如何选择和应用本书所涉及的算法方案

基于以上目标函数、智能优化算法、空间信息融合和模糊理论及模糊逻辑相关文献的分析和比较，在目标函数方面，本书将最常用，也是效果较好的Otsu和Kapur熵作为目标函数，并分析这两种经典目标函数的模糊化。

在智能优化方面，通过文献分析发现，作为一种提高多阈值图像分割效率的手段，近年来多种经典和最新的智能优化被应用到多阈值分割中。包括ABC、PSO、CS、HS、BF、GA、FA、BAT、ACO、AFSA、SSO、FPA、EM和BA等及其改进和变种算法。基于2.3节分析，本书将通过改进ABC实现多阈值图像分割。另外，也会探索新的智能优化算法——GWO在多阈值图像分割中的效果。

在目标函数和优化算法确定的基础上，结合多阈值图像分割邻域像素无关性的缺陷，本书还将根据文献分析的结果，通过模糊理论和空间位置信息的融合，提高图像分割质量和分割精度。(www.xing528.com)

为了充分分析和比较图像分割效果，多阈值化分割方法通常采用一些评价标准来分析图像分割质量。通过文献分析发现，常用的图像分割质量评价方法有：PSNR、FSIM、SSIM、MSE、BDE、PRI和GCF等。在所有这些评价方法中，PSNR、FSIM和SSIM是最常用的三种，因此本书将主要通过PSNR来比较图像分割质量，在篇幅允许的情况下，也会采用FSIM比较相关方法的分割质量。除了图像分割质量评价以外，基于智能优化的模糊多阈值图像分割方法还需要在运行时间，目标函数的标准差、平均值，最优阈值等方面进行比较分析，因此在后续算法的比较分析中，这些参数也会被详细介绍。