多阈值图像分割算法优化研究及工作总结

多阈值图像分割是图像处理的重要步骤和组成部分，是图像分析和图像理解的重要基础。随着阈值数量的增加，相较于二级阈值化方法，多阈值方法的计算复杂度迅速增长。因此，基于智能优化的多阈值化方法获得了越来越多的关注。基于多阈值图像分割的相关特性，本书对人工蜂群和灰狼算法进行改进，提高人工蜂群算法的运行速度和收敛性，提升灰狼算法的稳定性。考虑到多阈值图像分割方法的空间位置无关性，本书通过模糊理论和局部模糊信息聚合的方式提高图像分割精度，最终实现以提高分割速度、保证算法稳定和提升分割精度为目标的模糊多阈值图像分割机制。与此同时，本书也介绍了超像素及分形理论和数学形态学方法在图像分割中的应用。

本书完成的主要工作总结如下：

（1）对人工蜂群算法的邻域最优搜索进行了研究。基于多阈值图像分割的算法综述，ABC在搜索精度和运行速度方面具有明显优势。本书以Kapur熵为目标函数，通过MQAB优化阈值向量，并最终实现图像分割。为了提高ABC在多阈值分割领域的分割效果，本书提出了观察蜂阶段的距离策略，以此提高ABC的快速性和最优解收敛性。经过大量定量及可视性实验比较，MQABC图像分割方法不仅能够获得更好的图像分割质量，而且在目标函数值、运行时间和收敛性方面具有较大提高。具体表现在，与EMO、ABC和MDGWO方法相比，MQABC在运行时间和算法到达收敛的迭代次数方面获得了显著提高。并且与ABC相比，MQABC在图像分割的PSNR评价和收敛性方面获得了较大提升。

（2）对灰狼算法的种群更新策略进行了研究。在第3章MQABC算法的基础上，进一步探索了最新智能优化算法（GWO）在阈值化图像分割中的应用。本书分析和比较了基于Kapur和Otsu的多阈值图像分割方法。需要重点指出的是，本书首次将GWO引入多阈值图像分割领域，并对GWO方法进行了改进。提出了一种改进的GWO算法并将其应用于基于图像直方图的Kapur熵图像分割。基于GWO在优化过程、稳定性等方面的高效性；通过改进捕猎过程中种群更新策略，运用权重来优化最终确定的猎物位置（最优阈值），成功地将改进的离散灰狼算法应用到多阈值图像分割领域。经过大量定量及可视性实验比较，MDGWO图像分割方法不仅能够获得更好的图像分割质量，而且稳定性、分割精度和较多阈值分割等方面相较于DE、GWO和EMO方法具有明显优势。(www.xing528.com)

（3）对模糊理论和模糊逻辑在多阈值图像分割中的应用进行了研究。在改进智能优化算法（第3章和第4章所提算法）的基础上，将Kapur熵模糊化，提出了基于MQABC和MDGWO的模糊多阈值图像分割方法。通过阈值和最优目标函数的对比，分析讨论了MQABC和MDGWO的多阈值优化效果。

（4）对基于邻域相关的模糊多阈值图像分割方法进行研究，提出了一种新型邻域信息聚合模糊图像分割框架。在第5章所提软阈值化方法的基础上，通过模糊隶属度初始化和模糊隶属度聚合，进一步分析和研究了FMQABCA和FMDGWOA两种方法在模糊多阈值图像分割方面的应用。以最优阈值向量为质心，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、迭代均值方式进行模糊信息聚合，最终完成图像分割。并且在模糊度聚合过程中，中值聚合获得了最好的效果，且优于EMO、FDE等模糊和非模糊方法。通过对PSNR、STD和MEAN值的比较分析可知，两种方法在保证高质量图像分割效果的基础上，FMQABCA在运行时间方面更优，而FMDGWOA方法则长于分割的稳定性。