基于SHO-KSW的圖像多閾值分割研究

摘要：為了解決傳統(tǒng)閾值分割KSW法對(duì)圖像多閾值分割時(shí)由于空間和時(shí)間復(fù)雜度增加導(dǎo)致分割效果不佳的穩(wěn)態(tài)，本文采用SHO算法優(yōu)化傳統(tǒng)KSW法對(duì)圖像進(jìn)行多閾值分割以提高傳統(tǒng)KSW法分割效果不佳的穩(wěn)態(tài)。為了證明SHO-KSW算法對(duì)圖像分割的優(yōu)越性，與PSO算法優(yōu)化傳統(tǒng)KSW法（PSO-KSW）分割效果對(duì)比。通過本次實(shí)驗(yàn)的過程表明SHO-KSW算法比PSO-KSW分割更好。

關(guān)鍵詞：閾值分割；SHO-KSW；PSO-KSW；PSNR；SSIM

當(dāng)前，圖像處理最重要的步驟即圖像分割，圖像分割是將某個(gè)圖像中的各個(gè)不同特點(diǎn)的畫面，根據(jù)其特征不同將圖像分割為不同的部分，使每一個(gè)部分按照相同的、或近似的特性顯示，不同區(qū)域按照不同的特性分類。目前大多數(shù)分割算法是結(jié)合邊緣、區(qū)域等。閾值分割因?yàn)橛懈咝?、性能較穩(wěn)定的特點(diǎn)，使得更多的圖像研究者采納，也被廣泛應(yīng)用在眾多圖像分析與識(shí)別等視覺系統(tǒng)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(jù)規(guī)定的目標(biāo)求出分割的最優(yōu)閾值，將圖像的像素點(diǎn)一一比較，進(jìn)一步將目標(biāo)與背景區(qū)域的多種畫面進(jìn)行有效的拆分。單閾值分割的處理方法，即依據(jù)閾值進(jìn)一步將直方圖分割成相應(yīng)的目標(biāo)與背景兩個(gè)類別，多閾值分割可以將相關(guān)的圖像劃分為不同的類，從而讓各類的類間方差達(dá)到最高數(shù)值。

1 最大熵閾值法（KSW）

2 斑點(diǎn)鬣狗優(yōu)化算法（SHO）

斑點(diǎn)鬣狗（SHO）優(yōu)化算法是通過觀察它們捕獵過程的行為活動(dòng)，構(gòu)建有四大流程數(shù)學(xué)建模。依靠搜索、包圍、狩獵行為、共計(jì)獵物這四個(gè)步驟，建立起有效地優(yōu)化模型，尋找最優(yōu)值。

2.1 包圍獵物

斑點(diǎn)鬣狗預(yù)先確認(rèn)具體的獵物位置，后續(xù)進(jìn)行包圍活動(dòng)。結(jié)合具體的社會(huì)級(jí)別，預(yù)先開展數(shù)學(xué)建模，優(yōu)先選定最優(yōu)包圍對(duì)象或是接近最優(yōu)獵物，因其并非先驗(yàn)搜索空間。其他斑點(diǎn)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(duì)象后，對(duì)其進(jìn)行獵捕，此類行為的數(shù)學(xué)模型可應(yīng)用下述方程來表達(dá)：

2.2 狩獵行為

斑點(diǎn)鬣狗是一種群居動(dòng)物并進(jìn)行群體狩獵，他們通常依靠群體之間的配合識(shí)別獵物位置。為了準(zhǔn)確的界說斑點(diǎn)鬣狗的行為，假設(shè)無論哪個(gè)個(gè)體是最佳的搜索個(gè)體，只要知道獵物的位置，剩下的其他個(gè)體組成一個(gè)群體，是最佳搜索個(gè)體可信賴的朋友群，向最佳的搜索個(gè)體，存儲(chǔ)當(dāng)前獲取的最優(yōu)狩獵方案，用于調(diào)整具體的位置。狩獵行為的具體模型是：

3 仿真結(jié)果分析

選定傳統(tǒng) KSW 分割以及 SHO 算法，綜合優(yōu)化分割，為論證其取得的效果，和傳統(tǒng) KSW 分割、粒子群算法綜合具體的優(yōu)化效果開展比較。選擇經(jīng)典伯克利分割數(shù) 據(jù)庫(kù)中 #29030、#41006、#48017 和 #69000 四幅圖像來驗(yàn)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(jié)果。

圖1 四幅經(jīng)典彩色圖像的原圖和直方圖

4 結(jié)語(yǔ)

從表 1 和表 2 的結(jié)果分析得知：（1）SHO-KSW 比 PSO-KSW 可以取得與適應(yīng)函數(shù)值更好的適應(yīng)效果；（2）SOA-KSW 算法可以獲得更加理想的 PSNR 和 MSSIM 參數(shù)，進(jìn)而說明 SHO-KSW 能夠較優(yōu)的閾值分割結(jié)果。（3）SHO-KSW 比 PSO-KSW 能夠以更短的時(shí)間對(duì)圖像進(jìn)行閾值分割。

參考文獻(xiàn)：

[1] 章毓晉. 圖象分割評(píng)價(jià)技術(shù)分類和比較[J].中國(guó)圖象圖形學(xué)報(bào), 1996,1(002): 151-158.

[2] 韓海峰. 一種結(jié)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(xué)院學(xué)報(bào)(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(diǎn)鬣狗算法的風(fēng)/光/抽水蓄能聯(lián)合運(yùn)行系統(tǒng)優(yōu)化調(diào)度研究[J].電力學(xué)報(bào). 2020,35(02):113-122.

[6] 賈鶴鳴,姜子超,李瑤,等.基于改進(jìn)斑點(diǎn)鬣狗優(yōu)化算法的同步優(yōu)化特征選擇[J].計(jì)算機(jī)應(yīng)用.2021,41(05):1290-1298.

[7] 賈鶴鳴,姜子超,彭曉旭,等.基于改進(jìn)鬣狗優(yōu)化算法的多閾值彩色圖像分割[J].計(jì)算機(jī)應(yīng)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(zhuǎn)載自《電子產(chǎn)品世界》2022年7月期)