【正文】 圖像的空間信息，所以當噪聲干擾和照明等因素的影響使信噪比降低時 ， 一維灰度直方圖沒有明顯的峰和谷。假設圖像像素最大灰度值為 L,則可繪 制出圖像的二維直方圖，如圖 2所示。線性遞減關系只對某些問題有效，對于其它問題而言顯然不是最佳的 。 基于 DPSO 的閾值分割 算法 為了提高閾值分割的效率，本文采用 帶動態(tài)慣性權重的 微粒群算法來尋求最優(yōu)閾值，提出一種基于改進微粒群算法的閾值分割算法。運用閾值 T 對圖像 I 進行閾值化處理得到對應的二值圖像。 圖 原始灰度圖像 的二維直方圖 利用 小節(jié)描述的基于 DPSO 的閾值分割算法進行閾值分割。 myfilt=[1/9,1/9,1/9。c=J(i,j)+1。 meshc(x,y,z)。 end。1/9,1/9,1/9]。1/9,1/9,1/9。 仿真 圖像分割實驗的硬件運行環(huán)境為 、 內(nèi)存為 256M 計算機， 工具軟件為 Matlab 。 基于 DPSO 的 閾值分割算法 基本步驟 如下： ① 對圖像 I，采用低通濾波器進行平滑處理，減少高頻噪聲的影響； ② 依據(jù)圖像 I 的二維直方圖 H，選取圖中目標區(qū) O 區(qū)和背景區(qū) B 區(qū)交接處的k 個值組成初始微粒群體 ( 12, , , kP P P ) 。 鑒此 ，本文 在 慣性權重 策略 的 基礎上 ， 對于 慣性 權重 進行動態(tài)調(diào)整 ， 提出 一種 帶動態(tài)慣性權重的 改進 算法 DPSO (Dynamic weight of inertia in PSO)， 旨在 靈活基于微粒群算法的 圖像 閾值分割 方法 及 其 應用 22 地調(diào)整 其 全局搜索與局部搜索能力。其中： object ijijpp??? 1,2,3, ,is? ； 1,2,3, ,jt? backgroundp ijijp??? 1 , 2 , 3 , , 1i s s s L? ? ? ? ?； 1 , 2 , 3 , , 1j t t t L? ? ? ? ? ⑶ 計算目標區(qū)域的二維熵 objectH 和背景區(qū)域的二維熵 backgroundH 。而二維直方圖不僅利用了圖像的灰度值信息，而且利用了其鄰域空間的相關信息，區(qū)域灰度特征對噪聲的敏感程度要低于點灰度特征，因此二維直方圖可以較好地表征圖像信息， 利用 二維最大熵分割法可以取得 較 好的分割效果 [54][55]。 本文采用的 算法 以上 基于閾值的圖像分割算法多采用窮盡的搜索方法來尋求最優(yōu)閾值 ， 在閾值選取過程中， 其 計算量很大， 從而 導致圖像分割 的 效率降低。這個全局的密度函數(shù)實際上是目標和背景的兩個單峰密度函數(shù)之和。因此對直方圖的“谷”尋找就轉(zhuǎn)化成求其包絡曲線最小值的問題。在應用中，它是目標檢測定位 、 特征提取 、 目標識別操作的基礎，圖像分割的效果將直接影響到后續(xù)的處理。 ③ PSO 算法是一種原理相當簡單的啟發(fā)式算法， 與遺傳算法和蟻群算法相比，它 容易 實現(xiàn) ，需要設置的參數(shù)也比較少 ； PSO 算法在優(yōu)化目標函數(shù)的形式上沒有特殊要求，這使其更具廣泛性 ； PSO 算法 還具有獨特的信息共享機制，群體中每個粒子都包含最優(yōu)解信息，關于最優(yōu)解的信息都集中于全局極值 gbest 中 。不確定算法的優(yōu)點就在于算法能有更多的機會求得全局最優(yōu)解。