基于量子粒子群算法的圖像閾值分割方法研究.pdf

1、圖像分割是數(shù)字圖像處理中至關重要的預處理環(huán)節(jié)。在圖像分割的眾多算法中，閾值分割以直觀、易于實現(xiàn)的特點最受關注，其應用最廣泛，算法種類也最多。在閾值分割算法中，確定最優(yōu)閾值是關鍵步驟。傳統(tǒng)的閾值分割方法大多采用窮舉算法尋求最優(yōu)閾值，這使得閾值計算過程中計算量過大，運算效率低。特別是對于復雜圖像進行多閾值分割時，計算量更是呈指數(shù)級增長。 受量子理論的啟發(fā)而提出的量子粒子群算法(Quantum-behaved Particle Swa

2、rm Optimization，QPSO)由粒子群算法(Particle Swarm Optimization，PSO)發(fā)展而來。它以粒子群中粒子的基本收斂特性為基礎，進化方程中不需要速度向量，參數(shù)更少，更容易控制，且易于實現(xiàn)，具有極強的全局搜索能力，是一種最新的智能尋優(yōu)算法。 為了研究圖像閾值的分割效率和分割精度，本文分別采用遺傳算法(Genetic Algorithm，GA)、粒子群算法PSO、量子粒子群算法QPSO對圖像進行

3、閾值分割，實驗結果表明了QPSO算法的高效率和優(yōu)秀的全局搜索能力。在此基礎上，鑒于QPSO算法在粒子越過搜索區(qū)域邊界時對粒子的簡單處理方法有可能導致粒子聚集于邊界，從而產(chǎn)生全局最優(yōu)解的誤差，本文提出了一種基于量子粒子群算法的改進閾值分割算法BQPSO(Boundary-controlled QPSO)。BQPSO對于標準量子粒子群算法引入了邊界控制策略，在粒子越過搜索區(qū)域的時候將其重置到搜索區(qū)域內邊界附近的某一隨機位置。它使得越過搜索區(qū)

4、域邊界的粒子不會聚集于搜索區(qū)域邊界上，而是回到搜索區(qū)域內，保持了群體的多樣性，更有效地避免算法陷入局部最優(yōu)解，增強了算法的全局搜索能力。 本文的創(chuàng)新點在于引入了邊界控制策略對標準量子粒子群算法QPSO進行改進，并將改進算法BQPSO應用于圖像分割的閾值尋優(yōu)。BQPSO算法與標準QPSO算法、PSO算法和GA算法在復雜圖像雙閾值分割應用中的比較結果驗證了BQPSO算法在閾值尋優(yōu)中的高效性和準確性。將BQPSO閾值尋優(yōu)算法應用于免疫