周晨航, 田力威, 趙宏偉

(1. 沈陽(yáng)大學(xué) 信息工程學(xué)院, 遼寧 沈陽(yáng)　110044;

2. 遼寧省物聯(lián)網(wǎng)信息集成技術(shù)工程研究中心, 遼寧 沈陽(yáng)　110044)

?

基于改進(jìn)螢火蟲(chóng)算法的二維Otsu圖像分割法

周晨航1, 田力威2, 趙宏偉2

(1. 沈陽(yáng)大學(xué) 信息工程學(xué)院, 遼寧 沈陽(yáng)110044;

2. 遼寧省物聯(lián)網(wǎng)信息集成技術(shù)工程研究中心, 遼寧 沈陽(yáng)110044)

摘要:對(duì)二維最大類(lèi)間方差(2-D Otsu)算法和螢火蟲(chóng)算法研究現(xiàn)狀進(jìn)行了調(diào)查研究.為了解決二維Otsu圖像閾值分割方法存在的計(jì)算復(fù)雜度高、實(shí)時(shí)性差等缺點(diǎn),提出了一種將改進(jìn)的螢火蟲(chóng)算法與二維Otsu算法結(jié)合的圖像分割算法,即通過(guò)自適應(yīng)慣性權(quán)重優(yōu)化的螢火蟲(chóng)算法(IFA)搜尋圖像分割的最佳閾值.實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的算法能夠很好的實(shí)現(xiàn)圖像分割的效果,有效地縮短了圖像分割的運(yùn)行時(shí)間,可以運(yùn)用于圖像分割的實(shí)時(shí)處理.

關(guān)鍵詞:最佳閾值; 二維Otsu; 慣性權(quán)重; 螢火蟲(chóng)算法; 圖像分割

圖像分割是數(shù)字圖像處理技術(shù)中的一種重要方法,它簡(jiǎn)化了圖像并且改變圖像的表現(xiàn)形式,從而使圖像更容易被理解和分析.圖像分割的精確度對(duì)后續(xù)任務(wù)的處理會(huì)起到直接的影響,因此對(duì)其進(jìn)行研究具有重要的理論價(jià)值和實(shí)際意義[1-2]. 常用的圖像分割方法有:基于閾值的分割方法[3]、基于區(qū)域的分割方法[4]、基于邊緣的分割方法[5]以及基于特定理論的分割方法等.其中,基于閾值的分割方法簡(jiǎn)單、有效、穩(wěn)定,是實(shí)際應(yīng)用過(guò)程中常用的一種圖像分割技術(shù).

在閾值分割技術(shù)當(dāng)中,最大類(lèi)間方差法[6-7](Otsu算法)是最常用的分割方法之一,但是一維Otsu算法沒(méi)有考慮到周?chē)袼攸c(diǎn)對(duì)中心像素點(diǎn)的影響,不能很好地處理圖像中的噪聲,因此,劉建莊[8]等人提出了二維Otsu算法,較一維Otsu算法在圖像分割效果上取得了很大的改善. 但仍存在耗時(shí)多、圖像分割精度低、圖像誤分割等問(wèn)題.范九倫[9]等人在二維Otsu算法的基礎(chǔ)上提出了曲線閾值型Otsu算法, 吳一全[10]等人提出了一種新的二維直方圖區(qū)域斜分方法并進(jìn)行閾值分割,雖然都改進(jìn)了二維Otsu算法,但二者都需要在整個(gè)二維直方圖上計(jì)算每條閾值直線的概率和類(lèi)間離散矩陣的跡,因此都會(huì)影響計(jì)算效率.