帶收斂因子的 PSO 算法的進化方程如下所示： 1 1 2 2( 1 ) ( ( ) ( ) ( ( ) ( ) ) ( ) ( ( ) ( ) ) )ij ij ij ij gj ijv t v t c ra n d t p t x t c ra n d t p t x t?? ? ? ? ? ? ? ? ? ? () 其中22| 2 4 |? ? ? ?? ? ? ?為收斂因子， 12cc??? ， 4?? ，通常取 ?? ，則 ?? 。從這個意義上看，只需對 ? 進行調(diào)節(jié)即可。甚至對于同一個問題而言，進化過程也要求不同的比例。二進制 PSO 算法也為 PSO 算法與遺傳算法的性能比較提供了一個有用的方式。 ⑹ 檢查終止條件 (達到預設最大迭代次數(shù) maxG 或者滿足足夠好的適應值，或者最優(yōu)解停滯不再變化 )。 為了減少在進化過程中，微粒離開搜索空間的可能性， ijv 通常限定在一定的范圍內(nèi)，即 max max[ , ]ijv v v?? 。 通過對環(huán)境的學習和適應 ，根據(jù)個體和群體的飛行經(jīng)驗的綜合分析結果來動態(tài)調(diào)整 飛行速度。 生物學家 Frank Heppner 在 Boid 模型的基礎上增加了 一個仿真條件 —— 鳥類被吸引飛向棲息地 ， 提出了新的鳥群模型。將元素 j 放到該螞蟻個體的禁忌表中； ⑺ 若 km? ，元素未遍歷完，則轉(zhuǎn)到第 ⑷ 步，否則繼續(xù)執(zhí)行第 ⑻ 步； ⑻ 按照公式 ()和 ()進行信息量更新； ⑼ 若 maxNN? ，則迭代結束并輸出計算結果，否則清空禁忌表 并轉(zhuǎn)到第 ⑵ 步。用禁忌表 ktabu ( 1,2, ,km? )來記錄螞蟻 k 當前所走過的城市。 ② 螞蟻對環(huán)境的反應由其 內(nèi)部模式?jīng)Q定。螞蟻走的路徑越長釋放的信息量越小。隨機選取 N 個個體作為初始群體 0P ； ⑶ 適應度值評價。不同的基因組合產(chǎn)生的個體對環(huán)境的適應性不同，通過基因雜交和突變能產(chǎn)生對環(huán)境適應性強的后代。 這些方法大致可以分為兩類：解析的和數(shù)值的。 本文的主要工作 本文基于 PSO 算法，探討和實施閾值分割的優(yōu)化算法。 大量的研究結果也表明 PSO 算法具有較強的發(fā)現(xiàn)最優(yōu)解的能力[13][14][15]。 閾值分割經(jīng)過近年的研究發(fā)展，已經(jīng)摸索出了不少的優(yōu)選算法 ， 例如極小值點閾值選取方法 、 最優(yōu)閾值選取方法 、 迭代閾值選取方法等 [9]， 但這些方法 大多 是窮盡的搜索方法，在尋優(yōu)閾值的 過程中，計算量很大，這將嚴重影響分割算法的效率，在大規(guī)模的應用中這個問題會變得更加突出。 圖像分割是一種重要的 、 特殊的圖像 處理 技術 ， 它是進行圖像分析的關鍵步驟。實驗 數(shù)據(jù)表明，該算法準確清晰地分割了人臉的皮膚區(qū)域與非皮膚區(qū)域，且 分割 效率和 效果 比 單純使用二維最大熵分割算法要 優(yōu)化 ， 由此可驗證本文基于微粒群改進算法的閾值分割方法的有效性和實用價值。在閾值分割算法中，確定最優(yōu)閾值是圖像分割的關鍵。圖像的閾值分割技術由于其原理簡單，易于實現(xiàn)，已成為目前最常用的圖像分割方法。 本文將改進的微粒群算法應用于人臉檢測的預處理中，對皮膚概率灰度圖像進行閾值化處理，依據(jù)膚色分割人臉圖像，得到基于膚色的二值圖像。 