【正文】 選取 方法 .................................................17 極小值點(diǎn)閾值選取方法 ...................................17 最優(yōu)閾值選取方法 .......................................18 迭代閾值選取方法 .......................................18 本文采用的算法 ...............................................19 二維最大熵閾值分割 .....................................19 動(dòng)態(tài)調(diào)整慣性權(quán)重的 DPSO 算法 ...........................21 基于 DPSO 的閾值分割算法 ...............................22 實(shí)驗(yàn)數(shù)據(jù)分析 ...........................................23 第四章 DPSO 算法在人臉檢測(cè)預(yù)處理中的應(yīng)用 ............................31 人臉識(shí)別概述 .................................................31 顏色空間 .....................................................31 RGB 顏色空間 ............................................31 HIS 顏色空間 ............................................32 基于微粒群算法的 圖像 閾值分割 方法 及 其 應(yīng)用 2 YCbCr 顏色空間 ..........................................33 建立高斯膚色模型 .............................................33 膚色分割 .....................................................34 實(shí)現(xiàn)過(guò)程及實(shí)驗(yàn)結(jié)果 ...........................................34 小結(jié)與展望 ..........................................................37 參 考 文 獻(xiàn) .........................................................39 致 謝 .............................................. 錯(cuò)誤 !未定義書(shū)簽。 附錄 A 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文 ................... 錯(cuò)誤 !未定義書(shū)簽。圖像的閾值分割技術(shù)由于其原理簡(jiǎn)單，易于實(shí)現(xiàn)，已成為目前最常用的圖像分割方法。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。微粒群算法是一種原理簡(jiǎn)單，實(shí)現(xiàn)容易的新的智能算法，本文在研究微粒群智能優(yōu)化算法的基礎(chǔ)上，建立了閾值尋優(yōu)算法并將其實(shí)施于圖像分割的應(yīng)用領(lǐng)域 。 本文的創(chuàng)新點(diǎn)在于在微粒群算法的進(jìn)化方程中加入了動(dòng)態(tài)的慣性權(quán)重， 提出一種基于 微粒群 算法的 改進(jìn) 閾值分割算法 DPSO(Dynamic PSO)。 本文將改進(jìn)的微粒群算法應(yīng)用于人臉檢測(cè)的預(yù)處理中，對(duì)皮膚概率灰度圖像進(jìn)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。 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。 PSO algorithm。 Skincolor segmentation 碩士學(xué)位論文 1 第一章 緒 論 閾值分割概述 在對(duì)圖像的研究和相關(guān)的應(yīng)用中，人們往往僅對(duì)圖像的某些部分感興趣，這些部分被稱(chēng)為目標(biāo)，它們 通常 對(duì)應(yīng) 于 圖像中某些特定的 、 具有獨(dú)特性質(zhì)的區(qū)域。 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(biāo)的技術(shù)和過(guò)程 [1]。 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。概括而言，凡是需要對(duì)圖像目標(biāo)進(jìn)行提取 、 識(shí)別和跟蹤的應(yīng)用 都離不開(kāi)圖像分割。 閾值分割算法 由于其直觀 、 易于實(shí)現(xiàn)的特點(diǎn)成為 其中 最受關(guān)注 、 算法 數(shù)量最多 、 最常用的一類(lèi) 算法 。由算法的步驟可以看出，確定 適當(dāng)?shù)?閾值是分割的關(guān)鍵， 閾值 將直接影響分割的準(zhǔn)確性。 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。研究者發(fā)現(xiàn)鳥(niǎo)群 在飛行過(guò)程中經(jīng)常會(huì)突然改變飛行方向、散開(kāi)、聚集，其行為是不可預(yù)測(cè)的 ， 雖然 運(yùn)動(dòng)的主體是離散的，其排列看起來(lái)是隨機(jī)的， 但 在 整體的運(yùn)動(dòng)中卻 保持 著驚人的同步性 ，個(gè)體與個(gè)體間也保持著 適當(dāng) 的距離。 美國(guó)社會(huì)心理學(xué)家 James Kennedy 和電氣工程師 Russell Eberhart 在 1995 年的IEEE 國(guó)際神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會(huì)議上發(fā)表了論文“ Particle Swarm Optimization”，正式提出了 PSO 算法 [11][12]。 PSO 算法概念簡(jiǎn)單 、 易于實(shí)現(xiàn) 。 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。 針對(duì) 算法 存在的這些缺陷，研究者提出了許多改進(jìn)的方法 ，主要 有：對(duì)進(jìn)化方程參數(shù)的設(shè)定和調(diào)整 [16][17][18]；充分吸收其他進(jìn)化算法的優(yōu)勢(shì)，將 PSO 算法與其 它 智能算法相結(jié)合[19][20]。 可以看到，在基本 PSO 算法的基礎(chǔ)上 提出的改進(jìn)算法已有很多，它們?cè)谝欢ǔ潭壬蠌牟煌嵌雀纳屏?PSO 算法的性能。在實(shí)際應(yīng)用中，不同的問(wèn)題有不同的要求， 這就需要研究者從 具體 應(yīng)用的角度進(jìn)行改進(jìn)。 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。 最后， 為了驗(yàn)證 所提出的 DPSO 算法 對(duì)于 閾值分割的有效性 ， 本文 將該算法應(yīng)用到人臉檢測(cè)預(yù)處理中，實(shí)現(xiàn) 了 基于 膚色 的圖像閾值 分割 。優(yōu)化的目的就是對(duì)于給出的實(shí)際問(wèn)題，從可行的解決方案中找出最好或較好的解決方案。 優(yōu)化問(wèn)題自提出以來(lái)， 人們對(duì)它的研究就從未間斷過(guò)，對(duì)優(yōu)化問(wèn)題的求解提出了各種各樣的方法。在數(shù)值算法中，近些