螢火蟲(chóng)算法[11]是劍橋?qū)W者Xin-She Yang于2008年提出的一種較為新穎的生物進(jìn)化算法,但是算法本身還是存在一些問(wèn)題,例如收斂慢,易陷入局部最優(yōu)等.同時(shí)很多學(xué)者也已經(jīng)著手研究螢火蟲(chóng)算法在圖像分割領(lǐng)域的應(yīng)用.Horng Ming-Huwi[12]等結(jié)合螢火蟲(chóng)算法和最小交叉熵準(zhǔn)則對(duì)圖像進(jìn)行多閾值分割,但是改進(jìn)后的算法仍然存在計(jì)算復(fù)雜度高的問(wèn)題.吳鵬[13]等提出了一種螢火蟲(chóng)算法優(yōu)化最大熵的圖像分割方法,但是該算法只考慮到圖像的灰度概率信息,忽略了灰度值這一重要因素,所以結(jié)果都不盡理想.

為了更好地解決二維Otsu算法和螢火蟲(chóng)算法在圖像分割優(yōu)化中存在的復(fù)雜度高、實(shí)時(shí)性差等問(wèn)題,本文提出了一種基于螢火蟲(chóng)算法改進(jìn)的二維Otsu圖像閾值分割方法.基本思想是將求解二維Otsu的目標(biāo)函數(shù)問(wèn)題轉(zhuǎn)化為用螢火蟲(chóng)算法求解最優(yōu)解問(wèn)題,得出圖像的最佳分割閾值,然后分割圖像.實(shí)驗(yàn)結(jié)果表明,本文提出的算法分割效果理想、程序運(yùn)行時(shí)間短.

1二維Otsu閾值分割方法

設(shè)有一幅灰度級(jí)為L(zhǎng)的圖像f(x,y),鄰域平滑圖像g(x,y)的灰度級(jí)也為L(zhǎng),g(x,y)中像素的灰度值為3×3鄰域內(nèi)的灰度均值.對(duì)于圖像中的任意一個(gè)像素就可以由像素灰度值i和鄰域平均灰度值j構(gòu)成的二維單元來(lái)表示.假設(shè),M為圖像的總像素個(gè)數(shù),fij為像素的灰度值為i而且鄰域的平均灰度值為j的像素點(diǎn)的個(gè)數(shù),那么二維單元(i,j)出現(xiàn)的概率為

(1)

任意給定一個(gè)閾值向量(s,t),將二維直方圖分割成如圖1中所示的A,B,C,D四個(gè)區(qū)域.其中,區(qū)域B和C表示圖像中的目標(biāo)類(lèi)和背景類(lèi),區(qū)域A和D則對(duì)應(yīng)與圖像中的邊緣點(diǎn)和噪聲.分別用C1和C0來(lái)表示二維直方圖中的目標(biāo)類(lèi)和背景類(lèi),其出現(xiàn)的概率分別表示為

(2)

(3)

圖1　二維直方圖

目標(biāo)類(lèi)C1和背景類(lèi)C0對(duì)應(yīng)的均值矢量μ1和μ0表示為

(4)

(5)

綜合的灰度均值矢量μt可表示為

(6)

圖像中邊緣點(diǎn)或噪聲的概率在多數(shù)情況下可以忽略.因此:

(7)

類(lèi)間離散度矩陣表示為

(8)

背景類(lèi)和目標(biāo)類(lèi)的距離測(cè)度函數(shù)可以用離散度矩陣的跡來(lái)表示:

(9)

當(dāng)距離測(cè)度函數(shù)rtr(S)取得最大值時(shí)的閾值向量(s,t)即為最佳閾值.

在圖像分割過(guò)程中,閾值的選取是最關(guān)鍵的環(huán)節(jié),對(duì)于傳統(tǒng)的二維Otsu閾值分割方法來(lái)說(shuō),在實(shí)時(shí)處理過(guò)程中效果不理想,因此本文引入了螢火蟲(chóng)算法來(lái)改進(jìn)圖像分割閾值的尋優(yōu)過(guò)程.