圖像分割就是按一定的 原則把圖像分成各具特性的區(qū)域，提取出感興趣目標的技術和過程 [1]。由算法的步驟可以看出，確定 適當?shù)?閾值是分割的關鍵， 閾值 將直接影響分割的準確性。 PSO 算法概念簡單 、 易于實現(xiàn) 。在實際應用中，不同的問題有不同的要求， 這就需要研究者從 具體 應用的角度進行改進。 優(yōu)化問題自提出以來， 人們對它的研究就從未間斷過，對優(yōu)化問題的求解提出了各種各樣的方法。按照孟 德爾和摩根 (G. Mendel, T. Man)的遺傳學理論，遺傳物質(zhì)是作為一種指令遺傳碼封裝在每個細胞中，并以基因的形式排列在染色體上，每個基因有特殊的位置并控制生物的某些特性 。 將 解空間的解數(shù)據(jù) 表示成遺傳空間的基因型串結構數(shù)據(jù) ， 每個串結構數(shù)據(jù)稱為一個個體 ； ⑵ 生成初始群體。當它們碰到一個還沒有走 過 的路口時，就會隨機挑選一條路前行，同時釋放出與路徑長度有關的信息素。每只螞蟻僅根據(jù)其周圍的局部環(huán)境做出反應，也只對其周圍的局部環(huán)境產(chǎn)生影響。 螞蟻 k ( 1,2, ,km? )在運動過程中，根據(jù)各條路徑上的信息 素 量 決定轉(zhuǎn)移方向。 令 時間 t =0， 迭代次數(shù) N =0，設置最大迭代次數(shù) maxN ，螞蟻總數(shù)為 m ，元素（城市）個數(shù)為 n ，令連 接元素 i 和 j 路徑上的信息量 ()ijt? =C (C為常數(shù) )，初始時刻 (0)ij?? =0； ⑵ 迭代次數(shù) N =N +1； ⑶ 螞蟻的禁忌表索引號 k =1； ⑷ 螞蟻數(shù)目 k =k +1； ⑸ 根據(jù)狀態(tài)轉(zhuǎn)移概率公式 ()計算的概率選擇下一個元素 j ， j? ktabu ， 螞蟻個體向元素 j 前進 ； ⑹ 修改禁忌表。 Reynolds 在仿真中采用了下列三條簡單的行為規(guī)則 [36]： ⑴ 飛離最近的個體，以避免碰撞 ⑵ 飛向目標 ⑶ 飛向 群體的中心 群體中的每個個體的行為都遵循以上的三條規(guī)則，通過這個模型來模擬整個群體的運動。所不同的是， PSO 算法不像其它進化算法那樣對于個體使用進化算子，而是將每個個體看作是在 n 維搜索空間中的一個沒有重量和體積的微粒，并在搜索空間中以一定的速度飛行。 微粒 i ( 1,2, ,iN? )所經(jīng)歷的最好位置為 12( , , , )i i i inp p p p? 根據(jù)以上的定義，微粒 i ( 1,2, ,iN? )在第 j （ 1,2, ,jN? ）維子空間中的飛行速度可描述為： 1 1 2 2( 1 ) ( ) ( ) ( ( ) ( ) ) ( ) ( ( ) ( ) )ij ij ij ij gj ijv t v t c ran d t p t x t c ran d t p t x t? ? ? ? ? ? ? ? ? ? () ( 1 ) ( ) ( 1 )ij ij ijx t x t v t? ? ? ? () 其中： t 表示第 t 代； 1c ， 2c 為加速常數(shù)，通常在 0~2 間取值； 1rand ~U(0,1)和2rand ~U(0,1)為兩個相互獨立的隨機函數(shù)； gjp 為整個群體所有微粒所經(jīng)歷的最好位置。 ⑸ 根據(jù)方程 ()和 ()對微粒的速度和位置進行進化。 