《基于智能优化的模糊阈值化图像分割算法研究》关键探究

在本章前几节中对图像分割的研究背景及意义、图像存储类型和颜色模式对图像分割的影响、现阶段图像分割算法的分类与综述，以及图像分割的应用前景等方面进行了综合分析。总体来讲，图像分割算法种类繁多，应用前景广阔，但也存在很多亟待解决的问题。根据前期分析情况，本书将专注于多阈值图像分割领域，在综合分析近年来多阈值图像分割算法的基础上，全面分析和介绍多阈值图像分割的相关算法和框架。在此基础上进一步分析部分应用范围较广的其他类型算法。力争使读者对图像分割有一个整体、全面的认识，对多阈值图像分割有更加深入和透彻的理解和掌握。

多阈值图像分割是图像分割领域的一项重要研究课题。针对多阈值图像分割在计算复杂度、分割精度、运行时间和稳定性等方面的问题，本书以人工蜂群算法和灰狼算法为基础，分析和研究模糊理论和邻域信息聚合方法在阈值化分割中的应用。人工蜂群算法是一种最常用的阈值化分割算法，在运行时间方面具有优势。而选择灰狼算法的主要动机在于探索最新智能优化算法在阈值化分割中的应用，并重点验证其在迭代稳定性方面的优势。因此，本书主要研究内容包括以下几个方面。

1）基于改进快速人工蜂群算法的阈值化图像分割

综合近年来文献，在阈值化分割领域，人工蜂群算法的使用频率较高，且它在时间效率方面优势明显。更加重要的是，人工蜂群算法只有很少的预定义参数，这样可以尽可能地减少人工参数设置的影响。但是它在解搜索方程式方面仍然存在一些缺陷，主要表现在：在探测性方面表现较好，但是在最优解搜索方面表现低劣。本书在原始算法的基础上，通过改进观察蜂的邻域最优搜索策略，提出了基于改进蜂群算法的阈值化分割算法。在以Kapur熵为目标函数的情况下，相较于其他阈值化算法，该算法在图像分割质量、运行时间等方面具有一定的优势。通过可视化和两种分割评价函数的比较分析，该方法不仅可以高效地完成阈值化分割，而且在运行时间方面最为突出（也优于本书所提离散灰狼算法）。

2）基于改进离散灰狼算法的阈值化图像分割

灰狼算法是最近提出的一种智能优化算法。相较于其他智能优化算法，该方法具有较好的收敛性，能够有效避免陷入局部最优，而且在解决未知空间和具有挑战的问题时也有良好效果。本书通过离散化和权重机制将改进离散灰狼算法应用到阈值化分割中，在本节1）中Kapur熵的基础上，进一步分析Otsu方法的分割效率。基于可视化及评价函数的比较分析，改进离散灰狼算法不仅能够有效地实现阈值化分割，而且在算法迭代稳定性方面最为突出。(www.xing528.com)

3）基于模糊理论和智能优化的阈值化图像分割

图像分割本身就是一个模糊问题，通过目标函数的模糊化，模糊理论和模糊逻辑在阈值化分割中的应用获得了越来越多的关注。但是随着目标函数的模糊化，其计算复杂度也会极大地增加。然而随着智能优化算法的不断更新和进步，模糊目标函数的计算复杂度问题能够得到有效的解决。因此，在本节1）和2）的基础上，本书将在现有模糊方法的基础上，分析和研究基于模糊Kapur熵的改进快速人工蜂群算法和改进离散灰狼算法在多阈值图像分割领域的应用。借助模糊目标函数，提高图像分割精度，缩短运行时间，并分析不同方法在目标函数值、最优阈值等方面的效率。

4）基于智能优化和邻域模糊信息聚合的阈值化图像分割

多阈值图像分割最主要的缺陷在于其邻域无关性，而分割区域的划分却是一个领域高度相关的聚合问题。为了弥补多阈值分割的这一缺陷，本书通过模糊隶属度初始化和模糊邻域信息聚合，提高区域划分的邻域相关性，从而提升图像分割质量。

本书将在3）的基础上，进一步分析和研究邻域相关的模糊快速人工蜂群算法和离散灰狼算法。将智能优化算法获取的最优阈值向量作为质心，通过伪梯形隶属度函数为每个像素分配一组模糊值，然后分别以中值、均值、迭代均值方式进行邻域模糊信息聚合。实验比较发现中值聚合获得了最好的分割效果。通过可视化和评价函数的比较分析，可知聚合方法有效地提升了图像分割的质量，并且在运行时间和稳定性方面表现较好。尤其需要重点强调的是，改进快速人工蜂群算法在时间效率方面更优，而改进离散灰狼算法在稳定性方面更为突出。