用于圖像多閾值分割的BBO算法改進(jìn)研究.pdf

1、圖像分割是數(shù)字圖像處理與計(jì)算機(jī)視覺(jué)研究的基礎(chǔ)和前提，是圖像處理中非常重要的關(guān)鍵步驟。閾值分割是一種基于圖像一維灰度直方圖的分割技術(shù)，由于實(shí)現(xiàn)簡(jiǎn)單、性能穩(wěn)定而得到廣泛的應(yīng)用。但多閾值分割需要在全部的灰度值范圍中尋找一個(gè)最優(yōu)的閾值組合，因而計(jì)算量龐大導(dǎo)致時(shí)間和空間復(fù)雜度很高，為此需要引入智能優(yōu)化算法來(lái)優(yōu)化最優(yōu)閾值的搜索過(guò)程。生物地理學(xué)優(yōu)化(Biogeography-Based Optimization，BBO)算法是一種新穎的、基于群體智能

2、的進(jìn)化算法，模擬了生物種群在棲息地之間的產(chǎn)生、遷移以及滅絕的規(guī)律。BBO算法只需設(shè)置較少的參數(shù)，計(jì)算簡(jiǎn)單、收斂速度快。鑒于其優(yōu)良的性能和獨(dú)特的搜索機(jī)制，BBO算法在智能優(yōu)化的領(lǐng)域得到廣泛的關(guān)注。雖然BBO算法有許多優(yōu)點(diǎn)，但也有其局限性。算法中的遷移操作可以實(shí)現(xiàn)候選解之間的信息共享，但是具有一定的盲目性，影響算法的開(kāi)采能力;且基于隨機(jī)變異的變異操作限制了算法的探索能力。因此BBO算法在尋優(yōu)過(guò)程中容易發(fā)生過(guò)早收斂現(xiàn)象，出現(xiàn)陷入局部最優(yōu)等問(wèn)題

3、。本文針對(duì)圖像的多閾值分割計(jì)算復(fù)雜度高，耗時(shí)長(zhǎng)久等問(wèn)題，引入BBO算法優(yōu)化多閾值分割中閾值的尋優(yōu)過(guò)程。為了增強(qiáng)生物地理學(xué)優(yōu)化算法在圖像多閾值分割應(yīng)用中的全局搜索能力，提高優(yōu)化性能，針對(duì)上述存在的問(wèn)題對(duì)BBO算法進(jìn)行了研究，并做出了改進(jìn)。本文主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)如下:
　　1)為了全面提升BBO算法整體性能，提出一種多源遷移與自適應(yīng)變異的生物地理學(xué)優(yōu)化算法:引入多源遷移算子，提高算法的全局搜索能力，并提出一種新型的自適應(yīng)變異算子，采

4、用貪婪選擇的精英保留策略，加快算法的收斂速度。并且將這種多源遷移與自適應(yīng)變異的BBO算法應(yīng)用到基于最大熵的圖像的多閾值分割中，獲得較為準(zhǔn)確的閾值。
　　2)針對(duì)大范圍多閾值分割問(wèn)題，提出了一種動(dòng)態(tài)擾動(dòng)的遷移算子和椒鹽變異融合的生物地理學(xué)優(yōu)化算法(簡(jiǎn)稱DSBBO)。并將該算法應(yīng)用到基于最小交叉熵的圖像2到8閾值分割中，取得了一種2到8閾值大范圍的、有效的多閾值優(yōu)化搜索方法。
　　3)為了降低BBO算法的計(jì)算復(fù)雜度，加快尋優(yōu)速度