2螢火蟲(chóng)算法

2.1基本螢火蟲(chóng)算法

螢火蟲(chóng)算法(Firefly Algorithm,FA)作為一種生物進(jìn)化算法,其原理是利用螢火蟲(chóng)的發(fā)光特性,在指定區(qū)域內(nèi)搜索其他個(gè)體并向亮度較大的個(gè)體靠近,從而實(shí)現(xiàn)其位置的尋優(yōu)[14].螢火蟲(chóng)的個(gè)體信息主要是位置、亮度和吸引度,而導(dǎo)致螢火蟲(chóng)個(gè)體之間相互吸引移動(dòng)的因素是亮度和吸引度.

從數(shù)學(xué)角度對(duì)螢火蟲(chóng)算法的描述如下:

螢火蟲(chóng)的相對(duì)熒光亮度I定義為

(10)

式中:I0代表螢火蟲(chóng)的最大螢光亮度值;γ為光強(qiáng)吸收系數(shù);Rj為螢火蟲(chóng)i與j之間的空間距離.

螢火蟲(chóng)的吸引度β定義為

(11)

式中:β0表示螢火蟲(chóng)的最大吸引度,β0∈[0,1];γ、Rj意義同上.

螢火蟲(chóng)i在被吸引向螢火蟲(chóng)j移動(dòng)的位置更新公式如下:

(12)

Xi(t)、Xj(t)為螢火蟲(chóng)i和j在第t次迭代時(shí)的位置向量;α為步長(zhǎng)因子,且α∈[0,1];rand∈U(0,1)為隨機(jī)因子.式中,Xi(t)為螢火蟲(chóng)當(dāng)前時(shí)刻位置對(duì)下一時(shí)刻位置的影響,它能夠有效地起到平衡全局和局部搜索的作用;β0e-γ Rj(Xj(t)-Xi(t))反映了群體中螢火蟲(chóng)個(gè)體之間由于相互吸引而引起的位置變化;α(rand-1/2)是為了避免螢火蟲(chóng)算法的搜索結(jié)果陷入局部最優(yōu)而設(shè)置的隨機(jī)步長(zhǎng)項(xiàng).

2.2基于自適應(yīng)慣性權(quán)重優(yōu)化的螢火蟲(chóng)算法

考慮到在傳統(tǒng)螢火蟲(chóng)算法迭代后期算法已基本收斂到全局或者局部極值點(diǎn)附近,由式(11)可知,螢火蟲(chóng)之間的吸引力與相互之間的距離成反比作用,螢火蟲(chóng)算法的局部搜索能力下降甚至?xí)跇O值點(diǎn)附近震蕩.雖然在螢火蟲(chóng)算法過(guò)程當(dāng)中已經(jīng)加入了隨機(jī)項(xiàng)來(lái)防止震蕩現(xiàn)象的發(fā)生,但是可能需要多次迭代之后算法才能擺脫極值點(diǎn)的束縛,因此在迭代次數(shù)有限時(shí)可能就無(wú)法找到全局最優(yōu)值.為了解決上述問(wèn)題,本文引入慣性權(quán)重來(lái)優(yōu)化螢火蟲(chóng)算法,簡(jiǎn)稱IFA算法,優(yōu)化后的螢火蟲(chóng)算法如下:

(13)

ω即為本文引入的慣性權(quán)重(ω∈[0,1]),它決定本次迭代過(guò)程中螢火蟲(chóng)所處的位置受上次迭代結(jié)果影響的大小,慣性權(quán)重的計(jì)算公式如下:

(14)

式中:k為螢火蟲(chóng)更新位置的次數(shù);f(Xi(k))為第i個(gè)螢火蟲(chóng)第k次更新位置時(shí)對(duì)應(yīng)的目標(biāo)函數(shù)值;f(Xbest(k))為第k次更新位置時(shí)最優(yōu)螢火蟲(chóng)所對(duì)應(yīng)的目標(biāo)函數(shù)值,λ(k)的值反映出了慣性權(quán)重變化的平滑度,當(dāng)其值變化較大時(shí)說(shuō)明平滑度較差,反之亦然.由式(14)可知λ(k)的值會(huì)隨著目標(biāo)函數(shù)值的變化而改變,從而避免了權(quán)重的盲目選擇,使得螢火蟲(chóng)算法的搜索方向更加合理.

