【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，從而為計算機視覺的后續(xù)處理提供依據(jù)。其實現(xiàn)簡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間內(nèi)，準確。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 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 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 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 32 第四章 實驗仿真 基于閾值的圖像分割程序及結(jié)果分析 在仿真實驗中，我們分別使用最佳閾值分割法，一維最大 類間方差法和二維最大類間方差法對圖像進行自動分割。試驗中，選取灰度級為 256，圖像尺度為256*256，以海面為背景包含樹木和天空的圖像進行實驗。 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 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 34 從實驗結(jié)果可以看出，對于簡單的海面目標圖像，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，因為 1 維 Otsu 算法不能完整地反映圖像的局部空間信息，當圖像的信噪比 減小時，因閾值對噪聲很敏感，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 PSO 方法解決圖像閡值分割問題的可靠性和準確性，圖 3和圖 4分別是兩幅 768 x 576 圖 4_4 PSO 分割結(jié)果 實驗中，經(jīng)改進的 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[ ?? 。當適應(yīng)度變化量小于 時，用灰度梯度值最大的像素灰度值或恒虛警準則計算門限來初始化粒子群參數(shù)，重基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計 35 新設(shè)置迭代步數(shù)，此時位置更新按式（ 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 灰度級和 209 灰度級。 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，如果過高，則過多的目標點被誤歸為背景；如果閾值過低，則 無法將目標點與背景分開。 基于邊緣檢測的圖像分割方法的仿真結(jié)果及分析 基于邊緣檢測的圖像分割方法，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)，對圖像進行分割。 圖 4_5 Kirsch 邊緣檢測算子 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計 36 圖 4_6 Roberts 邊緣檢測算子 圖 4_7 Roberts 邊緣檢測算子平面擬合 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計 37 圖 4_8 Sobel 邊緣檢測算子 圖 4_9 Laplace 邊緣檢測算子 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計 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，當區(qū)域邊界清晰，邊緣灰度值變化比較明顯時，可以取得較好的分割效果，但對噪聲敏感。 Laplacian 算子屬于二階微分算子，具有各向同性的特點，但對于噪聲更加敏感。不能檢測出邊的方向。通常不直接用于邊 的檢測，只起輔助的角色，檢測一個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和連接邊 緣，用累計直方圖計算兩個閾值，大于高閾值的一定是邊緣，小于低閾值的一定不是邊緣。如果檢測結(jié)果大于低閾值但又小于高閾值，那就要看這個像素的鄰接像素中有沒有超過高閾值的邊緣像素，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 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，其圖像處理運算過程清晰，運 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)性和目標灰度與背景灰度的無關(guān)性，在最佳閾值的基礎(chǔ)上，利用先驗知識完成參數(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。試驗結(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 價值。 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計 40 致 謝 首先，我要向我的指導(dǎo) 老師顧老師 表達誠摯的謝意， 顧 老師淵博的專業(yè)知識、嚴謹?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。對論文中的每一點錯誤和缺失，老師都不厭其煩，一一指出。在此謹向 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間評閱 此論文的各位評委。 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計 41 參考文獻 [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器人信號處理 [， 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測的圖像分割算法的研究 [J]. 計算機圖形圖像[J]， 2020,pp:5658. [8] 胡正平。區(qū)域進化自適應(yīng)高精度區(qū)域增長圖像分割算法 [J]. 系統(tǒng)工程與電子技術(shù)， 2020： 29（ 6）： 4144。 [9] 吳玲艷?；谥狈綀D熵和遺傳算法的圖像分割法 [J].兵工學(xué)報， 1999，20（ 3）： 255258. [10] 吳謹。 基于最大熵的灰度閾值選取方法 [J]. 自然科學(xué)學(xué)報， 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， 2020， 26（ 5）： 355358.