【正文】 gmax = 0。 for (j = 0。 j++) { for (i = 0。 i++) { int g = im[i][j]。 if(g gmax) gmax = g。 } } thresh = 0。 int meangray1,meangray2。 for(i = 0。amp。i++) { thresh = newthresh。 p2 = 0。 s2 = 0。 j thresh。 s1 += p[j]。 for(j = thresh+1。 j++) { p2 += p[j]*j。 } meangray2 = (int)(p2/s2)。 } return newthresh。 b) Otsu 部分閾值分割代碼： //Otsu分割 public int psoThresh(int[] pix, int iw, int ih) { ColorModel cm = ()。 int[][] inIm = new int[iw][ih]。 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 25 int L = 256。 for (j = 0。 j++) for (i = 0。 i++) inIm[i][j] = pix[i+j*iw]amp。 for (i = 0。 i++) p[i] = 0。 j ih。 i iw。 for (int m = 0。 m++) p[m] = p[m] / wh。 for (t = 0。 t++) { double w0 = 0。 m t+1。 double w1 = 1 w0。 for (int m = 0。 m++) u0 += m * p[m] / w0。 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 26 for (int m = t。 m++) u1 += m * p[m] / w1。 } double max = 。 for (i = 0。 i++) { if (max sigma[i]) { max = sigma[i]。 } } return T。 c) Sobel算子 //Sobel if(flag)//邊緣檢測(cè) { int[][] edge1 = edge(gray, pre1, iw, ih)。 for(j = 0。 j++) { for(i = 0。 i++) { if((edge1[i][j],edge2[i][j]) thresh) r = 0。 px[i+j*iw] = (25524)|(r16)|(r8)|r。 int[][] edger2 = edge(inr, pre2, iw, ih)。 int[][] edgeg2 = edge(ing, pre2, iw, ih)。 int[][] edgeb2 = edge(inb, pre2, iw, ih)。 j ih。 i iw。 g = (edgeg1[i][j],edgeg2[i][j])。 px[i+j*iw] = (25524)|(r16)|(g8)|b。 byte[][] sob2 = {{ 1, 2, 1}, { 0, 0, 0}, {1,2,1}}。 int[][] edge2 = edge(gray, sob2, iw, ih)。 j ih。 i iw。 else r = 255。 } } } else { int[][] edger1 = edge(inr, sob1, iw, ih)。 int[][] edgeg1 = edge(ing, sob1, iw, ih)。 int[][] edgeb1 = edge(inb, sob1, iw, ih)。 基于粒子群優(yōu)化算法的圖像分割系統(tǒng)的設(shè)計(jì) 29 for(j = 0。 j++) { for(i = 0。 i++) { r = (edger1[i][j],edger2[i][j])。 b = (edgeb1[i][j],edgeb2[i][j])。 } } } } return px。 int r, r0, r1, r2, r3, g, g0, g1, g2, g3, b, b0, b1, b2, b3。 j ih1。 i iw1。 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])。 r3 = (px[i+1+(j+1)*iw])。 g0 = (px[i+j*iw])。 g2 = (px[i+1+j*iw])。 g = (int)((g0g3)*(g0g3)+(g1g2)*(g1g2))。 b1 = (px[i+(j+1)*iw])。 b3 = (px[i+1+(j+1)*iw])。 if(flag) { if(r thresh) r = 0。 px[i+j*iw] = (25524)|(r16)|(r8)|r。 } } return px。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)。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） 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(xiàn)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[ ?? 。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)。 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。 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。 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。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。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。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。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。 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。在此謹(jǐn)向 顧老師 表示深深的敬意和衷心的感謝。與你們的相處使我開(kāi)闊了思路，豐富了我的人生。 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。 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。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?；谥狈綀D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)?；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.