用于圖像多閾值分割的BBO算法改進研究.pdf

1、圖像分割是數(shù)字圖像處理與計算機視覺研究的基礎和前提，是圖像處理中非常重要的關鍵步驟。閾值分割是一種基于圖像一維灰度直方圖的分割技術，由于實現(xiàn)簡單、性能穩(wěn)定而得到廣泛的應用。但多閾值分割需要在全部的灰度值范圍中尋找一個最優(yōu)的閾值組合，因而計算量龐大導致時間和空間復雜度很高，為此需要引入智能優(yōu)化算法來優(yōu)化最優(yōu)閾值的搜索過程。生物地理學優(yōu)化(Biogeography-Based Optimization，BBO)算法是一種新穎的、基于群體智能

2、的進化算法，模擬了生物種群在棲息地之間的產(chǎn)生、遷移以及滅絕的規(guī)律。BBO算法只需設置較少的參數(shù)，計算簡單、收斂速度快。鑒于其優(yōu)良的性能和獨特的搜索機制，BBO算法在智能優(yōu)化的領域得到廣泛的關注。雖然BBO算法有許多優(yōu)點，但也有其局限性。算法中的遷移操作可以實現(xiàn)候選解之間的信息共享，但是具有一定的盲目性，影響算法的開采能力;且基于隨機變異的變異操作限制了算法的探索能力。因此BBO算法在尋優(yōu)過程中容易發(fā)生過早收斂現(xiàn)象，出現(xiàn)陷入局部最優(yōu)等問題

3、。本文針對圖像的多閾值分割計算復雜度高，耗時長久等問題，引入BBO算法優(yōu)化多閾值分割中閾值的尋優(yōu)過程。為了增強生物地理學優(yōu)化算法在圖像多閾值分割應用中的全局搜索能力，提高優(yōu)化性能，針對上述存在的問題對BBO算法進行了研究，并做出了改進。本文主要研究內(nèi)容及創(chuàng)新點如下:
　　1)為了全面提升BBO算法整體性能，提出一種多源遷移與自適應變異的生物地理學優(yōu)化算法:引入多源遷移算子，提高算法的全局搜索能力，并提出一種新型的自適應變異算子，采

4、用貪婪選擇的精英保留策略，加快算法的收斂速度。并且將這種多源遷移與自適應變異的BBO算法應用到基于最大熵的圖像的多閾值分割中，獲得較為準確的閾值。
　　2)針對大范圍多閾值分割問題，提出了一種動態(tài)擾動的遷移算子和椒鹽變異融合的生物地理學優(yōu)化算法(簡稱DSBBO)。并將該算法應用到基于最小交叉熵的圖像2到8閾值分割中，取得了一種2到8閾值大范圍的、有效的多閾值優(yōu)化搜索方法。
　　3)為了降低BBO算法的計算復雜度，加快尋優(yōu)速度