本章将在大量对比试验的基础上，通过图像比较、数据对比和图表分析等方式验证所提算法在图像分割中的优越性。基于智能优化的图像分割算法重点是目标函数及优化方法的选择两个方面。综合相关文献，很多方法已被证明具有一定优势，并且与前人方法做了很多比较，本章将与近年来最具优势的方法进行比较分析。更早或者已经在相关文献中被证明相对劣势的算法将不再用来比较。本章后续几节中，将与文献［125］和［157］中分别采用的电磁最优算法和标准ABC算法以及第4章将要介绍的改进离散灰狼算法（Modified Discrete Grey Wolf Optimizer，MDGWO）［158］进行比较。其中，电磁最优算法是目前为止所见采用Kapur熵作为目标函数并且优于常用的PSO和CS的最新智能优化方法［106，108，117，125，128］。而与文献［157］比较主要用来测试MQABC相较于ABC的性能优势。
本章所提算法使用一组标准测试集图像进行验证，包括Lena、Cameraman、Hunter、Baboon等，这些图像在多阈值图像分割领域被广泛应用。除此之外，本书还从伯克利分割数据集（Benchmarks 500，BSDS500［159］）中选择部分图像进行测试，如图3.1所示。
图3.1 原始图像及其直方图
本章所采用的实验环境为LENOVO笔记本和MATLAB 2011B，该平台采用Intel（R）Core i5处理器和4 GB内存。基于文献［157］中ABC算法的参数设置，本章预设参数如表3.1所示。为了测试这些参数在MQABC算法中的具体效果，本书通过实验做了比较。图3.2中给出了迭代次数在50到500之间的目标函数收敛性曲线，迭代次数在50和150时，还不能完全确定算法是否已经收敛。当迭代次数为200时已经可以明显看出算法收敛性，而当迭代次数继续增大时对收敛性影响不大。
表3.1 算法参数设置(www.xing528.com)
图3.2 基于不同迭代次数的算法收敛性比较
表3.2中给出了在不同种群数量情况下，Baboon的分割质量评价参数（详细PSNR和FSIM评价将在3.4.3节给出），从表中可以看到种群数量为30时图像分割质量最高。与此同时，本书也测试了最大淘汰门限参数变化情况，在后续所有试验中参数最大值为7，大部分在5以下。因而表3.1中给出参数可以直接应用于MQABC算法。
表3.2 基于不同种群数量的图像分割质量比较
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
