【正文】 1 時(shí)個(gè)體取得最大成功，那么 ijp 為 1；如果 ijx 為 0 時(shí)個(gè)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(shí)取得最大成功，那么 gjp 為 1；否則為 0。若滿(mǎn)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(wèn)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(gè)尋優(yōu)過(guò)程中，每個(gè)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(niǎo)群在剛飛起的時(shí)候并沒(méi)有目的地，在空中自然地形成群體， 直到群體中的一只鳥(niǎo)飛向棲息地，當(dāng)設(shè)置期望棲息比期望留在鳥(niǎo)群中具有較大的適應(yīng)值時(shí)，每只鳥(niǎo)都離開(kāi)群體飛向棲息地，隨后就自然形成鳥(niǎo)群，整個(gè)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(niǎo)群中的每個(gè)個(gè)體是離散的，它們的排列看起來(lái)是隨機(jī)的，但在整體的運(yùn)動(dòng)過(guò)程中卻保持著驚人的同步性。在搜索過(guò)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(lái)計(jì)算轉(zhuǎn)移概率 。因?yàn)槲浵伿腔蛏?，螞蟻的行為?shí)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(lái)的螞蟻再次碰到這個(gè)路口時(shí)，選擇信息量較大的路徑的概率相對(duì)較大，這樣就形成了一個(gè)正反饋機(jī)制。根據(jù)適 應(yīng)度函數(shù) E ， 計(jì)算群體中每個(gè)個(gè)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(guò)自然選擇 、 基因交換和變異等過(guò)程進(jìn)行繁殖生長(zhǎng)，構(gòu)成了生物的整個(gè)進(jìn)化過(guò)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(jìn)化過(guò)程和行為為基礎(chǔ)的智能算法 ， 在這一類(lèi)模擬自然界生物系統(tǒng)行為或過(guò)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(kāi)發(fā)能力 在迭代初 、 中 、 后期 都 能夠達(dá)到 適當(dāng) 的平衡狀態(tài) ， 本文 對(duì) PSO 算法利用 慣性權(quán)重進(jìn)行非線(xiàn)性的動(dòng)態(tài)調(diào)整 ， 提出 了 一種 基于 PSO 算法的改進(jìn) 閾值分割算法 DPSO。 目前， PSO 算法已廣泛應(yīng)用于優(yōu)化問(wèn)題求解 、 工程設(shè)計(jì)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(diǎn)問(wèn)題。 對(duì)圖像而言，只有 經(jīng)過(guò) 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(shí)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(yùn)算效率較低，抗噪能力不強(qiáng)，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(duì)圖像目標(biāo)進(jìn)行提取識(shí)別，如人臉識(shí)別、文字識(shí)別、指紋識(shí)別、 車(chē)牌識(shí)別、基于內(nèi)容的圖像檢索等，圖像分割則是圖像識(shí)別預(yù)處理階段至關(guān)重要的步驟。它 使得整 個(gè)尋優(yōu)過(guò)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(guò)早收斂和陷入局部最優(yōu)解。為了辨識(shí)和分析目標(biāo)，需要將它們與背景分離，提取出來(lái)。 例如 針對(duì)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(gè)灰度值作為灰度閾值，然后將圖像中的每個(gè)像素的灰度值與這個(gè)閾值相比較，根據(jù)比較結(jié)果將對(duì)應(yīng)像素分 為兩類(lèi)：灰度值大于閾值的為一類(lèi)；灰度值小于閾值的為另一類(lèi) ， 如此 將分屬目標(biāo)和背景的像素分 離 開(kāi)，從而達(dá)到區(qū)域分割的目的。 PSO 算法利用群體中個(gè)體對(duì)信息的共享，使整個(gè)群體的運(yùn)動(dòng)在問(wèn)題解空間中產(chǎn)生從無(wú)序到有序的演化過(guò)程，從而獲得最優(yōu)解。但這些改進(jìn)的 PSO 算法并不是在求解所有問(wèn)題時(shí)性能都是最優(yōu)的。因此，對(duì)最優(yōu)化問(wèn)題的研究具有非常重要的實(shí)踐意義。 物種的每個(gè)個(gè)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(yùn)算 流程 遺傳算法的運(yùn)行過(guò)程是一個(gè)典型的迭代過(guò)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(guò)長(zhǎng)期研究發(fā)現(xiàn)：螞蟻雖沒(méi)有視覺(jué)，但運(yùn)動(dòng)時(shí)會(huì)通過(guò)在路徑上釋放出一種特殊的分泌物 —— 信息素來(lái)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(jì)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(guò)信息素和環(huán)境進(jìn)行通信。在初始時(shí)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(shí)現(xiàn)流程 如下 ： ⑴ 初始化各參數(shù)。通過(guò)對(duì) 現(xiàn)實(shí)世界中這些群體運(yùn)動(dòng)的觀察，在計(jì)算機(jī)中復(fù)制和重建這些運(yùn)動(dòng)軌跡，并對(duì)這些運(yùn)動(dòng)進(jìn)行抽象建模，以發(fā)現(xiàn)新的運(yùn)動(dòng)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(jìn)化類(lèi)算法類(lèi)似，也采用“群體”與“進(jìn)化 ”的概念，同樣也是依據(jù)個(gè)體（微粒）的適應(yīng)值大小進(jìn)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(duì)每個(gè)微粒，將其適應(yīng)值與 群體 經(jīng)歷過(guò)的最 優(yōu) 位置 gbest 進(jìn) 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(duì)這些問(wèn)題，研究者對(duì)該算法做了大量的改進(jìn)研究，主要體現(xiàn)在： PSO 算法離散二進(jìn)制模型[39][40]、 參數(shù)的選擇與設(shè)計(jì) [41][42][43]等。在二進(jìn)制模型中， maxv 的作用與遺傳算法中變異率的作用類(lèi)似。這樣，當(dāng) maxv 增加時(shí)，可通過(guò)減少 ? 來(lái)達(dá)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(wèn)題時(shí)要優(yōu)于確定性算法。 ② 蟻群算法采用了正反饋機(jī)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(guò)早收斂 ， 在求解復(fù)雜問(wèn)題時(shí)，它可以在問(wèn)題空間的多點(diǎn)同時(shí)獨(dú)立地進(jìn)行解搜索，這樣不僅使算法具有較強(qiáng)的全局搜索能力，也增加了算法的可靠性 ；算法中個(gè)體之間不直接通信而是通過(guò)信息素進(jìn)行合作， 因而，個(gè)體數(shù)量的增加對(duì)算法通信開(kāi)銷(xiāo)的影響會(huì)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(wèn)題是一種新的嘗試 ，有很大的研究空間和研究?jī)r(jià)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(xiàn)[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(diǎn)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(shí)就希望在分割時(shí)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(jìn)行到 1iiTT? ?時(shí)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(lái)源是基于點(diǎn)灰度特征的統(tǒng)計(jì)信息，它并沒(méi)有充分利用