PSO 算法離散二進制模型 PSO 算法最初是一種基于實值連續(xù)空間的優(yōu)化技巧，然而許多工程應用問題是組合優(yōu)化問題，因而需要將微粒群算法在二進制空間進行擴展。 帶慣性權重的 PSO 算法 對于不同的問題，如何確定局部搜索能力和全局搜索能力的比例關系，對于求解過程來說是非常重要的。而 ? 的減少可 使得所需的迭代次數(shù)變小。通過正確地選擇這些控制參數(shù)，就沒有必要將 ijv 的值限制在 max max[ , ]vv? 之中。 ② 這些算法都是概率型全局優(yōu)化算法，并且具有本質(zhì)的并行性。 但是基本蟻群算法 也存在一些不足，例如， 與遺傳算法相比，它一般需要較長的搜索時間，計算量比較大，而且當?shù)鷶?shù)較大時，運算速度比較慢 ；算法 容易出現(xiàn)停滯現(xiàn)象， 搜索進 行到一定程度時 ，解不再發(fā)生變化，不能對解空間進一步進行搜索，不利于發(fā)現(xiàn)更好的解； 算法的收斂性能對初始化參數(shù)的設置比較敏感 [47]。 碩士學位論文 17 第 三 章 改進的微粒群算法 在閾值選取中的 應用 閾值分割原理 如第一章所述， 圖像分割就是把圖像分成各具特性的區(qū)域，并提取出感興趣目標的技術和過程。 極小值點閾值選取方法 基于微粒群算法的 圖像 閾值分割 方法 及 其 應用 18 圖像的灰度直方圖是一種離散分布，但是直方圖的包絡是一條連續(xù)的曲線。 設一幅圖像僅包含兩個主要的灰度區(qū)域， 令 z 表示灰度級值，圖像的直 方圖可看成灰度值概率密度函數(shù) ()pz 的一個近似 。 由于閾值的迭代運算是以圖像的灰度統(tǒng)計作為基礎的，因此運用該方法的第一步應該是獲取圖像的灰度統(tǒng)計分布狀況。在這種情況下，僅利用一維灰度值分布選取的閾值往往難以獲得滿意的圖像分割效果，甚至還可能產(chǎn)生錯誤的分割。二維直方圖中 O 區(qū) 、B 區(qū)分別代表目標和背景區(qū)域，灰色區(qū)域表示 邊界和噪聲； 圖 像素 八 鄰域圖 圖 二維直方圖 a b c i e h g d f O區(qū)區(qū)區(qū) i j O s t B 碩士學位論文 21 ⑵ 設定圖像的分割閾值為 (,)st ，計算目標區(qū)域的概率objectp和背景區(qū)域的概率backgroundp。 因為在線性策略中， 最大截止代數(shù) MaxNumber 難以預測， 如果 初期局部搜索能力較弱，容易失去尋找到最優(yōu)解的機會，而后期全局搜索能力較弱， 則 易于陷入局部最優(yōu)解。該算法首先 對圖像進行平滑去噪處理 ， 以最大限度地減少噪聲等因素造成的影響；其次，根據(jù)圖像的灰碩士學位論文 23 度直方圖有目的地初始化微粒群體；然后以二維最大熵函數(shù)為適應度函數(shù)對微粒進行適應度評價 ， 運用 DPSO 算法 尋求最優(yōu) 閾值；最后，用此閾值進行圖像分割。 實驗 數(shù)據(jù)分析 分割效果 與運算 時間 開銷 是衡量圖像分割算法有效性的兩個重要指標 ， 圖像分割的 實驗結果應 從這兩個方面 量化 分析 閾值分割算法 的 有效 性 。 首先，對 圖碩士學位論文 25 (a)的 灰度圖像進行平滑去噪處理，實現(xiàn)代碼如下： myfilt=[1/9,1/9,1/9。1/9,1/9,1/9。 2d_H(r,c)=2d_H(r,c)+1。 繪制圖像 I的二維直方圖 根據(jù)二維直方圖顯