為了平滑權(quán)重的變化,采用下式計(jì)算權(quán)重.

(15)

當(dāng)算法的搜索結(jié)果接近極值點(diǎn),λ(k)的變化速度明顯減小,由式(15)可知ω(k)的值也越小,從而增強(qiáng)了算法的局部搜索能力,防止算法陷入極值點(diǎn)震蕩的問(wèn)題.反之,當(dāng)算法搜索結(jié)果偏離極值點(diǎn)時(shí),λ(k)變化加快,ω(k)越大,能夠更快的收斂到極值點(diǎn).

優(yōu)化后的螢火蟲(chóng)算法(IFA)在保持螢火蟲(chóng)算法特性的基礎(chǔ)上又加快了算法收斂速度,提高了算法精度,因此本文引入了IFA算法對(duì)二維Otsu閾值分割方法進(jìn)行優(yōu)化和求解.

3基于IFA算法的二維Otsu圖像閾值分割方法

3.1IFA算法和二維Otsu圖像閾值分割方法的結(jié)合

提出了一種基于IFA算法的二維Otsu圖像閾值分割方法,通過(guò)引入改進(jìn)的螢火蟲(chóng)算法對(duì)二維Otsu算法進(jìn)行改進(jìn),將二維Otsu閾值分割方法的閾值(s,t)的選取問(wèn)題轉(zhuǎn)化為螢火蟲(chóng)算法對(duì)二維Otsu算法的距離測(cè)度函數(shù)式(9)的尋優(yōu)問(wèn)題.

(16)

為全局最優(yōu)值.

將二維Otsu算法的距離測(cè)度函數(shù)rt r(S)設(shè)為螢火蟲(chóng)算法的目標(biāo)函數(shù),當(dāng)rt r(S)取最大時(shí)的閾值(s,t),即為所求的圖像最佳分割閾值.在對(duì)螢火蟲(chóng)算法進(jìn)行計(jì)算之前設(shè)定如下三個(gè)前提條件:①螢火蟲(chóng)不分雌雄,發(fā)光弱者被發(fā)光強(qiáng)者吸引而移動(dòng).②每個(gè)螢火蟲(chóng)的吸引度β和發(fā)光強(qiáng)度I成正比.③距離測(cè)度函數(shù)rt r(S)的值對(duì)應(yīng)于螢火蟲(chóng)的熒光亮度I.

3.2基于IFA算法的閾值流程圖和尋優(yōu)步驟

基于IFA算法的二維Otsu圖像閾值分割方法流程圖如圖2所示.

圖2　基于IFA算法的二維Otsu圖像閾值分割方法流程圖

具體步驟如下:

(1) 在搜索范圍內(nèi)隨機(jī)放置螢火蟲(chóng)的個(gè)數(shù)m,設(shè)定每個(gè)螢火蟲(chóng)的最大吸引度為β0,傳播介質(zhì)的光強(qiáng)吸收系數(shù)為γ,隨機(jī)步長(zhǎng)因子的大小為α,最大迭代次數(shù)為T(mén),隨機(jī)初始化各螢火蟲(chóng)的位置.

(2) 計(jì)算螢火蟲(chóng)的熒光亮度.運(yùn)用二維Otsu算法的距離測(cè)度函數(shù)rt r(S)計(jì)算目標(biāo)函數(shù)值,并作為相應(yīng)個(gè)體的最大螢光亮度值I0結(jié)合到改進(jìn)的螢火蟲(chóng)算法中.

(3) 更新螢火蟲(chóng)i的位置.螢火蟲(chóng)i在被熒光亮度更高的螢火蟲(chóng)j吸引后的位置更新變化公式如式(12)所示.

