《基于智能优化的模糊阈值化图像分割算法研究》贡献与价值

（1）针对多阈值图像分割复杂度较高的问题，通过改进人工蜂群算法的邻域搜索策略，提高其运行速度和收敛性。本书定义了观察蜂阶段的邻域距离策略，通过邻域最优解提升最优种群的搜索性能。基于对智能优化算法的深入分析，提出基于改进快速人工蜂群算法的阈值化分割方法。在大量对比实验的基础上，验证了改进人工蜂群算法在图像分割质量、运行时间和收敛性方面的性能。

（2）在灰狼算法的应用中，主要解决灰狼算法的离散化和最优解的权重化表示，提高最优解的搜索精度和稳定性。本书首先提出灰狼算法的离散化方案。然后通过权重机制改进狼群的攻击行为，提升当前最优解在迭代过程中的参与度和重要性。基于图像的灰度直方图，分析和比较Kapur和Otsu目标函数在改进离散灰狼算法中的应用。实验比较发现，改进灰狼算法在图像分割质量、最优目标函数值和稳定性方面表现良好。

（3）在模糊理论的应用方面，本书通过Kapur目标函数的模糊化，探讨和分析模糊目标函数在智能多阈值分割中的效果。在改进快速人工蜂群算法和改进离散灰狼算法的基础上，首先将Kapur熵模糊化，然后利用这两种智能优化算法获得一组最优阈值，最后实现图像的模糊化分割。在信息熵模糊化过程中，通过梯形隶属度函数将原始信息熵模糊化。在此基础上，将最优阈值作为模糊质心，为像素点的邻域模糊聚合提供基础。实验比较了多种模糊阈值化方法的最优阈值和最优目标函数。(www.xing528.com)

（4）针对阈值化分割的邻域无关性问题，利用模糊理论和模糊逻辑，通过模糊度初始化和模糊度聚合，提出基于改进快速人工蜂群算法和改进离散灰狼算法的模糊聚合多阈值图像分割方案。在算法执行过程中，首先通过伪梯形隶属度函数为每个像素分配模糊值，然后分别以中值、均值和迭代均值方式进行模糊信息聚合，最终实现模糊多阈值图像分割。一系列比较实验验证了基于智能优化的模糊多阈值图像分割方法的性能。在模糊度聚合过程中，中值聚合获得了最好的分割效果，且优于其他模糊和非模糊方法。实验结果还发现，改进快速人工蜂群算法在时间效率方面最优，而改进离散灰狼算法在稳定性方面更为突出。