張?zhí)煲?郝玉然

摘要：為了解決傳統(tǒng)閾值分割KSW法對圖像多閾值分割時由于空間和時間復雜度增加導致分割效果不佳的穩(wěn)態(tài)，本文采用SHO算法優(yōu)化傳統(tǒng)KSW法對圖像進行多閾值分割以提高傳統(tǒng)KSW法分割效果不佳的穩(wěn)態(tài)。為了證明SHO-KSW算法對圖像分割的優(yōu)越性，與PSO算法優(yōu)化傳統(tǒng)KSW法（PSO-KSW）分割效果對比。通過本次實驗的過程表明SHO-KSW算法比PSO-KSW分割更好。

關鍵詞：閾值分割;SHO-KSW;PSO-KSW;PSNR;SSIM

當前，圖像處理最重要的步驟即圖像分割，圖像分割是將某個圖像中的各個不同特點的畫面，根據(jù)其特征不同將圖像分割為不同的部分，使每一個部分按照相同的、或近似的特性顯示，不同區(qū)域按照不同的特性分類。目前大多數(shù)分割算法是結(jié)合邊緣、區(qū)域等。閾值分割因為有高效、性能較穩(wěn)定的特點，使得更多的圖像研究者采納，也被廣泛應用在眾多圖像分析與識別等視覺系統(tǒng)中。閾值分割主要有單、多閾值分割法等基本的分類，采用閾值分割法的主要原理為，根據(jù)規(guī)定的目標求出分割的最優(yōu)閾值，將圖像的像素點——比較，進一步將目標與背景區(qū)域的多種畫面進行有效的拆分。單閾值分割的處理方法，即依據(jù)閾值進一步將直方圖分割成相應的目標與背景兩個類別，多閾值分割可以將相關的圖像劃分為不同的類，從而讓各類的類間方差達到最高數(shù)值。

1最大熵閾值法（KSW）

KSW是Kapuar在1985年正式的提出算法，其中的基礎原理：使選定的閾值分割目標、背景區(qū)域兩大構(gòu)成的灰度統(tǒng)計參數(shù)達到最高。對實際灰度范圍是0至L-1的圖像，設置具體分割閾值參數(shù)為t，從而讓實際灰度參數(shù)小于t的像素點充當相應的目標區(qū)域（T），那么對應的背景區(qū)域（B）像素點的具體灰度級別，都要求大于t值，那么實際分布為：

p，p，…，p為灰度圖像中灰度值為t+1，t+2，L-1的概率。

那么前述兩大區(qū)域的概率密度相關熵即：

定義函數(shù)φ（t）即H（T）與H（B）疊加，即為：

最大熵法可以推廣到多閾值上。在這種情況下，可以將其配置為k維優(yōu)化問題，選擇k個最優(yōu)閾值[t，t，…，t]。目的是為了讓目標函數(shù)最大化，目標函數(shù)為：

f（t，t，…，t）=H+H+H+…+H（6）

式中

2斑點鬣狗優(yōu)化算法（SHO）

斑點鬣狗（SHO）優(yōu)化算法是通過觀察它們捕獵過程的行為活動，構(gòu)建有四大流程數(shù)學建模。依靠搜索、包圍、狩獵行為、共計獵物這四個步驟，建立起有效地優(yōu)化模型，尋找最優(yōu)值。

2.1包圍獵物

斑點鬣狗預先確認具體的獵物位置，后續(xù)進行包圍活動。結(jié)合具體的社會級別，預先開展數(shù)學建模，優(yōu)先選定最優(yōu)包圍對象或是接近最優(yōu)獵物，因其并非先驗搜索空間。其他斑點鬣狗嘗試不斷的變換自己的位置，等待確定了最佳或者接近最佳的包圍對象后，對其進行獵捕，此類行為的數(shù)學模型可應用下述方程來表達：

2.2狩獵行為

斑點鬣狗是一種群居動物并進行群體狩獵，他們通常依靠群體之間的配合識別獵物位置。為了準確的界說斑點鬣狗的行為，假設無論哪個個體是最佳的搜索個體，只要知道獵物的位置，剩下的其他個體組成一個群體，是最佳搜索個體可信賴的朋友群，向最佳的搜索個體，存儲當前獲取的最優(yōu)狩獵方案，用于調(diào)整具體的位置。狩獵行為的具體模型是：

是個最優(yōu)解的集群。其中N的具體計算為：

2.3攻擊獵物

2.4尋找獵物

3仿真結(jié)果分析

選定傳統(tǒng)KSW分割以及SHO算法，綜合優(yōu)化分割，為論證其取得的效果，和傳統(tǒng)KSW分割、粒子群算法綜合具體的優(yōu)化效果開展比較。選擇經(jīng)典伯克利分割數(shù)據(jù)庫中#29030、#41006、#48017和#69000四幅圖像來瞼證算法性能。

圖1為原圖與直方圖。表1、2分別為基于PSO- KSW和SHO-KSW的分割結(jié)果。

4結(jié)語

從表1和表2的結(jié)果分析得知：（1）SHO-KSW 比PSO-KSW可以取得與適應函數(shù)值更好的適應效果;（2）SOA-KSW算法可以獲得更加理想、的PSNR和MSSIM參數(shù)，進而說明SHO-KSW能夠較優(yōu)的閾值分割結(jié)果。（3）SHO-KSW比PSO-KSW能夠以更短的時間對圖像進行閾值分割。

參考文獻：

[1]章毓晉.圖象分割評價技術分類和比較[J].中國圖象圖形學報，1996，1（002）：151-158.

[2]韓海峰.一種結(jié)合遺傳算法和最大類間方差法的圖像分割新方法[J].湖南工程學院學報（自科版），2015（02）：43-46.

[3]DHIMAN G，KUMAR V. Spotted hyena optimizer：A novel bio-inspired based metaheuristic technique for engineering applications[J]. Advances in Engineering Software，2017，114：48-70.

[4] KAUR A，KALEKA K K，V CHAHAR. Spiral-Inspiredspotted hyena optimizer and its application to constraintengineering problems[J]. Wireless personal communications，2020（2）：116- 119.

[5]鐘文，張志浩，管鑫，等.基于斑點鬣狗算法的風/光/抽水蓄能聯(lián)合

運行系統(tǒng)優(yōu)化調(diào)度研究[J].電力學報.2020，35（02）：113-122.

[6]賈鶴鳴，姜子超，李瑤，等.基于改進斑點鬣狗優(yōu)化算法的同步優(yōu)化特征選擇[J].計算機應用.2021，41（05）：1290-1298.

[7]賈鶴鳴，姜子超，彭曉旭，等.基于改進鬣狗優(yōu)化算法的多閾值彩色圖像分割[J].計算機應用與軟件.2020，37（05）：261-267.

[8]PUN T. A new method for grey-level picture thresholding using the entropy of the histogram[J]. Signal Processing. 1980，2（3）：223-237.