一种基于改进的种子区域生长和粒子群优化算法的新的图像分割算法外文翻译资料

 2022-09-29 10:08:48

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

一种基于改进的种子区域生长和粒子群优化算法的新的图像分割算法

摘要：本文主要研究现实应用中的一个基本技术，图像分割。作为最初的也可能是最简单的区域生长算法，种子区域生长算法需解决三个重要的问题：种子点的位置，种子的数量以及区域生长的方法。为了解决多元种子生长问题和区域生长方法问题，本文提出了两种新版本的种子区域生长算法。此外还用粒子群优化算法来解决定位问题。实验结果表明文章提出的方法能成功应用于灰度图像分割。

1 介绍

在视觉和图像相关的研究工作中，图像分割是最有趣的领域。这种方法在很多应用领域被认为是非常基础的一种处理技术，如：图片或视频[1]、[2]中的物体探测，机器视觉[3]、[4]，医学影像[5]、[6]，识别工作[7]、[8]，交通控制系统[9]、[10]等。图像处理会使用很多技术和特征，如：灰度、纹理、颜色、深度以及运动等。在文献中可以找到对每个技术和特征的支持意见和反对意见的描述，但怎样有效应用图像分割技术和特征依然在争论中。

图像分割能被简而言之就是将图像分割成均等内容的有意义的区域。最后分割得到的区域甚至可以应用在不同方面。尽管这一领域内所有已经提出的方法很难被精确分类，但是却可以大致将它们分为5类[11]、[12]：直方图阈值转换法、聚类法、边缘探测法、区域生长法和图表法。

种子区域生长法是在1994年[13]被提出，是一种简单且在某些方面有效的方法。在此方法提出后，研究者尝试找出此方法的改良版来解决相关的困难。这种方法的最大问题是初始种子空间的选择对其结果的影响。研究者使用PSO解决这个问题。此方法另一个相关问题是在最初版本种子区域生长策略非常简单，而且对复杂图像无效。此外，一个合理的分割所需的种子的数量还没有被研究过。这就是本文要提出一种更精确的区域生长算法的原因，这种算法不会与分割目标或突出区域产生任何矛盾。

2 有关工作

许多研究已经开始有关发展图像分割方法的工作，而且这些新的方法往往和其他方法或技术一起出现。在文献[14]中提出了两种无监督的无参分割算法，这些算法使用的是自组织映射模型和遗传算法。使用蚁群算法的图像分割同样也很仓促。比如，在文献[15]中就提出了基于CIELab色彩空间颜色特征的蚁群聚类算法。

现在PSO有关的图像分割算法大多力图将这种进化的搜索算法和其他的聚类以及阈值法结合起来。比如，文献[16]中提出了一个无监管的策划，在该文献中作者提出了一个新的基于PSO的核心聚类法来探测物体。在文献[17]中，还提出了多元蜂群聚类技术在图像分割中的应用。文献[18]还提出一种利用除强度外的空间特征的基于聚类的方法，这种方法是少数使用了空间特征的进化的方法。PSO方法的不同变体也已经与阈值法结合被应用于图像分割。文献[19]中不仅提出了一种新的基于PSO的中间干扰搜索策略，而且还与其他10种PSO变体进行了比较。最后，灰度图像分割的应用在研究中。其他用PSO来提高传统技术性能的类似描述在文献[20]、[21]也有提到。

文献[22]是少数用新方法来应用PSO的文章之一，文章中提到用视觉注意显著图来提取图像高层语义。此外，文章还提到应用有混合功能的PSO来进行区域合并。文献[23]提出了另一项工作，这项工作不仅由PSO产生，但更多是基于蜂群的图像分割算法；在文献[23]中像素被视作微粒，而且通过使用不断更新的PSO公式，创建了一个彩色图像分割的搜索空间。接下来也是描述PSO在图像分割中的新用法。

3 推荐方法

推荐算法的流程图如表1所示。首先，选择任意像素点作为种子和PSO颗粒的初始位置。这些粒子加入到PSO搜索算法的迭代过程中，此过程中SPG第一次修改的和第二次修改的版本是作为区域生长的基础参与进来。这次SPG修改的版本只是过渡。接着，PSO的调节功能会评估初始种子的空间安排，同时通过PSO找出新的种子，新的种子只会在初始种子的基础上有一些微小的改动。这个过程将持续到迭代过程结束，那时最好的种子排列将执行第二个作为初始种子中提取
修改后的种子区域生长这是为了分割图像所进行的最后的生长。在最后一步，将采用后加工处理过程来改善最后的分割结果。这个步骤只是对使用次级改进的种子区域生长所得到的很少一部分未标记像素点进行处理，而保留标记了的像素点。

