一種基于混合合作學(xué)習(xí)粒子群算法多閾值圖像分割

1、A hybrid cooperativecomprehensive learning based PSO algorithm for image segmentation using multilevel thresholding一種基于混合合作-學(xué)習(xí)的粒子群算法的多閾值圖像分割一、文章來源；二、研究意義；三、方法原理；四、結(jié)果討論與論；五、個人觀點六、參考文獻1/28一、文章來源2/28 圖象處理的目的之一是用作圖象識別，本圖像分割將圖象分為一些有意義的區(qū)域，然后可以對這些區(qū)域進行描述，相當于提取出某些目標區(qū)域圖像的特征，判斷圖像中是否有感興趣的目標 分割的目的是把圖象空間分成一些有意義的區(qū)

2、域，是實現(xiàn)圖像自動識別與理解的必不可少的過程，是計算機視覺的中間層次。例如，一幅航空照片，可以分割成工業(yè)區(qū)、住宅區(qū)、湖泊、森林等等?？梢砸灾饌€象素為基礎(chǔ)去研究圖象分割，也可以利用在規(guī)定鄰域中的某些圖象信息去分割。分割的依據(jù)可建立在相似性和非連續(xù)性兩個基本概念之上。 圖像分析系統(tǒng)的基本構(gòu)成如下圖：知識庫知識庫表示與描述表示與描述預(yù)處理預(yù)處理分割分割低級處理高級處理中級處理識別識別與與解釋解釋結(jié)果圖像獲取圖像獲取問題二、研究意義3/28飛翔中的鳥群是如何找到食物的？Bionic Computing Lab, 2005ionic omputing粒子群最佳化3.1 PSO算法簡介 粒子群算法(par

3、ticle swarm optimization，PSO)由Kennedy和Eberhart在1995年提出，該算法模擬鳥集群飛行覓食的行為，鳥之間通過集體的協(xié)作使群體達到最優(yōu)目的，是一種基于Swarm Intelligence的優(yōu)化方法。同遺傳算法類似，也是一種基于群體疊代的，但并沒有遺傳算法用的交叉以及變異，而是粒子在解空間追隨最優(yōu)的粒子進行搜索。PSO的優(yōu)勢在于簡單容易實現(xiàn)同時又有深刻的智能背景，既適合科學(xué)研究，又特別適合工程應(yīng)用，并且沒有許多參數(shù)需要調(diào)整。 三、方法原理4/2875/283.2 PSO算法分析-1 PSO中，每個優(yōu)化問題的解都是搜索空間中的一只鳥。稱之為“粒子(Part

4、icle)”。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應(yīng)值，每個粒子還有一個速度決定他們飛翔的方向和距離。然后粒子們就追隨當前的最優(yōu)粒子在解空間中搜索. PSO 初始化為一群隨機粒子。然后通過疊代找到最優(yōu)解。在每一次疊代中，粒子通過跟蹤兩個極值來更新自己。第一個就是粒子本身所找到的最優(yōu)解。這個解叫做個體極值pBest. 另一個極值是整個種群目前找到的最優(yōu)解。這個極值是全局極值gBest。另外,也可以不用整個種群而只是用其中一部分的鄰居。6/283.2 PSO算法分析-2 PSO算法數(shù)學(xué)表示如下： 設(shè)搜索空間為D維，總粒子數(shù)為n。第i個粒子位置表示為向量Xi=( xi1, xi2, xiD )；

5、第i個粒子 “飛行”歷史中的過去最優(yōu)位置（即該位置對應(yīng)解最優(yōu)）為Pi=( pi1,pi2,piD )，其中第g個粒子的過去最優(yōu)位置Pg為所有Pi ( i=1, ,n)中的最優(yōu)；第i個粒子的位置變化率（速度）為向量Vi=(vi1, vi2, viD)。每個粒子的位置按如下公式進行變化（“飛行”）：7/283.2 PSO算法分析-312(1)( )()( )( )()( )( )ididididgdidvtwvtcrandptxtcrandptxt(1 )()(1 )11idididxtxtvtindD（1）（2）其中，C1,C2為正常數(shù)，稱為加速因子；rand( )為0，1之間的隨機數(shù)；w稱慣性

6、因子，w較大適于對解空間進行大范圍探查(exploration)，w較小適于進行小范圍開挖(exploitation)。第d（1dD）維的位置變化范圍為-Xmax, Xmax，速度變化范圍為-Vmax , Vmax，迭代中若位置和速度超過邊界范圍則取邊界值。 8/28社會部分，反映粒子間協(xié)同合作與知識共享的群體歷史經(jīng)驗認知部分，反映粒子對自身歷史經(jīng)驗的記憶慣性部分，代表粒子有維持自己先前速度的趨勢3.2 PSO算法分析-3 粒子群初始位置和速度隨機產(chǎn)生，然后按公式(1)(2)進行迭代，直至找到滿意的解。目前，常用的粒子群算法將全體粒子群(Global)分成若干個有部分粒子重疊的相鄰子群，每個粒

