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