針對彩色圖像多閾值分割存在計算量大、運行時間長等問題,在飛蛾撲火算法(Moth-Flame Optimization, MFO)的基礎(chǔ)上,引入萊維飛行策略和自適應(yīng)權(quán)重變化策略,提出LSMFO算法(Levy Self-adaptive Moth Flame Optimization)對最佳分割閾值進行優(yōu)化搜索。為了驗證該算法的有效性,選取4幅伯克利大學(xué)經(jīng)典圖像,將LSMFO算法與另外5種元啟發(fā)式算法進行對比。應(yīng)用Otsu方法進行多閾值圖像分割實驗,并用SSIM、PSNR、EPI三個指標評估分割后的圖像效果。實驗結(jié)果顯示,LSMFO算法在指標衡量比較上整體水平優(yōu)于其他算法,表明該算法運行時間短、分割精度高,能夠有效解決彩色圖像多閾值分割問題。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖3參數(shù)θ的分布意義

利用上述方程模擬飛蛾螺旋飛行的路徑。方程中的參數(shù)θ為收斂常數(shù),定義飛蛾的下一個位置接近火焰的程度,θ=-1是距離火焰最近的位置;θ=1是距離最遠的,如圖3所示。式(1)僅定義了飛蛾朝向火焰飛行的過程,因此容易造成算法收斂過快,陷入局部最優(yōu)。為了避免上述情況,飛蛾在初始化位置、計算....

圖4慣性權(quán)重遞減函數(shù)曲線

Mi=Di·ebn·cos(2πn)+ω·Fj(5)2.2引入Lévy飛行

圖5100次Lévy飛行軌跡

Lévy飛行是一種特殊的行為方式,表現(xiàn)為大量的短距離游走和少量的長距離跳躍行為,可用于隨機或偽隨機自然現(xiàn)象的測量和模擬。有研究表明,許多動物甚至人類的某些行為均符合Lévy飛行的特征,因此具有良好的搜索性能。圖5模擬了個體進行100次Lévy飛行的位置更新情況。將Lévy飛行應(yīng)用....

圖6基于LSMFO的圖像分割流程圖

閾值分割的實質(zhì)就是找出圖像的最佳閾值向量,將Otsu法中的最大類間方差公式(式(11))作為算法的適應(yīng)度函數(shù)進行求解,最大類間方差值表示適應(yīng)度值,多閾值的閾值個數(shù)即表示飛蛾在空間中的位置維數(shù)。尋找出適應(yīng)度值最大時火焰列表中火焰的位置向量F即為圖像所得的最佳閾值向量。整個算法的實現(xiàn)....

本文編號：3908977