(4) 通過(guò)距離測(cè)度函數(shù)rt r(S)計(jì)算位置更新后的螢火蟲(chóng)亮度值I0,并對(duì)熒光亮度最強(qiáng)的個(gè)體進(jìn)行局部范圍搜索,當(dāng)目標(biāo)值得到改善時(shí)則更新最優(yōu)解,否則維持原來(lái)的最優(yōu)解.

(5) 當(dāng)達(dá)到最大迭代次數(shù)T時(shí),記錄此時(shí)的最優(yōu)解Hbest,否則,重復(fù)步驟(3)～步驟(5)進(jìn)入下一次搜索.最優(yōu)解所對(duì)應(yīng)的閾值(s,t)即為全局最優(yōu)的圖像分割閾值.

4實(shí)驗(yàn)結(jié)果及分析

本文采用了MATLAB 7.12.0(R2011a)編程環(huán)境,在硬件配置為Pentium(R) Dual-Core CPU 3.00 GHz,2 G內(nèi)存的計(jì)算機(jī)上完成了仿真.

實(shí)驗(yàn)1測(cè)試IFA算法尋優(yōu)性能.采用如下兩個(gè)函數(shù),全部取二維.

函數(shù)F1的全局極小值在0附近,fmin=0,初始范圍(-4,4),n=2;函數(shù)F2的全局極小值在1附近,fmin=0,初始范圍(-2.048,2.048),n=2.設(shè)FA和IFA的種群規(guī)模為80,迭代次數(shù)為50,光強(qiáng)系數(shù)γ=1,初始吸引度β0=1,隨機(jī)移動(dòng)步長(zhǎng)因子α=0.2.IFA中的權(quán)重系數(shù)動(dòng)態(tài)獲取.

函數(shù)的收斂曲線圖如圖3、圖4所示.

從圖3、圖4中可看出,兩種算法在優(yōu)化初期,種群分布均表現(xiàn)出了明顯的隨機(jī)特性;迭代后期兩種算法均能收斂至極值點(diǎn),尋優(yōu)成功,但改進(jìn)后的自適應(yīng)慣性權(quán)重螢火蟲(chóng)算法(IFA)優(yōu)化函數(shù)時(shí)收斂速度更快,具有更好的有效性和快速性.

實(shí)驗(yàn)2使用傳統(tǒng)的二維Otsu方法和IFA算法改進(jìn)后的二維Otsu方法對(duì)預(yù)處理后的圖像進(jìn)行分割比較.實(shí)驗(yàn)參數(shù):光強(qiáng)系數(shù)γ=1,初始吸引度β0=1,步長(zhǎng)因子α=0.5,螢火蟲(chóng)個(gè)數(shù)m=50,最大迭代次數(shù)T=50.仿真結(jié)果如圖5～圖7.

圖3　優(yōu)化函數(shù)F1的收斂曲線圖

圖4　優(yōu)化函數(shù)F2的收斂曲線圖

圖5　迎客松原始圖及分割結(jié)果

實(shí)驗(yàn)結(jié)果圖像依次分別為原始圖片,傳統(tǒng)的二維Otsu方法分割結(jié)果 ,改進(jìn)后的二維Otsu方法分割結(jié)果,圖像的二維直方圖.

傳統(tǒng)的二維Otsu方法和改進(jìn)后的二維Otsu方法的運(yùn)行時(shí)間和分割閾值比較如表1所示.

不同參數(shù)設(shè)置對(duì)分割結(jié)果和速度的影響的實(shí)驗(yàn),針對(duì)Rice圖,對(duì)比的參數(shù)變動(dòng),其他參數(shù)按照實(shí)驗(yàn)?zāi)J(rèn)值.

