【導(dǎo)讀】基于粒子群優(yōu)化算法的圖像分割系統(tǒng)，可以將一幅給定的圖像進(jìn)行。圖像分割的目的是將感興趣的區(qū)域從圖像中分割出。來(lái)，從而為計(jì)算機(jī)視覺(jué)的后續(xù)處理提供依據(jù)。其實(shí)現(xiàn)簡(jiǎn)單而成為一種有效的圖像分割方法。而粒子群優(yōu)化算法是一類(lèi)隨。優(yōu)工具，建立具有自適應(yīng)和魯棒性的分割方法。從而可以在最短的時(shí)間內(nèi)，準(zhǔn)確。地確定分割閾值。

　　

【正文】 (edgeb1[i][j],edgeb2[i][j])。 px[i+j*iw] = (25524)|(r16)|(g8)|b。 } } } } return px。 } d) Roberts算法 //Roberts算法 public int[] robert(int[] px, int iw, int ih, int thresh, boolean flag) { ColorModel cm = ()。 int r, r0, r1, r2, r3, g, g0, g1, g2, g3, b, b0, b1, b2, b3。 for(int j = 1。 j ih1。 j++) { for(int i = 1。 i iw1。 i++) { r0 = (px[i+j*iw])。 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 30 r1 = (px[i+(j+1)*iw])。 r2 = (px[i+1+j*iw])。 r3 = (px[i+1+(j+1)*iw])。 /** * * |r0:(i,j) |r1:(i, j+1) | * || 交叉 * |r2:(i+1,j)|r3:(i+1,j+1)| * **/ r = (int)((r0r3)*(r0r3)+(r1r2)*(r1r2))。 g0 = (px[i+j*iw])。 g1 = (px[i+(j+1)*iw])。 g2 = (px[i+1+j*iw])。 g3 = (px[i+1+(j+1)*iw])。 g = (int)((g0g3)*(g0g3)+(g1g2)*(g1g2))。 b0 = (px[i+j*iw])。 b1 = (px[i+(j+1)*iw])。 b2 = (px[i+1+j*iw])。 b3 = (px[i+1+(j+1)*iw])。 b = (int)((b0b3)*(b0b3)+(b1b2)*(b1b2))。 if(flag) { if(r thresh) r = 0。//黑色，邊緣點(diǎn) else r = 255。 px[i+j*iw] = (25524)|(r16)|(r8)|r。 } else 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 31 px[i+j*iw] = (25524)|(r16)|(g8)|b。 } } return px。 } 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 32 第四章 實(shí)驗(yàn)仿真 基于閾值的圖像分割程序及結(jié)果分析 在仿真實(shí)驗(yàn)中，我們分別使用最佳閾值分割法，一維最大 類(lèi)間方差法和二維最大類(lèi)間方差法對(duì)圖像進(jìn)行自動(dòng)分割。試驗(yàn)中，選取灰度級(jí)為 256，圖像尺度為256*256，以海面為背景包含樹(shù)木和天空的圖像進(jìn)行實(shí)驗(yàn)。 1）最佳閾值分割法仿真結(jié)果： 圖 4_1 最佳閾值分割結(jié)果 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 33 圖 4_2. 1 維 Otsu 閾值分割 圖 4_3. 2 維 Otsu 閾值分割 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 34 從實(shí)驗(yàn)結(jié)果可以看出，對(duì)于簡(jiǎn)單的海面目標(biāo)圖像，圖 1基于最佳閾值的分割方法的噪聲顆粒粗，面積大，效果不如 1 維 Otsu 和 2維 Otsu。在 1 維 Otsu 算法中，因?yàn)?1 維 Otsu 算法不能完整地反映圖像的局部空間信息，當(dāng)圖像的信噪比 減小時(shí)，因閾值對(duì)噪聲很敏感，所以閾值不好確定，造成圖像分割的穩(wěn)定性和可靠性下降。 