基于克隆选择和粒子群算法的图像分割方法研究

摘要

图像分割是数字图像处理中一项关键的技术,是为图像处理的下一步做准备的。因此,图像分割效果的好坏直接影响到视觉效果。图像分割技术一直是学者们研究的热点,而且图像分割方法也发展迅速。因此它已经被应用于许多领域,如交通领域、生物医学领域、军事领域、工业控制领域等都得到了非常广泛的应用。
　　 阈值分割是图像分割中最常用的方法之一,阈值分割的实质就是对图像中的目标和背景进行分类,这就要选取阈值,阈值的选取决定了图像分割效果的好坏,因此如何选取合适的阈值成为了阈值分割中的关键技术。对阈值的选取有很多方法,其中基于图像信息熵求图像分割阈值的算法考虑了图像中的有效信息,是一种分割效果较好的方法。本文分析了一维最大熵图像分割和二维最大熵图像分割,一维最大熵图像分割只利用了图像像素灰度分布信息,而忽略了图像像素的空间信息,这对噪声的抗干扰能力比较弱,鲁棒性差。二维最大熵图像分割不仅考虑了图像像素灰度分布信息还考虑了像素的空间信息,这就提高了对噪声的抗干扰能力。
　　 基于最大熵求图像分割阈值的过程其实就是寻找分割函数最优解的过程,本文改进的克隆粒子群算法作为一种新的全局优化搜索算法,具有记忆功能和良好的收敛性。因此,完全可以把克隆粒子群算法用于最大熵图像分割中,通过寻找图像分割函数的最优解得到最佳阈值。克隆粒子群算法是针对克隆选择和粒子群算法的特点提出的,结合了两种算法的优点,克服了各自的缺点,使算法性能更加优化。
　　 本文把克隆粒子群算法用在一维最大熵和二维最大熵图像分割中,并对其做了大量实验,实验结果表明,该算法加快了图像分割函数收敛速度,最后能够快速、准确地得到图像分割的最佳阈值,图像分割效果比较好。