下载掌阅APP，畅读海量书库
立即打开
所谓图像分割就是根据灰度、色彩、空间纹理、几何形状等特征将图像划分为若干个互不相交的区域，使这些特征在同一区域表现出相似性或者一致性，而在不同的区域表现出明显的差异性。图像分割是图像处理和计算机视觉研究中基本且关键的技术之一，它直接关系图像的后续分类、识别和检索等能否顺利开展。图像分割常用算法大体可分为基于区域分割、基于边界分割以及其融合算法三大类。基于区域分割方法主要包括阈值法、聚类法、基于数学形态学方法等，这类算法的鲁棒性较好，但耗时却相对较长，其中阈值法因其简单且性能稳定而成为图像分割中的基本技术之一。阈值选取的方法有Otsu法、最大熵法、最小误差法和Mode法等。
PSO算法可以单目标寻优或者多目标寻优，将PSO算法引入图像分割中，能够快速、准确地找到图像分割的最佳阈值或者最佳阈值组合。基本PSO算法有一定的缺陷，不能保证收敛到全局最优值，而且如果参数选择不当，很容易使粒子陷入局部极值。下面介绍几种基于改进的PSO算法与阈值选取相结合的方法，徐小慧、张安等将带有惯性权重的PSO算法应用到图像分割中，提出一种新的图像分割算法 [13] 。此算法基于最佳熵阈值分割技术，用带有惯性权重的PSO算法自适应选取分割阈值，基于贝叶斯定理和随机状态转移过程对新算法收敛性进行分析，表明此算法能以概率1找到图像的最佳熵阈值。通过仿真实验证明，在对基准图像和SAR图像分割时，此算法能够对图像进行准确的分割，而且运行时间较短。冯斌、王璋等提出一种基于QPSO算法的Ostu图像阈值分割算法 [14] ，二维Ostu同时考虑图像的灰度信息和像素间的空间邻域信息，能够有效地对图像进行分割，但是其计算量比较大。采用QPSO算法来搜索最优的二维阈值向量，每个粒子代表一个可行的二维阈值向量，通过粒子的飞行来搜索最优阈值。通过仿真实验表明，采用QPSO算法不仅能有效地搜索到全局最优二维阈值向量，还能够大大减少计算量，达到快速分割的目的。孙辉等提出一种基于小生境PSO算法的图像分割方法 [15] ，该方法基于最大类间方差阈值分割技术，用小生境PSO算法对适应度函数进行优化，得到最佳阈值并用该阈值对图像进行分割。实验结果表明，与最大类间方差法基于基本粒子群算法的最大类间方差分割法相比，小生境PSO算法不仅能得到理想的分割结果，而且分割速度也得到了提高。龚声蓉等提出一种基于混沌粒子群算法（CPSO）的图像阈值分割方法 [16] ，受益于混沌运行的遍历性、对初始条件的敏感性等优点，CPSO很好地解决了PSO的粒子群过早聚集和陷入局部最优等难题，加快了全局搜索最优解的能力。实验结果表明，相比于其他图像分割算法，CPSO不仅加快了运算速度，提高了图像分割效率，而且提高了图像分割准确率，非常适合于图像实时分割处理。
通过对基本PSO算法进一步改进对阈值选取进行优化，将其应用图像阈值分割领域。与传统的阈值分割算法对比，搜索精度和时间开销方面有了进一步提升，在实际应用中具有一定的前景。
图像分类是计算机视觉领域的研究热点，是根据目标在图像信息中所反映的不同特征将其区分开来的图像处理方法。其主要过程就是将经过某些预处理（去噪、增强、复原）的图像，进行特征提取，然后使用分类算法建立合适的分类模型，最终利用模型对待分类图像进行分类，并对分类结果进行性能评估。
经过多年的发展，图像分类相关的理论和技术不断地完善和进步，并开始融合一些先进的理论和思想来解决现存的问题，这已经成为一个重要的趋势。针对经典的PSO算法存在的缺陷和不足，提出了提高性能的改进QPSO算法，通过它们可以设计出解决特征选择和参数估计等图像分类中关键技术的算法。
QPSO算法具有良好的搜索能力，但是在进化过程中容易陷入局部最优值。柳一鸣提出一种自适应PSO算法 [17] ，通过评估QPSO算法群体多样性程度，结合变异和交叉操作来自适应不同的调整策略。首次提出将自适应QPSO算法与支持向量机进行结合，利用自适应QPSO算法良好的寻优能力，同时优化支持向量机分类器的特征子集以及参数设置，并将其应用在图像分类，相比于传统算法更加高效。陈迪、李宁提出一种基于PSO算法的医学图像分类方法 [18] ，该分类方法包括预处理、特征提取和基于粒子群的集成分类器三部分。