A. 种子区域的生长

在文献[13]中R.Adams等人率先提出将种子区域生长作为一种算法应用到图像分割中去，自此以后由文献[24]-[26]中看到，种子区域生长既可以用于灰度图像又可以用于彩色图像。这个过程基本包括三个步骤：种子选择，区域生长和区域合并。在最开始的文章里并没有提到最后一步，但种子数比较多或者使用一般图像资料组而不是特定的资料组时似乎才有可能，例如医疗图像或者简单地背景图像。下面是算法的简述。

在确定种子后，将它们分别作为区域的初始成员,然后通过迭代将其他未分组的像素点加入这些区域。种子区域生长的每一步都包含将这些像素点中的某一个加入到一个已经存在的区域中。假设T表示所有未分配的像素点，且这些像素点至少与一个已存在的区域相邻:

(1)

所在位置是所有与像素点直接相邻的区域，点有8个相联系的像素点如表2。对一个像素点，如果它只碰见一个初始种子，参数将被定义以使。在点和待加入区域的类似标准可以按如下公式计算：

(2)

所在位置是图像在点处的灰度值，是像素点在区域处灰度值的平均值。如果包含不止一个区域,应该使最小，即

（3）

尽管对某些种类的图像而言此算法简单而有效，但对于一般的图像分割而言，此方法有三个重要的缺陷。第一个缺陷是种子的分类顺序对最后的分割结果影响很大。第二个缺陷是区域生长算法对有不同目标的图像不适用，第三个缺陷是此领域中的多元种子选择仍未解决。后两个主要是处理种子的数目并探测图像中所有嵌入的区域以及物体时的精确度。为多元种子区域生长运行初始算法时，不论图像中目标如何分布，区域都将生长。如果考虑像素面临两个不同标签在它附近这种情况，阈值就只能被应用。无论阈值是多少，最小的值将被选为区域生长的标尺。否则阈值将不被应用而且区域将在没有任何辨识方式的情况下增长。

图3清楚的表明了种子区域生长法的缺点。对示例图片而言，种子区域生长法已经使用了许多不同的种子。可以看出只有当种子数目不断增长时，可以接受的结果才能以某种方式实现。在一幅图中设置许多种子是不值得的，同时在分割后的图像中处理如此多的小区域也是个问题。此处最大的问题是种子区域生长不考虑一幅图中区域或者目标的特征，同样也不保护它们的形状。

B. 改进的种子区域生长

此处，介绍了两种改进后的种子区域生长方法。第一种和初始区域生长方法类似，不同在于当一个样本像素点与相同标记像素点相邻时，它使用了一个简单的阈值，此方法可以在PSO搜索算法中使用。当区域很小且每个区域附近的标签像素点是区域中的成员时，这种情况会发生在区域生长的初始阶段。这个阈值是确定的，而且不允许任何非齐次像素点被划分为一个区域。如果（2）中的差别小于，像素点将加入其相邻区域，否则它将不被标记。当像素点的相邻区域有不同标签时，此过程和初始算法相同。

采用任意数目的种子所运行的改进的区域生长算法的结果如图4。

在这幅图中，黑色像素表示未标记的标签。使用初次改进区域生长后的结果

图1 建议方法的框图

（x-1,y-1）

(x,y-1)

(x 1,y-1)

(x-1,y)

(x,y)

(x 1,y)

(x-1,y 1)

(x,y 1)

(x 1,y 1)

图2 像素点的直接相邻区域

图3 用不同数目的任意种子所得的区域生长算法结果。a)是初始图像。采用不同数目的种子所得的分割结果分别是b)10 c)20 d)30 e)40 f)50 g)60 h)70

图4 采用不同任意种子数目的初次改进区域生长的分割结果。a)初始图像。采用不同数目种子的分割结果分别是b)lO c)20 d)30 e)40 f)50 g)60 h)70.

是在整个区域生长过程结束后，在分割图像中可以发现相当多的未标记像素点。此外，提高种子数目会减少未标记像素点的数目这也是个问题。此处，我们使用PSO来解决这个问题。作为改进算法，PSO通过逐渐改变种子的位置来找出最有可能的种子位置。当次级改进的种子区域生长被用来作为区域生长算法时，可以在最后一次的生长过程使用这种最优解决方法。尽管PSO大大减少了未标记种子的数目，图像中仍然存在未标记的区域或像素点。因此当执行区域生长时，其相邻区域需要有未曾被标记过的像素点。首先，这些像素点的不同强度值以及所有已存在区域的平均值需要计算，接着其中的最小值会被选来作为此像素点标签的值。

