<menu id="6c4oc"><tt id="6c4oc"></tt></menu>
  • 新聞中心

    EEPW首頁 > 智能計算 > 設計應用 > 基于SHO-KSW的圖像多閾值分割研究

    基于SHO-KSW的圖像多閾值分割研究

    作者:張天一1,郝玉然2(1.河南農業職業學院,河南鄭州 451450;2.鄭州地鐵集團有限公司,河南鄭州 450000)時間:2022-07-27來源:電子產品世界收藏

    摘要:為了解決傳統KSW法對圖像多時由于空間和時間復雜度增加導致分割效果不佳的穩態,本文采用SHO算法優化傳統KSW法對圖像進行多以提高傳統KSW法分割效果不佳的穩態。為了證明算法對圖像分割的優越性,與PSO算法優化傳統KSW法()分割效果對比。通過本次實驗的過程表明算法比分割更好。

    本文引用地址:http://www.me-unplugged.com/article/202207/436741.htm

    關鍵詞:閾值分割;;;;

    當前,圖像處理最重要的步驟即圖像分割,圖像分割是將某個圖像中的各個不同特點的畫面,根據其特征不同將圖像分割為不同的部分,使每一個部分按照相同的、或近似的特性顯示,不同區域按照不同的特性分類。目前大多數分割算法是結合邊緣、區域等。閾值分割因為有高效、性能較穩定的特點,使得更多的圖像研究者采納,也被廣泛應用在眾多圖像分析與識別等視覺系統中。閾值分割主要有單、多閾值分割法等基本的分類,采用閾值分割法的主要原理為,根據規定的目標求出分割的最優閾值,將圖像的像素點一一比較,進一步將目標與背景區域的多種畫面進行有效的拆分。單閾值分割的處理方法,即依據閾值進一步將直方圖分割成相應的目標與背景兩個類別,多閾值分割可以將相關的圖像劃分為不同的類,從而讓各類的類間方差達到最高數值。

    在 2017 年,Dhiman 等在研究過程中結合斑點鬣狗的狩獵開展研究,進而設計相應的斑點鬣狗優化算法(spotted hyena optimizer,SHO)。斑點鬣狗可以依靠其中的群體關系以及協作能力,能夠迅速有效的捕捉獵物,通過捕捉過程中的關鍵 4 個步驟,分析者構建嚴謹數學模型,并且學者普遍運用到解決實踐工程的優化所需、抽水蓄能等各類發電的聯合調度、數據特征選擇以及彩圖閾值分割 [7]。算法重點是通過搖擺 B → 以及收斂因子 E → 均衡全局以及局部搜索,算法中包圍獵物與狩獵活動兩個階段的種群更新公式較為接近。本文針對 SHO 算法的優點,將 SHO 算法優化傳統閾值分割算法 KSW (最大熵閾值法)用于灰度圖像閾值,并與 PSO 算法優化傳統閾值分割算法 KSW 灰度圖像閾值分割結果進行對比。

    1 最大熵閾值法(KSW)

    1658916350704298.png

    1658916460367619.png

    1658916510661582.png

    1658916540791953.png

    2 斑點鬣狗優化算法(SHO)

    斑點鬣狗(SHO)優化算法是通過觀察它們捕獵過程的行為活動,構建有四大流程數學建模。依靠搜索、包圍、狩獵行為、共計獵物這四個步驟,建立起有效地優化模型,尋找最優值。

    2.1 包圍獵物

    斑點鬣狗預先確認具體的獵物位置,后續進行包圍活動。結合具體的社會級別,預先開展數學建模,優先選定最優包圍對象或是接近最優獵物,因其并非先驗搜索空間。其他斑點鬣狗嘗試不斷的變換自己的位置,等待確定了最佳或者接近最佳的包圍對象后,對其進行獵捕,此類行為的數學模型可應用下述方程來表達:

    1658916626550562.png

    2.2 狩獵行為

    斑點鬣狗是一種群居動物并進行群體狩獵,他們通常依靠群體之間的配合識別獵物位置。為了準確的界說斑點鬣狗的行為,假設無論哪個個體是最佳的搜索個體,只要知道獵物的位置,剩下的其他個體組成一個群體,是最佳搜索個體可信賴的朋友群,向最佳的搜索個體,存儲當前獲取的最優狩獵方案,用于調整具體的位置。狩獵行為的具體模型是:

    1658922743830993.png

    1658922772693469.png

    3 仿真結果分析

    選定傳統 KSW 分割以及 SHO 算法,綜合優化分割,為論證其取得的效果,和傳統 KSW 分割、粒子群算法綜合具體的優化效果開展比較。選擇經典伯克利分割數 據庫中 #29030、#41006、#48017 和 #69000 四幅圖像來驗證算法性能。

    圖 1 為原圖與直方圖。表 1、2 分別為基于 PSO-KSW 和 SHO-KSW 的分割結果。

    1658922865630314.png

    1658922888642612.png

    image.png

    image.png

    4 結語

    從表 1 和表 2 的結果分析得知:(1)SHO-KSW 比 PSO-KSW 可以取得與適應函數值更好的適應效果;(2)SOA-KSW 算法可以獲得更加理想的 和 M 參數,進而說明 SHO-KSW 能夠較優的閾值分割結果。(3)SHO-KSW 比 PSO-KSW 能夠以更短的時間對圖像進行閾值分割。

    參考文獻

    [1] 章毓晉. 圖象分割評價技術分類和比較[J].中國圖象圖形學報, 1996,1(002): 151-158.

    [2] 韓海峰. 一種結合遺傳算法和最大類間方差法的圖像分割新方法[J]. 湖南工程學院學報(自科版), 2015(02): 43-46.

    [3] DHIMAN G, KUMAR V. Spotted hyena optimizer: A novel bio-inspired based metaheuristic technique for engineering applications[J]. Advances in Engineering Software, 2017, 114: 48-70.

    [4] KAUR A, KALEKA K K, V CHAHAR. Spiral-Inspiredspotted hyena optimizer and its application to constraintengineering problems[J]. Wireless personal communications,2020(2):116- 119.

    [5] 鐘文,張志浩,管鑫,等.基于斑點鬣狗算法的風/光/抽水蓄能聯合運行系統優化調度研究[J].電力學報. 2020,35(02):113-122.

    [6] 賈鶴鳴,姜子超,李瑤,等.基于改進斑點鬣狗優化算法的同步優化特征選擇[J].計算機應用.2021,41(05):1290-1298.

    [7] 賈鶴鳴,姜子超,彭曉旭,等.基于改進鬣狗優化算法的多閾值彩色圖像分割[J].計算機應用與軟件.2020,37(05):261-267.

    [8] PUN T. A new method for grey-level picture thresholding using the entropy of the histogram[J]. Signal Processing. 1980,2(3): 223-237.

    (注:本文轉載自《電子產品世界》2022年7月期)



    評論


    相關推薦

    技術專區

    關閉
    熟妇女的欲乱
    <menu id="6c4oc"><tt id="6c4oc"></tt></menu>