在图像预处理阶段，使用形态学滤波和阈值法去除医学图像中的噪声；在图像特征提取阶段，使用SIFT特征描述子来提取图像的局部特征，并使用聚类方法得到SIFT特征的“视觉词汇”；在分类器阶段，使用PSO算法选出多样性和精度更高的SVM、KNN和AdaBoost分类器组合对特征进行分类，并将其应用在具有较大相似性和交叉性的医学图像上，分类精度相较于单个分类器方法具有很大的性能提升。汤恩生提出应用改进PSO算法对支持向量机参数进行优化选取，提高对遥感图像的分类精度 [19] 。针对PSO算法存在的易早熟收敛、容易陷入局部最优解的问题，将遗传算法交叉算子的混合优化算法（SAPSO-GA）引入自适应权重QPSO算法，并利用这种改进算法优化SVM参数对遥感图像进行分类。实验结果表明，改进的算法提高了搜索性能，能够为SVM分配更优的参数，从而提高分类精度。
通过对基本PSO算法进一步改进、与特征提取和参数优化相结合以及通过PSO算法与其他分类算法相结合组成混合算法等方式，以PSO算法为基础，可以进行不同方式的改进，可以提升算法的性能有提高分类的精度。
图像匹配是图像处理、计算机视觉、模式识别等领域的基本问题之一，已经在卫星遥感、目标识别与跟踪、医疗诊断文字读取以及指纹识别等领域广泛应用。图像匹配是指通过一定的匹配算法在搜索图像（也称为匹配图像）中寻找模板图像（也称目标图像相应或相近位置的过程）。图像匹配的目的就是消除图像之间由于噪声、旋转、成像条件等因素造成的不同程度的差异，在某一特定目标下使两幅或者多幅图像之间具有相同的位置坐标，从而为后续图像处理奠定基础。图像匹配的方法大致可以分为以灰度为基础的匹配和以特征为基础的匹配。
图像匹配问题的一般性描述：给定两幅大小分别为 m 1 × n 1 和 m 2 × n 2 的灰度图：
其中， δ 1 和 δ 2 是图像的特征（一般是灰度值），并且假定 m 2 ≤ m 1 ， n 2 ≤ n 1 。匹配问题可定义为：
以 I 1 为搜索图像， I 2 为模板图像，则匹配问题就变成寻找在 I 1 中的最优位置position（ i ， j ），其中1≤ i ≤ m 1 - m 2 +1，1≤ j ≤ n 1 - n 2 +1，使得度量 M [ I 1 （ i ， j ）， I 2 ]最优。
用PSO算法求解图像匹配问题，可以简化为在适应度评价函数 F 为判别基准的条件下，在搜索空间[1，1≤ i ≤ m 1 - m 2 +1]×[1，1≤ i ≤ n 1 - n 2 +1]中找到匹配位置点position（ i ， j ）。其中适应度评价函数是上述提到的度量，可以表示为 [20] ：
其中， f [position（ i ， j ）]是粒子position（ i ， j ）的适应度评价函数； δ 1 和 δ 2 分别是搜索图像和模板图像的对应像素的灰度值； s i 和 s j 分别表示模板图像中某像素的位置。
PSO算法中的粒子对应在搜索图像 I 1 中寻找匹配位置信息position（ i ， j ），粒子应表示为二维解向量，其中第一维分量表示行，第二维分量表示列。粒子的速度表示粒子位移的方向和大小，搜索图像和模板图像一旦确定，它的位移就可以用二维向量 V （ V i 1 ， V i 2 ）来表示，其中 V i 1 表示行的位移方向和大小，正值表示位移方向向下，负值表示位移方向向上，绝对值表示位移大小，理论上的取值范围为（-∞，+∞），在实验过程中真实的取值范围为[-（ m 1 - m 2 +1），（ m 1 - m 2 +1）]。 V i 2 表示列的位移方向和大小，正值表示位移方向向右，负值表示位移方向向左，绝对值表示位移大小，理论上的取值范围为（-∞，+∞），在实验过程中真实的取值范围为[-（ n 1 - n 2 +1），（ n 1 - n 2 +1）]。
粒子速度的更新为：
其中，惯性系数需要随迭代次数线性递减，即 ω （ t ）= a × w （ t -1）， a 为递减系数，其取值范围为（0，1）。注意，在粒子更新速度过程中可能出现非法解的情况，当位置超出限定的搜索空间时，即position（ i ， j ）中的 i ≤0或 m 1 - m 2 +1≤ i ， j ≤0或 n 1 - n 2 +1≤ j ，这时需要对速度进行调整，避免粒子的新位置超出解空间。
粒子的位移可表示为：
运用PSO算法解决匹配问题的步骤同基本PSO算法的步骤相似，差异就是迭代完速度后需要根据当前的位置进行调整。将PSO算法引入图像匹配的问题中，可以在满足精确要求的情况下，提高算法的运行效率。