面向智能优化的多阈值图像分割目标函数分析与研究

本书致力于在算法改进前提下，提高多阈值图像分割的时间效率和分割精度，主要研究四个方面的关键问题，如图1.4所示。

图1.4　本书解决的关键问题

1）面向智能优化的多阈值图像分割目标函数分析与研究

基于降低多阈值图像分割复杂度的要求，智能优化是一种行之有效的方法。然而智能优化算法的应用必须以对应的优化目标函数为基础，因此基于智能优化的多阈值图像分割首先必须确定与之相适用的目标函数。大量文献证明，通过分析直方图特征或者最优化某些目标函数来确定最优阈值是可行的。这类方法统称为非参数化阈值分割，它是通过最优化一些目标函数来实现，因而目标函数的选择直接影响着图像阈值的优化效果。

本部分的重要研究内容就是结合智能优化算法，选择并改进多阈值图像分割目标函数，在获取最有目标函数值的同时，计算出最有阈值并提高多阈值图像分割精度。同时为了验证目标函数对分割精度的影响，需要进行图像分割质量评价，常用的方法有PSNR、MSE、SSIM和FSIM等。本部分也将对图像分割质量评价标准进行讨论和研究。本部分的研究内容包括：

●基于多阈值图像分割的目标函数选择与分析；

●不同智能优化算法的最优目标函数分析与比较；

●不同评价标准下，目标函数对图像分割质量的影响与分析。

2）基于改进智能优化算法的多阈值图像分割

阈值化分割方法从两级阈值扩展到多级阈值以后，其计算复杂度呈爆炸式增长。因此大量的进化和基于群的智能计算技术在多级阈值分割中获得了越来越多的青睐。大量的相关文献表明，在精度、处理速度和鲁棒性方面，智能优化算法明显优于传统算法。目前，智能优化算法种类较多，基于不同的动物智能行为可以产生不同的智能算法。常用的智能优化算法有人工蜂群算法、灰狼算法、粒子群优化算法、蚁群算法、布谷鸟算法、萤火虫算法、蝙蝠算法、人工鱼群算法、蝙蝠优化算法、细菌觅食算法等。

因此本部分的首要研究内容是在繁杂的智能优化算法中选择适合多阈值图像分割的优化算法，除此之外，本部分也将根据目标函数的差异，对智能优化算法进行改进，进一步提高多阈值图像分割的精度。本部分的研究内容包括：

●面向多阈值图像分割的智能优化算法性能分析与比较研究；

●面向多阈值图像分割的智能优化算法改进研究；(www.xing528.com)

●基于不同智能优化算法的多种目标函数比较与分析研究；

●基于不同智能优化算法的图像分割质量评价分析。

3）基于模糊理论的多阈值图像分割

在已经出现的多阈值分割研究成果中，不同的方法侧重于解决某一类型的图像。综合起来可归纳为3套实用方法：①基于全局阈值方法；②基于局部自适应阈值方法；③基于局部空间信息的方法。第一类方法是最早被使用的，基于全局阈值的缺陷，目前学者重点关注于后两个方面的研究。第二类方法是针对第一类方法的补充和提高，通过自适应地在局部区域内选择阈值，可以避免全局阈值所产生的局部不适应性，但是这类方法计算复杂度也会相应提高。第三类方法主要解决阈值分割在空间信息方面的缺陷，其将局部空间信息引用阈值分割结果中，以增强图像分割的效果。本部分将引入局部空间信息来解决图像分割问题，期望通过局部空间信息聚合技术解决多阈值图像分割存在的空间位置无关性缺陷。

同时为了提高图像分割质量，本部分将研究通过模糊隶属度函数（Fuzzy Membership Function）为每一个像素分配一组属于不同类的模糊值。从而依据模糊集理论，将传统硬（hard）分配区域或类的方式替换为一种软（soft）分配模式。并且在模糊度分配之前，研究模糊目标函数相关内容，形成完整的模糊理论处理多阈值图像分割问题模型。本部分的研究内容包括：

●面向多阈值图像分割的模糊和非模糊目标函数的分析与比较研究；

●基于模糊目标函数的模糊隶属度函数的分析与比较；

●基于不同智能优化算法的模糊目标函数分析与比较研究。

4）基于空间位置信息聚合的多阈值图像分割

按照在图像分割过程中是否考虑像素点的空间位置关系，可以将图像分割方法分为基于特征的方法和基于空间位置信息的方法。基于特征的方法只考虑像素的亮度、颜色和纹理等特征；而基于空间位置信息的方法则主要关注相邻像素的相似性。从本质上来考虑，基于空间位置信息的方法更符合图像分割的基本假设（即图像分割即是相邻同性像素的聚合）。不幸的是，多阈值图像分割是一种典型的基于特征的方法，没有充分考虑像素的空间位置关系，从而导致了多阈值方法的区域不相邻性。然而多阈值方法确实是一种简单高效的方法，在很多领域具有重要应用价值，因此本部分将在相关研究成果的基础上，结合模糊理论和模糊逻辑分析，研究基于空间位置关系的多阈值图像分割方法。

经过前三部分的介绍，本书已经实现了目标函数的模糊化、智能优化算法的改进及模糊隶属度函数的分析，但是以这些理论为基础的多阈值图像分割方法仍然是位置无关性的。为了解决这一问题，本部分将以前三部分中所获得的最优阈值为基础，通过分析不同的模糊隶属度函数，为每个像素分配不同的模糊值，然后以像素点之间的位置关系为依据，对相邻像素进行模糊信息聚合，从而继续提高图像分割精度。本部分研究内容包括：

●基于最优多阈值的模糊隶属度函数的选择与分析；

●基于像素空间位置相关性的模糊隶属度信息聚合。