發(fā)布時(shí)間：2024-02-24 12:14

　　針對(duì)彩色圖像多閾值分割存在計(jì)算量大、運(yùn)行時(shí)間長(zhǎng)等問(wèn)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(duì)最佳分割閾值進(jìn)行優(yōu)化搜索。為了驗(yàn)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(jìn)行對(duì)比。應(yīng)用Otsu方法進(jìn)行多閾值圖像分割實(shí)驗(yàn),并用SSIM、PSNR、EPI三個(gè)指標(biāo)評(píng)估分割后的圖像效果。實(shí)驗(yàn)結(jié)果顯示,LSMFO算法在指標(biāo)衡量比較上整體水平優(yōu)于其他算法,表明該算法運(yùn)行時(shí)間短、分割精度高,能夠有效解決彩色圖像多閾值分割問(wèn)題。

【文章頁(yè)數(shù)】：8 頁(yè)

【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(gè)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(yuǎn)的,如圖3所示。式(1)僅定義了飛蛾朝向火焰飛行的過(guò)程,因此容易造成算法收斂過(guò)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(jì)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(zhǎng)距離跳躍行為,可用于隨機(jī)或偽隨機(jī)自然現(xiàn)象的測(cè)量和模擬。有研究表明,許多動(dòng)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(gè)體進(jìn)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(shí)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(jìn)行求解,最大類間方差值表示適應(yīng)度值,多閾值的閾值個(gè)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(shí)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(gè)算法的實(shí)現(xiàn)....

本文編號(hào)：3908977