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法對圖像多閾值分割時由于空間和時間復雜度增加導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法對圖像進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）分割效果對比。通過本次實驗的過程表明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(jù)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(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。閾值分割因為有高效、性能較穩(wěn)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(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)定的目標求出分割的最優(yōu)閾值，將圖像的像素點一一比較，進一步將目標與背景區(qū)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(jù)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(guān)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(shù)值。

1 最大熵閾值法（KSW）

2 斑點鬣狗優(yōu)化算法（SHO）

斑點鬣狗（SHO）優(yōu)化算法是通過觀察它們捕獵過程的行為活動，構(gòu)建有四大流程數(shù)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(yōu)化模型，尋找最優(yōu)值。

2.1 包圍獵物

斑點鬣狗預先確認具體的獵物位置，后續(xù)進行包圍活動。結(jié)合具體的社會級別，預先開展數(shù)學建模，優(yōu)先選定最優(yōu)包圍對象或是接近最優(yōu)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(shù)學模型可應用下述方程來表達：

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(shè)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(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(jié)果。

圖1 四幅經(jīng)典彩色圖像的原圖和直方圖

4 結(jié)語

從表 1 和表 2 的結(jié)果分析得知：（1）SHO-KSW 比 PSO-KSW 可以取得與適應函數(shù)值更好的適應效果；（2）SOA-KSW 算法可以獲得更加理想的 PSNR 和 MSSIM 參數(shù)，進而說明 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(shù)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(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(lián)合運行系統(tǒng)優(yōu)化調(diào)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(yōu)化算法的同步優(yōu)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(yōu)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(zhuǎn)載自《電子產(chǎn)品世界》2022年7月期)