基于SHO-KSW的圖像多閾值分割研究

摘要：為了解決傳統閾值分割KSW法對圖像多閾值分割時(shí)由于空間和時(shí)間復雜度增加導致分割效果不佳的穩態(tài)，本文采用SHO算法優(yōu)化傳統KSW法對圖像進(jìn)行多閾值分割以提高傳統KSW法分割效果不佳的穩態(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KSW法（PSO-KSW）分割效果對比。通過(guò)本次實(shí)驗的過(guò)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(gè)圖像中的各個(gè)不同特點(diǎn)的畫(huà)面，根據其特征不同將圖像分割為不同的部分，使每一個(gè)部分按照相同的、或近似的特性顯示，不同區域按照不同的特性分類(lèi)。目前大多數分割算法是結合邊緣、區域等。閾值分割因為有高效、性能較穩定的特點(diǎn)，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(jué)系統中。閾值分割主要有單、多閾值分割法等基本的分類(lèi)，采用閾值分割法的主要原理為，根據規定的目標求出分割的最優(yōu)閾值，將圖像的像素點(diǎn)一一比較，進(jìn)一步將目標與背景區域的多種畫(huà)面進(jìn)行有效的拆分。單閾值分割的處理方法，即依據閾值進(jìn)一步將直方圖分割成相應的目標與背景兩個(gè)類(lèi)別，多閾值分割可以將相關(guān)的圖像劃分為不同的類(lèi)，從而讓各類(lèi)的類(lèi)間方差達到最高數值。

1 最大熵閾值法（KSW）

2 斑點(diǎn)鬣狗優(yōu)化算法（SHO）

斑點(diǎn)鬣狗（SHO）優(yōu)化算法是通過(guò)觀(guān)察它們捕獵過(guò)程的行為活動(dòng)，構建有四大流程數學(xué)建模。依靠搜索、包圍、狩獵行為、共計獵物這四個(gè)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(diǎn)鬣狗預先確認具體的獵物位置，后續進(jìn)行包圍活動(dòng)。結合具體的社會(huì )級別，預先開(kāi)展數學(xué)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(diǎn)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(jìn)行獵捕，此類(lèi)行為的數學(xué)模型可應用下述方程來(lái)表達：

2.2 狩獵行為

斑點(diǎn)鬣狗是一種群居動(dòng)物并進(jìn)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(shuō)斑點(diǎn)鬣狗的行為，假設無(wú)論哪個(gè)個(gè)體是最佳的搜索個(gè)體，只要知道獵物的位置，剩下的其他個(gè)體組成一個(gè)群體，是最佳搜索個(gè)體可信賴(lài)的朋友群，向最佳的搜索個(gè)體，存儲當前獲取的最優(yōu)狩獵方案，用于調整具體的位置。狩獵行為的具體模型是：

3 仿真結果分析

選定傳統 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 KSW 分割、粒子群算法綜合具體的優(yōu)化效果開(kāi)展比較。選擇經(jīng)典伯克利分割數 據庫中 #29030、#41006、#48017 和 #69000 四幅圖像來(lái)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 的分割結果。

圖1 四幅經(jīng)典彩色圖像的原圖和直方圖

4 結語(yǔ)

從表 1 和表 2 的結果分析得知：（1）SHO-KSW 比 PSO-KSW 可以取得與適應函數值更好的適應效果；（2）SOA-KSW 算法可以獲得更加理想的 PSNR 和 MSSIM 參數，進(jìn)而說(shuō)明 SHO-KSW 能夠較優(yōu)的閾值分割結果。（3）SHO-KSW 比 PSO-KSW 能夠以更短的時(shí)間對圖像進(jìn)行閾值分割。

參考文獻：

[1] 章毓晉. 圖象分割評價(jià)技術(shù)分類(lèi)和比較[J].中國圖象圖形學(xué)報, 1996,1(002): 151-158.

[2] 韓海峰. 一種結合遺傳算法和最大類(lèi)間方差法的圖像分割新方法[J]. 湖南工程學(xué)院學(xué)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(diǎn)鬣狗算法的風(fēng)/光/抽水蓄能聯(lián)合運行系統優(yōu)化調度研究[J].電力學(xué)報. 2020,35(02):113-122.

[6] 賈鶴鳴,姜子超,李瑤,等.基于改進(jìn)斑點(diǎn)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(jìn)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：本文轉載自《電子產(chǎn)品世界》2022年7月期)