← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 3742.j

粒子群按阈值目标搜索分割方案

理解等级:高级

阈值分割用一个或几个灰度阈值把像素分类,例如灰度低于阈值的算背景、高于的算目标。难点在于找到最好的阈值:Otsu 法(最大类间方差法)、最大熵法等给出“分得好不好”的评分准则,但阈值越多,组合越多,逐一试算代价越大。

粒子群把它变成寻优问题:

  • 粒子位置 = 一个候选阈值或阈值组合(阈值向量)。
  • 适应度 = 该阈值下的分割准则得分(熵、类间方差等)。
  • 粒子飞行 = 在候选阈值之间搜索得分最高者。

示例(补充演示):单阈值时粒子位置 t = 120,表示灰度 ≤ 120 归为一类、其余归为另一类,算出类间方差作为适应度;粒子群据此不断移动 t。

原书列举的变体各有侧重:带惯性权重的粒子群配最佳熵阈值;量子粒子群搜索二维 Otsu 的阈值向量(二维 Otsu 同时考虑灰度和像素的空间邻域信息,效果好但计算量大);小生境粒子群配最大类间方差;混沌粒子群缓解粒子过早聚集。这些都是各自实验中的结论,比较时应在同一批图像上同时看分割质量和耗时,不能由个别实验推出普遍优势。参见[[阈值分割按灰度划类]]、[[量子粒子群以概率采样位置]]、[[混合粒子群以额外参数换多样性]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 4 . 3 基 于 粒 子 群 算 法 的 图 像 处 理 · 查看原书依据

      采用QPSO算法来搜索最优的二维阈值向量,每个粒子代表一个可行的二维阈值向量,通过粒子的飞行来搜索最优阈值。通过仿真实验表明,采用QPSO算法不仅能有效地搜索到全局最优二维阈值向量,还能够大大减少计算量,达到快速分割的目的。孙辉等提出一种基于小生境PSO算法的图像分割方法[15],该方法基于最大类间方差阈值分割技术,用小生境PSO算法对适应度函数进行优化,得到最佳阈值并用该阈值对图像进行分割。

    参考来源

    - 位置:《智能算法导论》第 4 章《4 . 3 基 于 粒 子 群 算 法 的 图 像 处 理》(源文件:`_epub-src/EPUB/xhtml/chapter4_0006.xhtml`) - 结论依据:本节分别把熵、二维 Otsu 和最大类间方差作为阈值目标,并说明二维阈值向量的计算成本与不同粒子群变体的实验结果,因此可归纳为“目标函数和编码定义问题、变体处理搜索特征、效果按任务实测”的应用框架。t = 120 的单阈值例子为依据原书思路补充的教学示例,非书中数据。 - 原始内容:采用QPSO算法来搜索最优的二维阈值向量,每个粒子代表一个可行的二维阈值向量,通过粒子的飞行来搜索最优阈值。通过仿真实验表明,采用QPSO算法不仅能有效地搜索到全局最优二维阈值向量,还能够大大减少计算量,达到快速分割的目的。