MDGWO参数设置策略优化

本章所选测试图像同样选取在MT分割文献中经常被使用的测试图像，如Cameraman、Lena、Baboon和Maize等。同时也选择了部分BSD500［159］数据集中的测试图像，如图4.2所示。

图4.2　实验原始图像及其直方图

本章的测试环境和软硬件配置与第2章相同。本章同样也会通过图像分割结果的可视化显示，对目标函数值、PSNR、标准差、平均值等数据进行对比，从而论证MQABC在MT分割方面的应用。为了体现MQABC的性能，本章将分别与DE［141］、EMO［125］、MQABC［180］和GWO［162］进行比较。

其中，EMO方法已经在第3章与MQABC进行了比较。再次放在本章进行比较分析，除了EMO相较于常用智能优化算法PSO和CS的性能优势［106，108，117，125，128］，也是为了保证比较的延续性，并进一步比较MDGWO与EMO的性能优势。鉴于第2章综述分析中，DE在MT分割中的性能优势也较为突出，本章也会增加与非智能优化方法DE的比较。与GWO的比较主要是为了比较和分析MDGWO方法的改进效果。根据第2章的实验比较和分析，MQABC算法在运行时间、目标函数值和PSNR方面效果更好，而MDGWO算法在稳定性方面更为突出。并且第2章中已经比较了两种算法的时间效率，本章将重点论述两种方法在目标函数值、PSNR、标准差和平均值等方面的性能。

为了测试不同种群和迭代次数下图像分割的质量。表4.2和表4.3分别列出了在不同种群数量和迭代次数情况下，Cameraman分割结果的PSNR值。从表4.2可以看出种群数量的设置对分割结果的影响较大，种群数量从10增长到50时PSNR值提高较大，但是当种群数量继续增加时PSNR的值变化不是特别明显，再考虑到种群数量增加带来的时间开销，本章种群数量设置为50。从表4.3看出，当迭代次数达到150以后，其对分割质量的影响不再特别明显，结合参考文献［106，108，125，141］中的参数设置，本章最大迭代次数设置为150。详细参数设置如表4.4所示。

表4.2　基于不同种群数量的图像分割质量比较

表4.3　基于迭代次数的图像分割质量比较(www.xing528.com)

表4.4　算法的相关参数设置

为了比较算法在迭代过程中目标函数的稳定性，根据公式（4.22）计算目标函数的标准差（STD）。

本章也同样使用PSNR评价分割质量。PSNR根据图像中每个像素的均方差（RMSE）来测试原始图像和分割图像的相似性。PSNR的定义如公式3.13所示，而RMSE定义如公式4.23所示。

式中，Io（i，j）为原始图像；Ith（i，j）是分割以后的图像；row和col分别为图像二维矩阵的行数和列数。

为了可视化地表示图像的分割效果及阈值，图4.2～图4.4中也列出了原始图像、分割图像及其直方图。