithm, a method of image threshold DPSO (Dynamic PSO) is proposed. It makes the proportion of the local and global searching ability can be effectively controlled in the whole process of optimal searching. 碩士學(xué)位論文 III This paper applies DPSO algorithm to pretreatment of face recognition. Gray image about skin probability is processed by threshold. According to the color of skin, image containing faces is segmented, and the binary image can be got based on skincolor. The data of experiment shows that the algorithm can separate skin and nonskin regions accurately, and then the result of segmentation is better than method using two dimensional maximum entropy. These results show DPSO image threshold method is effective and valuable. Key words: Digital image processing。但閾值的選取大多采用窮盡的搜索方式，運算效率較低，抗噪能力不強，容易產(chǎn)生誤分割。 碩士學(xué)位論文 I 摘 要 在數(shù)字圖像處理的應(yīng)用領(lǐng)域中，經(jīng)常需要對圖像目標(biāo)進行提取識別，如人臉識別、文字識別、指紋識別、 車牌識別、基于內(nèi)容的圖像檢索等，圖像分割則是圖像識別預(yù)處理階段至關(guān)重要的步驟。它 使得整 個尋優(yōu)過程中可以根據(jù)圖像信息數(shù)據(jù)有效地控制局部搜索能力和全局搜索能力的比例關(guān)系，從而防止算法過早收斂和陷入局部最優(yōu)解。為了辨識和分析目標(biāo)，需要將它們與背景分離，提取出來。 例如 針對灰度圖像的 閾值分割就是 先確定圖像灰度取值范圍中的 一個灰度值作為灰度閾值，然后將圖像中的每個像素的灰度值與這個閾值相比較，根據(jù)比較結(jié)果將對應(yīng)像素分 為兩類：灰度值大于閾值的為一類；灰度值小于閾值的為另一類 ， 如此 將分屬目標(biāo)和背景的像素分 離 開，從而達到區(qū)域分割的目的。 PSO 算法利用群體中個體對信息的共享，使整個群體的運動在問題解空間中產(chǎn)生從無序到有序的演化過程，從而獲得最優(yōu)解。但這些改進的 PSO 算法并不是在求解所有問題時性能都是最優(yōu)的。因此，對最優(yōu)化問題的研究具有非常重要的實踐意義。 物種的每個個體的基本特征被后代所繼承，這就是遺傳 ，而后代又不完全同于父代，這就是變異。 遺傳算法 運算 流程 遺傳算法的運行過程是一個典型的迭代過程，它的基本流程如下： ⑴ 編碼。 蟻群算法 蟻群算法的產(chǎn)生 和發(fā)展 仿生學(xué)家經(jīng)過長期研究發(fā)現(xiàn)：螞蟻雖沒有視覺，但運動時會通過在路徑上釋放出一種特殊的分泌物 —— 信息素來尋找路徑。 基本 蟻群算法的原理 模擬螞蟻群體覓食行為的蟻群算法是作為一種新的計算智能模式引入的，該算法基于如下基本假設(shè) [35]： ① 螞蟻之間通過信息素和環(huán)境進行通信。在初始時刻各條路徑上的信息 素 量相等，即 (0)ij C? ? （ C 為常數(shù)）。 蟻群算法流程 以 TSP 為例，基本蟻群算法的實現(xiàn)流程 如下 ： ⑴ 初始化各參數(shù)。通過對 現(xiàn)實世界中這些群體運動的觀察，在計算機中復(fù)制和重建這些運動軌跡，并對這些運動進行抽象建模，以發(fā)現(xiàn)新的運動模式。 微粒群算法基本原理 基于微粒群算法的 圖像 閾值分割 方法 及 其 應(yīng)用 10 PSO 算法 與其它進化類算法類似，也采用“群體”與“進化 ”的概念，同樣也是依據(jù)個體（微粒）的適應(yīng)值大小進行操作。 微粒 i ( 1,2, ,iN? )當(dāng)前的飛行速度為 12( , , , )i i i inv v v v? 。 ⑷ 對每個微粒，將其適應(yīng)值與 群體 經(jīng)歷過的最 優(yōu) 位置 gbest 進 行比較，如果優(yōu)于 gbest，則將其作為 群體 的最 優(yōu) 位置 gbest。針對這些問題，研究者對該算法做了大量的改進研究，主要體現(xiàn)在： PSO 算法離散二進制模型[39][40]、 參數(shù)的選擇與設(shè)計 [41][42][43]等。在二進制模型中， maxv 的作用與遺傳算法中變異率的作用類似。這樣，當(dāng) maxv 增加時，可通過減少 ? 來達到平衡搜索。該方法描述了一種選擇 ? ， 1c 和 2c 的值的方法，以確保算法收斂。不確定算法在求解某些特殊問題時要優(yōu)于確定性算法。 ② 蟻群算法采用了正反饋機制， 因此能夠快速地發(fā)現(xiàn)最優(yōu)解 ； 蟻群算法還體現(xiàn)出分布式特征，從而避免過早收斂 ， 在求解復(fù)雜問題時，它可以在問題空間的多點同時獨立地進行解搜索，這樣不僅使算法具有較強的全局搜索能力，也增加了算法的可靠性 ；算法中個體之間不直接通信而是通過信息素進行合作， 因而，個體數(shù)量的增加對算法通信開銷的影響會比較小。 在圖像處理領(lǐng)域，遺傳算法的應(yīng)用研究較多 ， 而 PSO 算法是一種比較新的智能優(yōu)化算法，將其用于圖像處理中的優(yōu)化問題是一種新的嘗試 ，有很大的研究空間和研究價值，本文 探討將 PSO算法應(yīng) 用于圖像的閾值 分割 。 目前有不少閾值的優(yōu)化算法，文獻[1]和 [9]介紹 的 最常用的經(jīng)典的閾值選取方法主要有以下三種：極小值點閾值選取方法，最優(yōu)閾值選取方法，迭代閾值選取方法。這時就希望在分割時能夠盡量減小誤分的概率，常用的方法就是最優(yōu)閾值選取方法。迭代一直進行到 1iiTT? ?時結(jié)束， iT 即為分割閾值。 由于圖像 一維灰度直方圖的信息來源是基于點灰度特征的統(tǒng)計信息，它并沒有充分利用