基于量子粒子群算法的圖像閾值分割方法研究.pdf

1、圖像分割是數(shù)字圖像處理中至關(guān)重要的預(yù)處理環(huán)節(jié)。在圖像分割的眾多算法中，閾值分割以直觀、易于實(shí)現(xiàn)的特點(diǎn)最受關(guān)注，其應(yīng)用最廣泛，算法種類(lèi)也最多。在閾值分割算法中，確定最優(yōu)閾值是關(guān)鍵步驟。傳統(tǒng)的閾值分割方法大多采用窮舉算法尋求最優(yōu)閾值，這使得閾值計(jì)算過(guò)程中計(jì)算量過(guò)大，運(yùn)算效率低。特別是對(duì)于復(fù)雜圖像進(jìn)行多閾值分割時(shí)，計(jì)算量更是呈指數(shù)級(jí)增長(zhǎng)。 受量子理論的啟發(fā)而提出的量子粒子群算法(Quantum-behaved Particle Swa

2、rm Optimization，QPSO)由粒子群算法(Particle Swarm Optimization，PSO)發(fā)展而來(lái)。它以粒子群中粒子的基本收斂特性為基礎(chǔ)，進(jìn)化方程中不需要速度向量，參數(shù)更少，更容易控制，且易于實(shí)現(xiàn)，具有極強(qiáng)的全局搜索能力，是一種最新的智能尋優(yōu)算法。 為了研究圖像閾值的分割效率和分割精度，本文分別采用遺傳算法(Genetic Algorithm，GA)、粒子群算法PSO、量子粒子群算法QPSO對(duì)圖像進(jìn)行

3、閾值分割，實(shí)驗(yàn)結(jié)果表明了QPSO算法的高效率和優(yōu)秀的全局搜索能力。在此基礎(chǔ)上，鑒于QPSO算法在粒子越過(guò)搜索區(qū)域邊界時(shí)對(duì)粒子的簡(jiǎn)單處理方法有可能導(dǎo)致粒子聚集于邊界，從而產(chǎn)生全局最優(yōu)解的誤差，本文提出了一種基于量子粒子群算法的改進(jìn)閾值分割算法BQPSO(Boundary-controlled QPSO)。BQPSO對(duì)于標(biāo)準(zhǔn)量子粒子群算法引入了邊界控制策略，在粒子越過(guò)搜索區(qū)域的時(shí)候?qū)⑵渲刂玫剿阉鲄^(qū)域內(nèi)邊界附近的某一隨機(jī)位置。它使得越過(guò)搜索區(qū)

4、域邊界的粒子不會(huì)聚集于搜索區(qū)域邊界上，而是回到搜索區(qū)域內(nèi)，保持了群體的多樣性，更有效地避免算法陷入局部最優(yōu)解，增強(qiáng)了算法的全局搜索能力。 本文的創(chuàng)新點(diǎn)在于引入了邊界控制策略對(duì)標(biāo)準(zhǔn)量子粒子群算法QPSO進(jìn)行改進(jìn)，并將改進(jìn)算法BQPSO應(yīng)用于圖像分割的閾值尋優(yōu)。BQPSO算法與標(biāo)準(zhǔn)QPSO算法、PSO算法和GA算法在復(fù)雜圖像雙閾值分割應(yīng)用中的比較結(jié)果驗(yàn)證了BQPSO算法在閾值尋優(yōu)中的高效性和準(zhǔn)確性。將BQPSO閾值尋優(yōu)算法應(yīng)用于免疫