在圖像分割中,為了準確地把目標和背景分離出來,提出了一種基于多目標粒子群和人工蜂群混合優(yōu)化的閾值圖像分割算法。在多目標優(yōu)化的框架下,將改進的類間方差準則和最大熵準則作為適應度函數(shù),通過粒子群和蜂群混合優(yōu)化這2個適應度函數(shù)來獲得1組非支配解。同時,為了提高全局和局部搜索能力,在蜂群進化時,將粒子群的全局最優(yōu)解引入到人工蜂群算法的雇傭蜂階段蜜源的更新中,并對搜索方程進行改進。最后通過類間差異和改進的類內差異的加權比值,從一組非支配解中選取最優(yōu)閾值。實驗結果表明,該算法能夠取得理想的分割結果。

【文章頁數(shù)】：10 頁

【部分圖文】：

圖2#24063分割結果

圖1#3096分割結果3.5混合優(yōu)化算法的流程

圖4#55067分割結果

圖3#241004分割結果4.1Berkeley圖像對比實驗

圖1#3096分割結果

其中,xij表示第j類中的第i個像素的灰度值。圖2#24063分割結果

圖3#241004分割結果

為了驗證本文算法的性能,采用Otsu算法、Kapur算法、MEABCT算法、PSO-Otsu算法、MOABC算法和MOPSO算法作為比較算法。實驗分為2個部分:第1部分采用多幅Berkeley圖像進行驗證,第2部分用核磁共振(MR)圖像進行分割實驗。本文所提出的MPS-ABC算法....

本文編號：3973003