基于改进差分演化的高效图像分割算法

《基于改进差分演化的高效图像分割算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于改进差分演化的高效图像分割算法　　摘要：差分演化算法的实现简单有效，但其搜索能力较弱，对此提出一种基于贝塔分布的控制参数动态设置策略以提高差分演化的优化效果，并将其应用于图像分割问题。首先，将图像的直方图按强度分为两类，并按类内方差、类间方差与总方差总结为待优化的目标函数；然后，使用改进的差分演化算法搜索图像分割目标函数的最优解，其中在每轮迭代中使用贝塔分布动态的设置控制参数。仿真实验表明，该方法获得了较好的优化结果，并获得了较好的图像分割效果。　　关键词：贝塔分布；差分演化；图像分割；阈值化分割；控制参数　　中图分类号：TN911.73?

2、34；TP391文献标识码：A文章编号：1004?373X（2016）14?0087?05　　Highefficientimagesegmentationalgorithmbasedonimproveddifferentialevolution　　FANZehua，BAITiecheng　　（CollegeofInformationEngineering，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　　图像分割是图像处理领域中最基础的图像分析方法之一，其主要目标是将图像划分为若干个相关性较低的区域，从而做后续的进一步分析[1?2]。基于阈值的图像分割方法是一种极为重要的方法，目前已有大量的研究对传统阈值图像分割方法进行了改进，并且获得了较好的效果。随着人工智能的迅速发展，许多研究引入智能优化技术搜索图像分割的最优组合解或者帕累托解，极大地提高了图像分割的效果[3]。已有较多的文献分别引入不同的人工智能方法对图像分割进行处理，均取得了较好的效果，其中包括遗传算法[4]、粒子群[5]、细菌觅食算法[6]、布谷鸟搜索[7]、蜂群优化[8

7、]等。9　　DE（差分演化）[9]是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。但相比于进化算法，DE保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性[10]。DE的性能主要依赖两个要素：试验向量生成策略，包括变异与交叉操作；控制参数：种群大小（NP），缩放因子（F）和交叉率（CR）。本文改进的差分演化方法在每轮迭代中采用贝塔分布来动态地调节[F]与[CR]控制参数以期提高差分演化算法的优化效果。本文将改进的差分演化方法应用于直方图阈值化分割问题中

8、，贝塔分布使得控制参数出现取值范围两级的频率更高，因此每轮迭代中控制参数选择极值的概率较高，提高了差分演化的优化性能，并且获得的图像分割效果优于其他的