2 維 Otsu 因其考慮了圖像的局部空間信息，可以排除一些噪聲的干擾，分割穩(wěn)定性要好些。 2） PSO 分割結(jié)果 為了檢測(cè) PSO 方法解決圖像閡值分割問(wèn)題的可靠性和準(zhǔn)確性，圖 3和圖 4分別是兩幅 768 x 576 圖 4_4 PSO 分割結(jié)果 實(shí)驗(yàn)中，經(jīng)改進(jìn)的 PSO 算法參數(shù)取值如下 :迭代次數(shù) 50?T ，粒子數(shù),20 321 ???? cccN N= 20， 隨迭代次數(shù)從 0. 8 線性減小到 0. 25； a隨迭代次數(shù)從 0. 1 增大到 0. 7，速度 ]4,4[ ?? 。當(dāng)適應(yīng)度變化量小于 時(shí)，用灰度梯度值最大的像素灰度值或恒虛警準(zhǔn)則計(jì)算門(mén)限來(lái)初始化粒子群參數(shù)，重基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 35 新設(shè)置迭代步數(shù)，此時(shí)位置更新按式（ 8）、（ 9）操作。圖 4 為原始圖基于 PSO法求解閾值分割后的圖像，其中全局灰度閾值分別為 196 灰度級(jí)和 209 灰度級(jí)。 由以上程序仿真結(jié)果可以看出：改變閾值參數(shù)，仿真結(jié)果與圖像處理理論相符合，閾值的選取是閾值分割技術(shù)的關(guān)鍵，如果過(guò)高，則過(guò)多的目標(biāo)點(diǎn)被誤歸為背景；如果閾值過(guò)低，則 無(wú)法將目標(biāo)點(diǎn)與背景分開(kāi)。 基于邊緣檢測(cè)的圖像分割方法的仿真結(jié)果及分析 基于邊緣檢測(cè)的圖像分割方法，我們從 Kirsch， Sobel， Prewitt， Robert及其平面擬合的修正， LOG， Laplacian Gauss， Canny 等算子出發(fā)，輸入一張圖像，選擇其中一種算子，改變閾值參數(shù)，對(duì)圖像進(jìn)行分割。 圖 4_5 Kirsch 邊緣檢測(cè)算子 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 36 圖 4_6 Roberts 邊緣檢測(cè)算子 圖 4_7 Roberts 邊緣檢測(cè)算子平面擬合 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 37 圖 4_8 Sobel 邊緣檢測(cè)算子 圖 4_9 Laplace 邊緣檢測(cè)算子 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 38 從以上程序仿真結(jié)果可以看出，改變參數(shù)和分割方法， Krisch 算子可以很好的保留圖像的邊緣特性。 Roberts 算子定位精度高，但對(duì)噪聲較敏感，只適合低噪聲圖像； Sobel 算子、 Prewitt 算子利用平均濾波方法，由于邊緣較寬，間斷點(diǎn)較多，因此適合灰度漸變、低噪聲圖像。以上三種算子均屬于一階微分算子，當(dāng)區(qū)域邊界清晰，邊緣灰度值變化比較明顯時(shí)，可以取得較好的分割效果，但對(duì)噪聲敏感。 Laplacian 算子屬于二階微分算子，具有各向同性的特點(diǎn)，但對(duì)于噪聲更加敏感。不能檢測(cè)出邊的方向。通常不直接用于邊 的檢測(cè)，只起輔助的角色，檢測(cè)一個(gè)像素是在邊的亮的一邊還是暗的一邊利用零跨越，確定邊的位置。Canny 算子使用雙閾值算法檢測(cè)和連接邊 緣，用累計(jì)直方圖計(jì)算兩個(gè)閾值，大于高閾值的一定是邊緣，小于低閾值的一定不是邊緣。如果檢測(cè)結(jié)果大于低閾值但又小于高閾值，那就要看這個(gè)像素的鄰接像素中有沒(méi)有超過(guò)高閾值的邊緣像素，如果有，則該像素就是邊緣，否則就不是邊緣。 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 39 第五章 總結(jié)與展望 本系統(tǒng)把原始圖像，用相應(yīng)的分割方法分割后，將分割結(jié)果繪在同一界而上，方便用戶觀察比較，其圖像處理運(yùn)算過(guò)程清晰，運(yùn) 算結(jié)果形象直觀。