7、子根據(jù)子群(Local)內(nèi)歷史最優(yōu)Pl調(diào)整位置，即公式(2)中Pgd換為Pld。 9/28開始初始化粒子群計算每個粒子的適應(yīng)度根據(jù)適應(yīng)度更新pbest、gbest，更新粒子位置速度結(jié)束noyes達到最大迭代次數(shù)或全局最優(yōu)位置滿足最小界限？3.3 基本PSO算法流程圖 10/2811/28V -Vmax,Vmax當V Vmax,時,V=Vmax當V Vmax,時,V=-Vmax局部最優(yōu)解替換全局最優(yōu)解替換（s表示粒子數(shù)）(有要S個粒子數(shù)，每個粒子都是D維)速度更新位置更新單峰函數(shù)單峰函數(shù)病態(tài)函數(shù)多峰函數(shù)對于單峰函數(shù)能找到最優(yōu)解對于單峰函數(shù)能找到最優(yōu)解對于多峰函數(shù)能及病態(tài)函數(shù)容易陷入局部最優(yōu)解對于

8、多峰函數(shù)能及病態(tài)函數(shù)容易陷入局部最優(yōu)解3.4圖像分割中的最大熵介紹h(i)為灰度值為i的像素點數(shù)目12/28單閾值最大熵函數(shù)多閾值最大熵函數(shù)（此即為目標函數(shù)）13/283.5 圖像分割結(jié)果評價函數(shù)閾值數(shù)目分割的第j個區(qū)域總像素數(shù)目第i個像素的灰度值第j個區(qū)域的灰度平均值整個圖像灰度最大值整個圖像灰最度小值u 一般在（0，1）之間，也有可能大于1，u越大，說明分割效果越好14/283.6 待處理圖像及其灰度直方圖 15/283.6 待處理圖像及其灰度直方圖 16/28四 結(jié)果與討論表1 Lenna和Pepper兩幅圖圖像分割的閾值選擇及目標函數(shù)值最優(yōu)分割閾值點目標函數(shù)值(熵取得最大值)閾值點數(shù)目

9、粒子群遺傳4.1 結(jié)果輸出一17/28Lenna 圖像分割結(jié)果1，c=3，c為閥值點Lenna 圖像分割結(jié)果2，c=5，c為閥值點4.1 結(jié)果輸出一18/28Pepper 圖像分割結(jié)果1，c=3Pepper 圖像分割結(jié)果1，c=54.1 結(jié)果輸出一19/28 結(jié)論： 從表1我們可以看到基于最大熵的圖像分割結(jié)果，分別采用了PSO(粒子群)算法和GA（遺傳）算法，兩幅圖像從分割的閾值點數(shù)目為2-5時，PSO算法的分割結(jié)果的目標函數(shù)一直優(yōu)于GA的，說明PSO算法的分割效果優(yōu)于GA的分割效果，并且隨著分割閾值的數(shù)目越多，分割效果越好。4.2 結(jié)果討論一20/284.3 結(jié)果輸出二表2 粒子群和其它三種

10、算法圖像分割的結(jié)果評價閾值點數(shù)目粒子群遺傳高斯平滑對稱/對偶21/284.4 結(jié)果討論二 結(jié)論： 從表2我們可以看到基于最大熵的圖像分割結(jié)果，分別采用了PSO(粒子群)算法和GA（遺傳）算法、高斯平滑，對稱方法，兩幅圖像從分割的閾值點數(shù)目為2-5時，PSO算法的分割結(jié)果的評價函數(shù)的值總是優(yōu)于其它的算法，PSO算法的u值可以取到0.965-0.98，而其它算法則達到0.93都難。這就更能說明說明PSO算法的分割效果優(yōu)于其它算法的分割效果，并且隨著分割閾值的數(shù)目越多，分割效果越好。22/2821個不同灰度長方形組成的圖像21個不同灰度長方形組成的圖像直方圖4.5輸出結(jié)果之三23/28閾值點C=3,

11、分割成4個部分閾值點C=5,分割成6個部分4.5輸出結(jié)果之三24/28閾值點數(shù)目越多，目標函數(shù)和評價函數(shù)也越大，說明分割效果越來越好。25/28粒子群算法的初始值設(shè)定評價函數(shù)目標函數(shù)閾值點混合粒子群參數(shù)設(shè)定每個一維群的粒子數(shù)目選擇概率加速因子慣性斜率初始慣性權(quán)重每個粒子的位置變化范圍五 個人觀點1.用于圖像分割的圖像數(shù)目太少，才3幅，不能充分說明對所有圖像的分割效果都好。2.用于圖像分割的圖像比較清楚，如果有些模糊的圖像的分割效果又會怎么樣呢？文章沒有交待。3.應(yīng)該將這個算法和基于區(qū)域、基于輪廓等的其它分割方法進行對比，才能充分說明這種分割方法的好1.引入圖像分割結(jié)果的評價函數(shù)模型，其它文章都

12、只做到讓目標函數(shù)達到最大就完了。2.閾值點數(shù)目可以改變，所以無論再怎么復(fù)雜的圖像，隨著閾值點數(shù)目的增多，分割效果會越來越好。3.PSO算法結(jié)構(gòu)簡單，看懂容易，還可以和其它算法結(jié)合，不斷提高它的收斂精度和收斂速度。優(yōu)點缺點26/28六 參考文獻1 Madhubanti Maitra, Amitava Chatterjee. A hybrid cooperativecomprehensive learning based PSO algorithm for image segmentation using multilevel thresholding. 2008(34) :134113502徐小慧張安.基