使用二次改进的种子区域生长的区域生长结果是一幅有许多未标记的像素点的图像，这些像素点大多分布在目标和存在区域的边界（图5b）。这些像素点的附近区域最少有一个已标记像素点。因此，忽略这些像素点需要采用初始种子区域生长中所采用的方法。如果未标记像素点与同类型的标记像素点相邻，它也会得到标签，否则就会采用公式（2）中的类似标准和最小delta;来决定标签。

C. 粒子群算法

粒子群算法（PSO）是一种基础的搜索最优化算法，它的产生是受到生物的群体表现，比如鸟和鱼在搜寻目标最优位置时的行为。James Kennedy和Russell C. Eberhart于1995年发表的文献[27]，[28]中首次提出。此集群是典型的由多维空间的粒子组成，在这个空间中每个单独的粒子，作为可能解都有移动的能力。能将每个粒子用位置和速度来初始化。因此PSO中的粒子会在一个空间中进行迭代搜索，这个空间可以用四个因素确定：粒子当前位置，粒子此前的速度，粒子此前的最佳性能和该粒子相邻粒子的此前最佳性能。是在与其他粒子的子集相互沟通，这个子集我们叫做邻域。所有粒子都在一个多维空间（即）中由于互相吸引移动，这种吸引是由它们目前的最佳位置（）和它们附近区域的最佳位置()产生。能决定目标搜索以及和正确性的功能称作适应功能，而且这种功能由其应用方式来决定。PSO既可以最小化问题也可以是最大化问题。如果是最小化问题，在我们的方法中，标签最好是简单的分配给能使目标值最小的粒子。就像之前提到的，一个集群中的成员会互相交流其最佳位置，同时基于和调整它们的位置。假设搜索空间是D维的，一个集群中的粒子t可以用一个D维向量表示。粒子速度（位置变化）能用另一个D维向量表示。在一个以惯性权重为基础的PSO系统中，粒子的更新按照以下公式进行：

（4）

（5）

，D；,且是集群的大小；和正常数；和是在区间[0,1]上服从均匀分布；表示迭代次数。是惯性因子，是的位置，是的位置。文献[29]中证明惯性权重的使用能改善结果。

惯性权重是控制更新过程速度的参数。很多文献都指出良好的惯性权重值略小于1。通过在实验中控制PSO粒子的速度，我们发现选用惯性权重值在0.5到1之间时总是可以得到最大速度。此外，在标准PSO中，惯性权重值是初始值比较高，而后会逐渐减小的参数，,最后它会变成。每一次的迭代之间都有如下的线性关系：

（6）

是初始化权重因子的值，是最终的权重因子，是迭代次数，是迭代的最大次数。在第一次迭代时，值为0，所以的值是,接着逐渐减小到。选择值超出区间会导致无法控制的粒子速度，这将会影响最优全局解。

算法可以总结为如下步骤:

第一步：初始化每个微粒的速度和位置。

第二步：通过适应函数来评估每个微粒的影响。

第三步：找出使其作为在检索空间做更进一步运动的标准。

第四步：通过方程（1）与（2）来更新每个粒子的位置和速度。

第五步：如果当前的的值满足最优问题条件则停止，否则回到第二步。

D. 建议的PSO方案

正如之前提到的，初始种子的空间排列可以通过PSO得到优化。因此，每个粒子开始时都是一系列种子通过任意顺序排列而成。是维的第个粒子。来自各个粒子的各个种子是按种子在图像矩阵中的位置来分配的。其次，在每一步迭代中都会使用初始种子区域生长来进行区域生长。在每一步迭代中，种子的位置会随着图像的宽度改变。这意味着在PSO按公式（5）来改变种子位置时，种子是行变换而不是列变换。种子的列只有在它的值超过图像矩阵宽度时才会变。在每一次迭代过程中，种子位置的有效性可以通过适应度函数来评估。此处适应度函数是用来确定图像中种子的平均生长速度，这和原始图像中区域和目标的位置有关。

在此方法中，未标记种子的速度视适应度函数的结果而定，且正如上面提到的，这个值越小越好。

4. 结果和讨论

在这一章中，讨论了本文提出方法的分割结果，同时与其他的图像分割算法的结果进行了比较。我们证明了我们的方法对资料[30]中的伯克利图像的有效性。伯克利图像由BSDS300和BSDS500两种图像组成。这些资料组是专门为图像分割和边界探测建造的，它可以为每幅图像提供地面真值。

在来自上述资料组中的图像上演示了新方法后，我们设置了种子的数目和，分别是15和30。全文中任何相似的测量和区别都是通过欧几里得距离计算的。PSO的容量和迭代次数分别

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[150339]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章