采用菜單形式，模塊之間的聯(lián)系清晰，調(diào)用方便，且各系統(tǒng)采用獨(dú)立模塊，方便不同系統(tǒng)間比較觀察研究。本系統(tǒng)利用 PSO 求解圖像分割閾值的方法，利用背景像素之間灰度的相關(guān)性和目標(biāo)灰度與背景灰度的無(wú)關(guān)性，在最佳閾值的基礎(chǔ)上，利用先驗(yàn)知識(shí)完成參數(shù)空間的初始化，這樣就克服了 PSO 算 法的“振蕩”現(xiàn)象和局部收斂的缺點(diǎn)。試驗(yàn)結(jié)果表明，該方法不僅能夠避免陷入局部極值，而且速度也得到了明顯的改善，是一種有效的圖像分割新方法。此方法同樣適用于圖像分割的其它方法，比如 Otsu 法等， PSO 算法 在圖像分割領(lǐng)域中具有一定的參考 價(jià)值。 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 40 致 謝 首先，我要向我的指導(dǎo) 老師顧老師 表達(dá)誠(chéng)摯的謝意， 顧 老師淵博的專(zhuān)業(yè)知識(shí)、嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度和平易近人的美德，在言傳身教中令我受益匪淺。對(duì)論文中的每一點(diǎn)錯(cuò)誤和缺失，老師都不厭其煩，一一指出。在此謹(jǐn)向 顧老師 表示深深的敬意和衷心的感謝。 感謝 身邊 所有同學(xué)，在四年的學(xué)習(xí)生活中，我們能夠團(tuán)結(jié)、友好、和諧的相處，相互支持與幫助。與你們的相處使我開(kāi)闊了思路，豐富了我的人生。 感謝父母和所有親人們，我知道，我的成長(zhǎng)始終伴隨著你們極大的關(guān)心和支持。 最后感謝在百忙中抽出寶貴時(shí)間評(píng)閱 此論文的各位評(píng)委。 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 41 參考文獻(xiàn) [1] 武燕。 粒子群優(yōu)化及其在圖像分割中的應(yīng)用 [D]，江蘇科技大學(xué)， 2020. [2] Eberhat R, Kennedy new optimizer using particle swarm theory [A].In: Proceedings of the 1995 6th International Sysposium on Micro Machine and Human Science [C]. Nagoya, Japan, 1995:3943. [3] Hendtlassi, Particle Swarm Algorithm for High Dimensional,Multioptima Problem spaces [A].Swarm Intelligence Symposium(SIS 2020)[C].2020,149 一 154. [4] Russell Intelligence and Extended Analog Computing [A].Thel3th International Conference on Neural Information Processing (ICONIP2020) [C].Hong Kong, 2020. [5] 王翠翠，劉大奇，朱靜 .基于粒了群優(yōu)化卡爾曼濾波的水下機(jī)器人信號(hào)處理 [， 2020,39(1):99 一 102. [6] 孫越宏 . 基于粒子群優(yōu)化算法的圖像分割研究 [D]，南京理工大學(xué)，2020. [7] 余光華?；谶吘墮z測(cè)的圖像分割算法的研究 [J]. 計(jì)算機(jī)圖形圖像[J]， 2020,pp:5658. [8] 胡正平。區(qū)域進(jìn)化自適應(yīng)高精度區(qū)域增長(zhǎng)圖像分割算法 [J]. 系統(tǒng)工程與電子技術(shù)， 2020： 29（ 6）： 4144。 [9] 吳玲艷。基于直方圖熵和遺傳算法的圖像分割法 [J].兵工學(xué)報(bào)， 1999，20（ 3）： 255258. [10] 吳謹(jǐn)。 基于最大熵的灰度閾值選取方法 [J]. 自然科學(xué)學(xué)報(bào)， 2020，27（ 1）： 5860. [11] 何元慶?；诹Ｗ尤核惴ǖ?Ostu 法圖像閾值分割 [J].桂林電子科技大學(xué)學(xué)報(bào)， 2020， 26（ 5）： 355358.