基于SHO-KSW的圖像多閾值分割研究

張?zhí)煲?郝玉然

摘要：為了解決傳統(tǒng)閾值分割KSW法對圖像多閾值分割時由于空間和時間復(fù)雜度增加導(dǎo)致分割效果不佳的穩(wěn)態(tài)，本文采用SHO算法優(yōu)化傳統(tǒng)KSW法對圖像進(jìn)行多閾值分割以提高傳統(tǒng)KSW法分割效果不佳的穩(wěn)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(tǒng)KSW法（PSO-KSW）分割效果對比。通過本次實驗的過程表明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(dāng)前，圖像處理最重要的步驟即圖像分割，圖像分割是將某個圖像中的各個不同特點(diǎn)的畫面，根據(jù)其特征不同將圖像分割為不同的部分，使每一個部分按照相同的、或近似的特性顯示，不同區(qū)域按照不同的特性分類。目前大多數(shù)分割算法是結(jié)合邊緣、區(qū)域等。閾值分割因為有高效、性能較穩(wěn)定的特點(diǎn)，使得更多的圖像研究者采納，也被廣泛應(yīng)用在眾多圖像分析與識別等視覺系統(tǒng)中。閾值分割主要有單、多閾值分割法等基本的分類，采用閾值分割法的主要原理為，根據(jù)規(guī)定的目標(biāo)求出分割的最優(yōu)閾值，將圖像的像素點(diǎn)——比較，進(jìn)一步將目標(biāo)與背景區(qū)域的多種畫面進(jìn)行有效的拆分。單閾值分割的處理方法，即依據(jù)閾值進(jìn)一步將直方圖分割成相應(yīng)的目標(biāo)與背景兩個類別，多閾值分割可以將相關(guān)的圖像劃分為不同的類，從而讓各類的類間方差達(dá)到最高數(shù)值。

1最大熵閾值法（KSW）

KSW是Kapuar在1985年正式的提出算法，其中的基礎(chǔ)原理：使選定的閾值分割目標(biāo)、背景區(qū)域兩大構(gòu)成的灰度統(tǒng)計參數(shù)達(dá)到最高。對實際灰度范圍是0至L-1的圖像，設(shè)置具體分割閾值參數(shù)為t，從而讓實際灰度參數(shù)小于t的像素點(diǎn)充當(dāng)相應(yīng)的目標(biāo)區(qū)域（T），那么對應(yīng)的背景區(qū)域（B）像素點(diǎn)的具體灰度級別，都要求大于t值，那么實際分布為：

p，p，…，p為灰度圖像中灰度值為t+1，t+2，L-1的概率。

那么前述兩大區(qū)域的概率密度相關(guān)熵即：

定義函數(shù)φ（t）即H（T）與H（B）疊加，即為：

最大熵法可以推廣到多閾值上。在這種情況下，可以將其配置為k維優(yōu)化問題，選擇k個最優(yōu)閾值[t，t，…，t]。目的是為了讓目標(biāo)函數(shù)最大化，目標(biāo)函數(shù)為：

f（t，t，…，t）=H+H+H+…+H（6）

式中

2斑點(diǎn)鬣狗優(yōu)化算法（SHO）

斑點(diǎn)鬣狗（SHO）優(yōu)化算法是通過觀察它們捕獵過程的行為活動，構(gòu)建有四大流程數(shù)學(xué)建模。依靠搜索、包圍、狩獵行為、共計獵物這四個步驟，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(yù)先確認(rèn)具體的獵物位置，后續(xù)進(jìn)行包圍活動。結(jié)合具體的社會級別，預(yù)先開展數(shù)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，此類行為的數(shù)學(xué)模型可應(yīng)用下述方程來表達(dá)：

2.2狩獵行為

斑點(diǎn)鬣狗是一種群居動物并進(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(zhǔn)確的界說斑點(diǎn)鬣狗的行為，假設(shè)無論哪個個體是最佳的搜索個體，只要知道獵物的位置，剩下的其他個體組成一個群體，是最佳搜索個體可信賴的朋友群，向最佳的搜索個體，存儲當(dāng)前獲取的最優(yōu)狩獵方案，用于調(diào)整具體的位置。狩獵行為的具體模型是：

是個最優(yōu)解的集群。其中N的具體計算為：

2.3攻擊獵物

2.4尋找獵物

3仿真結(jié)果分析

選定傳統(tǒng)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(tǒng)KSW分割、粒子群算法綜合具體的優(yōu)化效果開展比較。選擇經(jīng)典伯克利分割數(shù)據(jù)庫中#29030、#41006、#48017和#69000四幅圖像來瞼證算法性能。

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(jié)果。

4結(jié)語

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

參考文獻(xiàn)：

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

[2]韓海峰.一種結(jié)合遺傳算法和最大類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(yùn)行系統(tǒng)優(yōu)化調(diào)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(jī)應(yīng)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(jī)應(yīng)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.