圖6　Lenna原始圖及分割結(jié)果

圖7　Rice原始圖及分割結(jié)果

表1　傳統(tǒng)的二維Otsu方法和改進(jìn)后的二維Otsu方法的運(yùn)行時(shí)間及分割閾值對(duì)比

表2　種群規(guī)模對(duì)算法性能的影響

表3　步長(zhǎng)因子α、光強(qiáng)度系數(shù)γ對(duì)算法性能的影響

從表2、表3可見(jiàn), 實(shí)驗(yàn)參數(shù)對(duì)結(jié)果有一定的影響,綜合各種因素, 本文選取的實(shí)驗(yàn)參數(shù)較優(yōu). 從圖5～圖7可以看出, 基于IFA改進(jìn)后的二維Otsu方法的分割結(jié)果與傳統(tǒng)的二維Otsu方法的分割結(jié)果差別不大, 且都能較好地選取閾值, 使目標(biāo)與背景分割準(zhǔn)確, 有效地減少圖像誤分割區(qū)域. 同時(shí), 從表1可以看出,改進(jìn)后的算法能夠有效地縮短圖像分割的運(yùn)行時(shí)間,很好地改善傳統(tǒng)二維Otsu方法的不足.

5總結(jié)

本文提出的基于IFA改進(jìn)的二維Otsu圖像閾值分割方法,在繼承螢火蟲(chóng)算法的參數(shù)設(shè)置少,操作簡(jiǎn)單,穩(wěn)定性好,尋優(yōu)效果好等優(yōu)點(diǎn)的基礎(chǔ)上優(yōu)化了螢火蟲(chóng)算法,然后對(duì)二維Otsu算法進(jìn)行了改進(jìn).實(shí)驗(yàn)證明,基于IFA改進(jìn)后的二維Otsu算法在保證分割效果的基礎(chǔ)上改善了算法運(yùn)算速度,具有很好的應(yīng)用前景.

參考文獻(xiàn):

[1] SEZGIN M, SANKUR B. Survey over image threshold techniques and quantitative performance evaluation[J]. Journal of Electronic Imaging, 2004,13(1):146-168.

[2] 韓思奇,王蕾. 圖像分割的閾值法綜述[J]. 系統(tǒng)工程與電子技術(shù), 2002,24(6):91-94,102.

(HAN S Q, WANG L. A Survey of thresholding methods for image segmentation[J]. Systems Engineering and Electronics, 2002, 24(6):91-94,102.)

[3] 劉雅坤,于雙元,羅四維. 基于最小最大割算法的閾值分割算法[J]. 計(jì)算機(jī)科學(xué), 2014,41(1):95-99.

(LIU Y K, YU S Y, LUO S W. Threshold image segmentation based on min-max cut algorithm[J]. Computer Science, 2014,41(1):95-99.)

[4] 方晶晶,李振波,姜宇. 人體膚色區(qū)域的自適應(yīng)模型分割方法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2013,25(2):229-234.

(FANG J J, LI Z B, JIANG Y. Human skin color region segmentation based on adaptive model[J]. Journal of Computer-Aided Design & Computer Graphics, 2013,25(2):229-234.)

[5] 向方,王宏福. 圖像邊緣分割算法的優(yōu)化研究與仿真[J]. 計(jì)算機(jī)仿真, 2011,28(8):280-283.

(XIANG F, WANG H F. The optimization of image edge segmentation algorithm research and simulation[J]. Computer Simulation, 2011,28(8):280-283.)

[6] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetic, 1979,9(1):62-66.

[7] 范立南,胡向麗,孫申申. 基于OTSU算法和帶通濾波器的毛玻璃型肺結(jié)節(jié)檢測(cè)[J]. 沈陽(yáng)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012,24(6):43-46.

(FAN L N, HU X L, SUN S S. Detection of ground glass opacity nodule based on Otsu algorithm and band-pass filter[J]. Journal of Shenyang University (Natural Science), 2012,24(6):43-46.)

