混合量子粒子群图像分割算法IS-MQPS

J4 ›› 2015, Vol. 37 ›› Issue (01): 125-132.

混合量子粒子群图像分割算法IS-MQPS

高颖慧1,曲智国1,卢凯2

（1.国防科学技术大学ATR国家重点实验室，湖南长沙 410073；2.国防科学技术大学计算机学院，湖南长沙 410073）

收稿日期:2013-04-01 修回日期:2014-11-07 出版日期:2015-01-25 发布日期:2015-01-25
基金资助:
国家自然科学基金资助项目（61103082）

A novel image segmentation algorithm
based on mixed quantum particle swarm

GAO Yinghui1,QU Zhiguo1,LU Kai2

(1.National Key Laboratory of Automatic Target Recognition,National University of Defense Technology,Changsha 410073；
2.College of Computer,National University of Defense Technology,Changsha 410073,China)

Received:2013-04-01 Revised:2014-11-07 Online:2015-01-25 Published:2015-01-25

摘要/Abstract

摘要：

基于群智能的图像分割技术因其与人类视觉机理相符合，受到人们重视。但是，现有群体模型存在的对参数取值敏感和易收敛于局部极值等问题，制约了群智能技术在复杂图像分割中的应用。首先定义了基于群智能图像分割的抽象模型，然后将通用量子粒子模型GQPM引进图像分割，提出了混合量子粒子群图像分割算法ISMQPS。ISMQPS算法以量子粒子携带灰度和坐标信息，以纠缠量子态定义群体行为规则，以混合量子粒子群的自组织聚类实现图像分割。实验表明，ISMQPS算法具有对噪声不敏感、分割区域意义明确等优点，可应用于复杂图像分割。

关键词: 图像分割, 群智能, 通用量子粒子模型, 混合量子粒子群

Abstract:

Image segmentation technology based on swarm intelligence has been paid more and more attentions due to its consistency with human visual mechanism. However, many existing swarm models are sensitive to parameter values and easy to converge to the local minimum, which restricts the application of swarm intelligence in complex image segmentation. In the paper, we define the abstract model of image segmentation based on swarm intelligence firstly, and then propose a novel image segmentation algorithm based on mixed quantum particle swarm (ISMQPS) by introducing the eneralized quantum particle model (GQPM) into image segmentation. ISMQPS contains three key parts: defining the quantum particle by pixel's grey value and position value, defining the swarm action rule by entangled quantum state, and realizing image segmentation by selforganization clustering of mixed quantum particle swarm. Experiments show that ISMQPS is insensitive to noise, has good segmentation effect, and can be used in complex image segmentation.

Key words: image segmentation;swarm intelligence;generalized quantum particle model;mixed quantum particle swarm

高颖慧1,曲智国1,卢凯2. 混合量子粒子群图像分割算法IS-MQPS[J]. J4, 2015, 37(01): 125-132.

GAO Yinghui1,QU Zhiguo1,LU Kai2. A novel image segmentation algorithm
based on mixed quantum particle swarm [J]. J4, 2015, 37(01): 125-132.

