基于多目标粒子群优化算法的图像分割算法

摘要

图像分割是对图像进行一个预处理的过程，是图像处理的关键步骤，其分割结果将直接影响后期图像分析。传统的图像分割有边缘检测法、阈值分割法、区域分割法和聚类分割法。根据每个方法各自的优势和缺陷，对于不同的分割图像我们可选择不同的分割方法。因此图像分割没有统一的分割算法。随着群智能算法在图像分割中的广泛应用，图像分割的效果得到了不同程度的改善。但是仍然存在分割结果单一，灵活度不强的问题。为了改善这一问题，本文将多目标优化算法思想引入图像分割中。
　　由于多目标优化算法存在解集分布性较差和高维目标下收敛性不好的问题，本文在已有算法的基础上，提出了改进的多目标粒子群优化（IMOPSO）算法。首先利用Kent映射的均匀遍历性对种群进行初始化，其次在运算过程中加入线性递减的扰动系数并用混沌进行扰动，最后用改进的快速排序法构造非支配解集。将算法时间的复杂度由O(MNlogN)降低到O(MN)。通过仿真实验证明IMOPSO算法不论在解得收敛性还是解得分布均匀性上都优于经典的NSGA-Ⅱ。
　　同时将IMOPSO算法用于图像分割，提出了基于多目标粒子群优化算法的图像分割(IS-IMOPSO)算法。IS-IMOPSO算法将模糊C均值聚类算法分别与K-means聚类算法和多阈值Otsu算法融合在一起，充分发挥它们各自的优势。为图像分割提供了更加多样、更加灵活的分割方法。实验表明该方法能有效地解决图像分割问题的同时增加了图像分割的灵活性和多样性，为图像分割提供更多的选择方法。

目录

声明

摘要

第一章 序言

1．1 图像分割领域的研究现状

1．2 本文的主要研究工作和内容

第二章 理论基础知识

2．1 图像分割基本概念

2．1．1 阈值分割

2．1．2 聚类分割

2．2 多目标优化问题的基本概念

2．2．1 多目标优化问题(Multi-objective optimization problem，MOOP)的描述

2．2．2 多目标优化问题(MOOP)的Pareto最优解集

2．2．3 多目标进化个体之间的支配关系

2．2．4 多目标优化问题的多目标进化算法(MOEA)

2．2．5 多目标优化算法的评价指标

2．3 多目标粒子群优化算法的基本概念

2．3．1 PSO算法的基本概念

2．3．2 多目标粒子群(MOPSO)算法的实现步骤

2．3．3 多目标粒子群(MOPSO)算法的基本算子

第三章 改进的多目标粒子群优化算法

3．1 改进的多目标粒子群优化算法

3．1．1 多目标粒子群优化算法的改进

3．1．2 IMOPSO算法的具体实现流程图

3．2．1 测试函数

3．2．2 仿真结果及分析

第四章 基于多目标粒子群优化算法的图像分割算法

4．1 基于多目标粒子群优化算法的图像分割算法

4．2 算法的仿真及结果分析

本文总结与展望

参考文献

致谢

附录