基于PSNR的图像分割质量评估方法

为了更好地分析图像分割质量，本章将在第5章分析最优阈值和最优目标函数值的基础上，通过PSNR、STD和MEAN等评价方法比较分析本书所提FMQABCA和FMDGWOA的性能优势。为了前后文一致，本章也实验获取了非模糊方法EMO、ABC和MDGWO的相关实验数据，更详细的非模糊方法比较可以查看第4章和第5章的数据分析。

表6.3　不同阈值条件下的PSNR质量评价

为了比较EMO、ABC、MQABC、FDE、FMQABC和FQMABCA方法的优劣程度，表6.3展示了这些方法的PSNR值。从表中可以看出，MQABCA的PSNR值具有明显优势（相较于其他方法，MQABCA的PSNR值都增加了1以上），因此MQABCA是一种非常有效的模糊多阈值图像分割方法。整体上，从模糊方法（FDE、FMQABC和FQMBCA）和非模糊方法（EMO、ABC和MQABC）的比较来看，模糊方法的PSNR值更高。特别是，FMQABCA不仅明显优于非模糊方法，且在模糊方法的比较中也有明显的优势。基于表6.3中的数据，FMQABCA平均提高了16.45%。

与EMO方法相比，FMQABCA平均提高了20.75%。其中，当阈值数量为2时的Moutain图像获得最大提升，提高了62.28%；当阈值数量为2时Building图像的提升幅度最小，提高了3.93%。

与ABC方法相比，FMQABCA平均提高了20.48%。其中，当阈值数量为2时Moutain图像获得最大提升，提高了62.28%；当阈值数量为2时Building图像的提升幅度最小，提高了3.93%。

与MQABC（第3章所提方法）方法相比，FMQABCA平均提高了19.06%。其中，当阈值数量为2时Moutain图像获得最大提升，提高了62.28%；当阈值数量为5时Building图像的提升幅度最小，提高了0.11%。

与FDE方法相比，FMQABCA平均提高了12.59%。其中，当阈值数量为3时Swan图像获得最大提升，提高了42.17%；当阈值数量为4时Aeroplane图像的提升幅度最小，提高了0.83%。

与FMQABC（第5章所提方法）方法相比，FMQABCA平均提高了9.37%。其中，当阈值数量为4时Swan图像获得最大提升，提高了37.58%；当阈值数量为3时Moutain图像的提升幅度最小，提高了0.83%。

从以上数据比较可以看出，FMQABCA在分割质量评价方法优于其他模糊和非模糊方法，从而证明了FMQABCA是一种高效的MT分割方法。(www.xing528.com)

表6.4展示了FMDGWO方法的相关PSNR比较结果。与EMO、MDGWO、FDE和FGWOA方法相比，FMDGWOA方法同样获得了更高的PSNR值。从整体上来看，FMDGWOA平均提高了17.22%。

与EMO方法相比，FMDGWOA平均提高了23.92%。除了当阈值数量为2时的Building图像的PSNR值略低以外，其他测试结果中FMDGWOA方法均获得了最高的PSNR值。且当阈值数量为2时Moutain图像的提升幅度最大，提高了82.27%。

与MDGWO（第4章所提方法）方法相比，FMDGWOA平均提高了24.24%。其中，当阈值数量为2时Moutain图像获得最大提升，提高了82.14%；当阈值数量为5时Aeroplane图像的提升幅度最小，提高了4.26%。

与FDE方法相比，FMDGWOA平均提高了15.37%。其中，当阈值数量为2时Moutain图像获得最大提升，提高了49.80%；当阈值数量为3时Moutain图像的PSNR值略低。

与MQABC（第3章所提方法）方法相比，FMDGWOA平均提高了22.20%。其中，当阈值数量为2时Moutain图像获得最大提升，提高了82.27%；当阈值数量为2时Building图像的PSNR值略低。

表6.4　不同阈值条件下的PSNR图像分割质量评价

与FGWOA（GWO方法为本书首次在MT分割中应用，因此本章也通过模糊隶属度聚合的方式测试了原始GWO方法在模糊分割中的结果）方法相比，FMDGWOA平均提高了0.32%。其中，当阈值数量为4时Swan图像获得最大提升，提高了2.89%。

通过以上数据比较和分析，本书所提出的FGWOA和FMDGWOA方法均优于其他模糊和非模糊多阈值图像分割方法。综合表6.3和表6.4，本章重点讨论的FMQABCA和FMDGWOA方法在PSNR的比较方面，整体上优于其他方法。从FMQABCA和FMDGWOA的比较来看，两种方法均获得了较好的图像分割质量，FMDGWO方法在极少情况下PSNR值略低。从而说明了本书改进算法在分割效率方面具有较大优势，也验证了本书算法改进的有效性。

除了上述PSNR的比较以外，本书还将比较各种方法在运行时间、目标函数STD和MEAN方面的性能。详细比较结果将在后续章节中给出。