参考文献

［1］Lei Xiujuan. Swarm intelligent optimization algorithms and their applications［M］. Beijing:Science Press, 2012.(in Chinese)
［2］Li Bi, Hao Zhifeng.Cooperative coevolutionary algorithm and its applications ［M］.Beijing:Science Press,2013.(in Chinese)
［3］MacGill J. Using flocks to drive a geographical analysis engine［C］∥Proc of Artificial Life Ⅵ, 2000:453466.
［4］Ramos V, Almeida F. Artificial ant colonies in digital image habitats—A mass behaviour effect study on pattern recognition［C］∥Proc of the 2nd International Workshop on Ant Algorithms(From Ant Colonies to Artificial Ants), 2000:113116.
［5］Chialvo D R, Millonas M M. How swarms build cognitive maps［C］∥Proc of the Biology and Technology of Intelligent Autonomous Agents, 1995:439450.
［6］He H, Chen Y Q. Artificial life for image segmentation［J］. International Journal of Pattern Recognition and Artificial Intelligence, 2001, 15(6):9891003.
［7］Xu Xiaohui, Zhang An. Entropic thresholding method based on particle swarm optimization for image segmentation［J］. Computer Engineering and Applications, 2006,42(10):811.(in Chinese)
［8］Liang Jianhui,Ma Miao.Artificial bee colony algorithm based research on image segmentation［J］. Computer Engineering and Applications, 2012,48(8):194196.(in Chinese)
［9］Chu Xiaoli. Kmeans clustering algorithm and artificial fish swarm algorithm applied in image segmentation technology［J］. Computer Systems & Applications, 2013,22(4):9294.(in Chinese)
［10］Shuai Dianxun, Shuai Qing, Dong Yumin. Selforganizing data clustering based on quantum entanglement model［C］∥Proc of the 1st International MultiSymposium on Computer and Computational Sciences,2006:1.
附中文参考文献：
［1］雷秀娟.群智能优化算法及其应用［M］.北京：科学出版社，2012.
［2］李碧，郝志峰.协同进化算法及其应用［M］.北京：科学出版社，2013.
［7］徐小慧，张安.基于粒子群优化算法的最佳熵阈值图像分割［J］.计算机工程与应用，2006，42（10）：811.
［8］梁建慧，马苗.人工蜂群算法在图像分割中的应用研究［J］.计算机工程与应用，2012，48（8）：194196.
［9］楚晓丽.KMeans聚类算法和人工鱼群算法应用于图像分割技术［J］.计算机系统应用，2013，22(4):9294.

[1]	吴从中, 董浩, 方静. 基于注意力机制的自适应滤波遥感图像分割网络[J]. 计算机工程与科学, 2022, 44(11): 2010-2018.
[2]	仇静博, 燕雪峰, 汪俊, 郭延文, 魏明强, . 基于全卷积神经网络的单幅隧道图像裂纹提取算法[J]. 计算机工程与科学, 2022, 44(05): 845-854.
[3]	曾增峰, 环宇翔, 邹卓, 郑立荣. 多尺度深度监督的高度近视萎缩病变分割方法[J]. 计算机工程与科学, 2021, 43(07): 1264-1272.
[4]	蒋芸, 高静, 王发林. SAG-Net：用于联合视盘和视杯分割的新型跳过注意力指导网络[J]. 计算机工程与科学, 2021, 43(07): 1273-1282.
[5]	张俊鹏, 刘辉, 李清荣. 基于FCN-LSTM的工业烟尘图像分割[J]. 计算机工程与科学, 2021, 43(05): 906-916.
[6]	陈爱莲, 丁正龙, 詹曙. 基于对抗学习和多尺度特征融合的前列腺MR图像分割[J]. 计算机工程与科学, 2021, 43(04): 697-703.
[7]	朱倩倩, 车文刚, 苗晗. 数字化藏文古籍中多样性字体的实现方法研究[J]. 计算机工程与科学, 2020, 42(11): 2073-2079.
[8]	赵仁和，王军锋. 自适应尺度的局部强度聚类图像分割模型[J]. 计算机工程与科学, 2020, 42(06): 1043-1048.
[9]	徐秋平. 基于人机交互式图割的目标快速提取[J]. 计算机工程与科学, 2020, 42(02): 299-306.
[10]	王卫民1,符首夫1,顾榕蓉1,王东升1,何林容2,关文斌3. 基于卷积神经网络的虫情图像分割和计数方法[J]. 计算机工程与科学, 2020, 42(01): 110-116.
[11]	任佳1,2，张胜男1，董超2，赵敏钧1. 基于改进模糊C均值的海面目标图像分割算法[J]. 计算机工程与科学, 2019, 41(05): 858-864.
[12]	吴尚智1，佘志用2，张霞1，赵慧琴3. 利用变精度粗糙熵的图像分割算法[J]. 计算机工程与科学, 2018, 40(10): 1837-1843.
[13]	易三莉，张桂芳，贺建峰，李思洁. 基于最大类间方差的最大熵图像分割[J]. 计算机工程与科学, 2018, 40(10): 1874-1881.
[14]	刘汉强，张青. 区间模糊谱聚类图像分割方法[J]. 计算机工程与科学, 2018, 40(09): 1611-1616.
[15]	谭志国1，2,欧建平1,张军1,沈先耿2. 多特征组合的深度图像分割算法[J]. 计算机工程与科学, 2018, 40(08): 1429-1434.