基于混合PSOCS算法的彩色图像多阈值分割

doi:10.3969/j.issn.1006-2475.2017.08.013

计算机与现代化

基于混合PSOCS算法的彩色图像多阈值分割

四川文理学院计算机学院，四川达州635000

收稿日期:2017-03-05 出版日期:2017-08-31 发布日期:2017-09-01
作者简介:卫洪春（1972-），男，四川达州人，四川文理学院计算机学院讲师，硕士，研究方向：软件工程，数字媒体技术。
基金资助:
四川省教育厅一般项目（15ZB0326）；四川文理学院特色培育项目（2015TP003Y）

Multithreshold Segmentation of Color Image Based on Hybrid PSOCS Algorithm

School of Computer Science, Sichuan University of Arts and Science, Dazhou 635000, China

Received:2017-03-05 Online:2017-08-31 Published:2017-09-01

摘要/Abstract

摘要： 彩色图像分割是数字图像处理的一个难点。本文研究群体智能算法对彩色图像的分割，针对布谷鸟算法莱维飞行寻优的跳跃性带来的缺陷，在每次莱维飞行结束后引入一种改进的粒子群位置变异方程引导寻优，并对发现概率和步长因子分别提出新的自适应方程，在此基础上提出一种混合粒子群布谷鸟算法（HPCS），以此混合算法进行彩色图像多阈值分割。实验结果表明，本文提出的HPCS算法在彩色图像分割的效率和质量方面均比较理想。

关键词: 多阈值分割, 粒子群算法, 布谷鸟算法, 混合粒子群布谷鸟算法, 发现概率, 步长因子

Abstract: Color image segmentation is a difficult problem in digital image processing. In this paper, the use of swarm intelligence algorithm for color image segmentation is studied. For the defect on the cuckoo algorithm caused by optimization of Levy flight jumping, after each end of Levi flight, a modified particle swarm location variation equation is introduced to guide the global optimal solution, and the corresponding adaptive equations are also proposed for the discovery probability and the pace factor. So a hybrid particle swarm cuckoo algorithm(HPCS) is proposed, which is used to carry on multithreshold segmentation of color image. The experiment shows that the HPCS algorithm is good in the efficiency and quality of color image segmentation.

Key words: multithreshold segmentation, particle swarm optimization, cuckoo algorithm, hybrid particle swarm cuckoo algorithm, detection probability, pace factor

中图分类号:

TP391

卫洪春. 基于混合PSOCS算法的彩色图像多阈值分割[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2017.08.013.

WEI Hongchun. Multithreshold Segmentation of Color Image Based on Hybrid PSOCS Algorithm[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2017.08.013.

参考文献

［1］范金坪. 宫颈细胞图像分割和识别方法研究［D］. 广州:暨南大学, 2010.
［2］ Bhandari A K， Kumar A， Singh G K. Tsallis entropy based multilevel thresholding for colored satellite image segmentation using evolutionary algorithms［J］. Expert Systems with Applications, 2015,42(22):87078730.
［3］ Paragios N, Deriche R. Geodesic active contours and level sets for the detection and tracking of moving objects［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000,22(3):266-280.
［4］ Albuquerque M Portesde, Esquef I A, Mello A R Gesualdi, et al. Image thresholding using Tsallis entropy［J］. Pattern Recognition Letters, 2004,25(9):1059-1065.
［5］ Zahara E, Fan S K S, Tsai M D. Optimal multithresholding using a hybrid optimization approach［J］. Pattern Recognition Letters, 2005,26(8):1082-1095.
［6］ Dey S, Saha I, Bhattacharyya S, et al. Multilevel thresholding using quantum inspired metaheuristics［J］. Knowledgebased Systems, 2014,67(3):373-400.
［7］ Yin Pengyeng. Multi level minimum cross entropy threshold selection based on particle swarm optimization algorithm［J］. Applied Mathematics and Computation, 2007,184(2):503-513.
［8］ Zhang Yudong, Wu Lenan. Optimal multilevel thresholding based on maximum Tsallis entropy via an artificial bee colony approach［J］. Entropy, 2011,13(4):841-859.
［9］ Sathya P D, Kayalvizhi R. Optimum multi leveli mage thresholding based on Tsallis entropy method with bacterial for aging algorithm［J］. International Journal of Computer Science Issues, 2010,7(5):336-343.
［10］韦苗苗，江铭炎. 基于粒子群优化算法的多阈值图像分割［J］. 山东大学学报(工学版), 2005,35(6):118-121.
［11］Ehsan Afzalan, Mahmood Joorabian, An improved cuckoo search algorithm for power economic load dispatch［J］. International Transactions on Electrical Energy Systems, 2015,25(6):958-975.
［12］Basu M, Chowdhury A. Cuckoo search algorithm for economic dispatch［J］. Energy, 2013,60(7):99-108.
［13］唐英干,邸秋艳,关新平,等. 基于最小Tsallis交叉嫡的闭值图像分割方法［J］. 仪器仪表学报, 2008,29(9):1868-1872.
［14］Yang Xinshe, Deb S. Cuckoo search via Levey flights［C］// Proceedings of the World Congress on Nature and Biologically Inspired Computing. 2010:210-214.
［15］Yang Xinshe, Deb S. Engineering optimization by cuckoo search［J］. International Journal of Mathmatical Modelling &Numerical Optimization1, 2010,1(4):330-343.
［16］Rajabioun Ramin. Cuckoo optimization algorithm［J］. Applied Soft Computing, 2011,11(8):5508-5518.
［17］李娜，贺兴时. 基于粒子群算法的布谷鸟搜索算法［J］. 纺织高校基础科学学报， 2014,27(3):374-379.
［18］Tang Kezong, Yuan Xiaojing, Sun tingkai, et al. An improved scheme for minimum cross entropy threshold selection based on genetic algorithm［J］. Knowledgebased Systems, 2011,24(8):1131-1138.

