資源描述：
《基于改進(jìn)差分演化的高效圖像分割算法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于改進(jìn)差分演化的高效圖像分割算法 摘要：差分演化算法的實(shí)現(xiàn)簡單有效，但其搜索能力較弱，對(duì)此提出一種基于貝塔分布的控制參數(shù)動(dòng)態(tài)設(shè)置策略以提高差分演化的優(yōu)化效果，并將其應(yīng)用于圖像分割問題。首先，將圖像的直方圖按強(qiáng)度分為兩類，并按類內(nèi)方差、類間方差與總方差總結(jié)為待優(yōu)化的目標(biāo)函數(shù)；然后，使用改進(jìn)的差分演化算法搜索圖像分割目標(biāo)函數(shù)的最優(yōu)解，其中在每輪迭代中使用貝塔分布動(dòng)態(tài)的設(shè)置控制參數(shù)。仿真實(shí)驗(yàn)表明，該方法獲得了較好的優(yōu)化結(jié)果，并獲得了較好的圖像分割效果。 關(guān)鍵詞：貝塔分布；差分演化；圖像分割；閾值化分割；控制參數(shù) 中圖分類號(hào)：TN911.73?
2、34；TP391文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1004?373X（2016）14?0087?05 Highefficientimagesegmentationalgorithmbasedonimproveddifferentialevolution FANZehua，BAITiecheng ?。–ollegeofInformationEngineering，TarimUniversity，Alar843300，China） Abstract：Thedifferentialevolutionalgorithmiseffectiveandeasyt
3、orealize，butithaspoorsearchability，soacontrolparameterdynamicsettingstrategybasedonbetadistributionisproposedtoimprovetheoptimizationeffectofthedifferential9evolution，andappliedtotheimagesegmentation.Inthescheme，theimagehistogramsaredividedintotwoclassesaccordingtheirintensi
4、ty，andsummarizedtothewaitingoptimizationtargetfunctionaccordingtotheinner?classvariance，inter?classvarianceandtotalvariance.Andthen，theimproveddifferentialevolutionalgorithmisusedtosearchtheoptimalsolutionoftheimagesegmentationtargetfunction，inwhichthebetadistributionisusedt
5、osetthecontrolparametersdynamicallyineachiteration.Thesimulationexperimentresultsshowthattheproposedmethodcanobtainbetteroptimalresultandgoodimagesegmentationeffect. Keywords：betadistribution；differentialevolution；imagesegmentation；thresholdingsegmentation；controlparameter
6、 0引言 圖像分割是圖像處理領(lǐng)域中最基礎(chǔ)的圖像分析方法之一，其主要目標(biāo)是將圖像劃分為若干個(gè)相關(guān)性較低的區(qū)域，從而做后續(xù)的進(jìn)一步分析[1?2]。基于閾值的圖像分割方法是一種極為重要的方法，目前已有大量的研究對(duì)傳統(tǒng)閾值圖像分割方法進(jìn)行了改進(jìn)，并且獲得了較好的效果。隨著人工智能的迅速發(fā)展，許多研究引入智能優(yōu)化技術(shù)搜索圖像分割的最優(yōu)組合解或者帕累托解，極大地提高了圖像分割的效果[3]。已有較多的文獻(xiàn)分別引入不同的人工智能方法對(duì)圖像分割進(jìn)行處理，均取得了較好的效果，其中包括遺傳算法[4]、粒子群[5]、細(xì)菌覓食算法[6]、布谷鳥搜索[7]、蜂群優(yōu)化[8
7、]等。9 DE（差分演化）[9]是一種模擬生物進(jìn)化的隨機(jī)模型，通過反復(fù)迭代，使得那些適應(yīng)環(huán)境的個(gè)體被保存了下來。但相比于進(jìn)化算法，DE保留了基于種群的全局搜索策略，采用實(shí)數(shù)編碼、基于差分的簡單變異操作和一對(duì)一的競爭生存策略，降低了遺傳操作的復(fù)雜性[10]。DE的性能主要依賴兩個(gè)要素：試驗(yàn)向量生成策略，包括變異與交叉操作；控制參數(shù)：種群大?。∟P），縮放因子（F）和交叉率（CR）。本文改進(jìn)的差分演化方法在每輪迭代中采用貝塔分布來動(dòng)態(tài)地調(diào)節(jié)[F]與[CR]控制參數(shù)以期提高差分演化算法的優(yōu)化效果。本文將改進(jìn)的差分演化方法應(yīng)用于直方圖閾值化分割問題中
8、，貝塔分布使得控制參數(shù)出現(xiàn)取值范圍兩級(jí)的頻率更高，因此每輪迭代中控制參數(shù)選擇極值的概率較高，提高了差分演化的優(yōu)化性能，并且獲得的圖像分割效果優(yōu)于其他的