[8] 劉健莊,栗文青. 灰度圖像的二維Otsu自動(dòng)閾值分割方法[J]. 自動(dòng)化學(xué)報(bào), 1993,19(1):101-105.

(LIU J Z, LI W Q. The automatic threshold of gray-level pictures via two-dimensional Otsu method[J]. Acta Automatica Sinica, 1993,19(1):101-105.)

[9] 范九倫,趙鳳. 灰度圖像的二維Otsu曲線閾值分割法[J]. 電子學(xué)報(bào), 2007,35(4):751-755.

(FAN J L, ZHAO F. Two-dimensional Otsu’s curve thresholding segmentation method for gray-level images[J]. Acta Electronica Sinica, 2007,35(4):751-755.)

[10] 吳一全,潘喆,吳文怡. 二維直方圖區(qū)域斜分閾值分割及快速遞推算法[J]. 通信學(xué)報(bào), 2008,29(4):77-83,89.

(WU Y Q, PAN Z, WU W Y. Image thresholding based on two-dimensional histogram oblique segmentation and its fast recurring algorithm[J]. Journal on Communications, 2008,29(4):77-83,89.)

[11] COELHO L, MARIANI V C. Improved firefly algorithm approach applied to chiller loading for energy conservation[J]. Energy and Buildings, 2013,59(2):273-278.

[12] HORNG M H, LIOU R J. Multilevel minimum cross entropy threshold selection based on the firefly algorithm[J]. Expert Systems with Applications, 2011,38(12):14805-14811.

[13] 吳鵬. 螢火蟲(chóng)算法優(yōu)化最大熵的圖像分割方法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2014(12):115-119.

(WU P. Image segmentation method based on firefly algorithm and maximum entropy method[J]. Computer Engineering and Applications, 2014(12):115-119.)

[14] YANG X S. Firefly algorithm for multimodal optimization[C]∥Stochastic Algorithms: Foundations and Applications, SAGA 2009, Lecture Notes in Computer Sciences, 2009,5792:169-178.

【責(zé)任編輯: 李艷】

Image Thresholding Segmentation with 2-D Otsu Based on Improved Firefly Algorithm

ZhouChenhang1,TianLiwei2,ZhaoHongwei2

(1. College of Information Engineering, Shenyang University, Shenyang 110044, China; 2. Liaoning Information Integration Technology Engineering Research Center of Internet of Things, Shenyang 110044, China)

Abstract:The research status of 2-D Otsu algorithm and the firefly algorithm is investigated. In order to solve the problems in 2-D image thresholding segmentation such as high computation cost, bad real time capability, etc, a novel image segmentation algorithm is proposed, that combing improved firefly algorithm with 2-D Otsu. The algorithm takes advantage of firefly algorithm that optimized by adaptive inertia weight (IFA)to search the optimal threshold of image segmentation. Experimental results show that the improved algorithm can achieve good segmentation performance, which may not only shorten the run time, but also be applied to the real-time processing of image segmentation.

Key words:optimal threshold; 2-D Otsu; inertia weight; firefly algorithm; image segmentation

中圖分類(lèi)號(hào):TP 391.4

文獻(xiàn)標(biāo)志碼:A

文章編號(hào):2095-5456(2016)01-0045-06

作者簡(jiǎn)介:周晨航(1990-),男,安徽黃山人,沈陽(yáng)大學(xué)碩士研究生; 田力威(1973-),男,遼寧沈陽(yáng)人,沈陽(yáng)大學(xué)教授,博士后研究人員.

基金項(xiàng)目:科學(xué)技術(shù)部國(guó)際科技合作與交流專(zhuān)項(xiàng)基金資助項(xiàng)目(2011DFA91810-5); 遼寧省自然科學(xué)基金資助項(xiàng)目(2013020011); 教育部新世紀(jì)優(yōu)秀人才支持計(jì)劃資助項(xiàng)目(NCET-12-1012).

收稿日期:2015-06-26