[1]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[2]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[3]	陈刚, 王志坚, 徐胜超. 基于粒子群算法的移动边缘计算任务分配方法[J]. 计算机与现代化, 2022, 0(11): 32-36.
[4]	黄玲, 白晓波. 基于PSO-KPLS的教师科研绩效预测[J]. 计算机与现代化, 2022, 0(06): 8-12.
[5]	刘志锋, 舒志浩, 胥越峰, 杨舒伊, 沈文龙. 基于PSO自适应双策略的人工鱼群算法[J]. 计算机与现代化, 2022, 0(05): 46-53.
[6]	张彦虎, 鄢丽娟, 马志愤, 张彦军. 一种适用于多任务多资源移动边缘计算环境下的改进粒子群算力卸载算法[J]. 计算机与现代化, 2022, 0(05): 54-60.
[7]	李凌, 陈曦, 沈维捷, 熊汉武, 蔡冉冉. 面向电工装备智能监造的边缘缓存策略[J]. 计算机与现代化, 2022, 0(05): 61-67.
[8]	梁正友, 王璐, 李轩昂, 杨锋, . 基于改进PSO-TrICP算法的点云配准[J]. 计算机与现代化, 2022, 0(05): 90-95.
[9]	柴晨境, 刘宾, 潘晋孝. 基于阈值筛选的室内定位优化算法[J]. 计算机与现代化, 2022, 0(04): 79-85.
[10]	王哲, 王龙达, 刘罡, 王兴成, 王忠君, 鲍鲁杰. 基于三次样条插值的自动入库泊车免疫粒子群改进算法[J]. 计算机与现代化, 2022, 0(02): 7-12.
[11]	郭成, 张万达, 王波, 王加富. 多种群并行协作的粒子群算法[J]. 计算机与现代化, 2022, 0(01): 33-40.
[12]	陈翔, 邹庆年, 谢绍宇, 陈翠琼. 基于迁移学习策略的压板开关状态识别[J]. 计算机与现代化, 2021, 0(05): 120-126.
[13]	张忠, 邹燕飞, 刘淑英. 考虑交通流量的改进型电动汽车充/换电设施选址布局[J]. 计算机与现代化, 2020, 0(06): 114-.
[14]	杨万里1,2，周雪婷1，陈孟娜1. 基于Logistic映射的新型混沌简化PSO算法[J]. 计算机与现代化, 2019, 0(12): 15-.
[15]	易文周. 基于差分演化和粒子群优化的改进WSN覆盖算法[J]. 计算机与现代化, 2019, 0(08): 33-.

基于混合PSOCS算法的彩色图像多阈值分割

Multithreshold Segmentation of Color Image Based on Hybrid PSOCS Algorithm

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价