狼群优化的二维Otsu快速图像分割算法

计算机工程与科学

狼群优化的二维Otsu快速图像分割算法

曹爽，安建成

(太原理工大学信息与计算机学院,山西晋中030600)

收稿日期:2016-12-12 修回日期:2017-05-08 出版日期:2018-07-25 发布日期:2018-07-25
基金资助:
山西省国际科技合作项目(20140810182)

A fast two-dimensional Otsu image segmentation

algorithm based on wolf pack algorithm optimization

CAO Shuang，AN Jiancheng

(School of Infomation and Computer Science,Taiyuan University of Technology,Jinzhong 030600,China)

Received:2016-12-12 Revised:2017-05-08 Online:2018-07-25 Published:2018-07-25

摘要/Abstract

摘要：

传统二维Otsu算法的阈值选取大都采用穷尽搜索方式，造成算法分割时间较长、实时性差等缺点，影响图像分割效果。为提高算法的运行效率，采用狼群算法来搜索最优阈值，每匹人工狼代表一个可行的二维阈值向量，狼群通过游走、召唤、围攻这三种智能行为的不断迭代以及狼群间的信息交互来获取最佳阈值。仿真结果表明，与标准粒子群优化二维Otsu算法和传统二维Otsu算法相比，狼群优化算法降低了分割时间并提高了图像分割精度。

关键词: 图像分割, 二维Otsu, 狼群优化, 阈值选取

Abstract:

Threshold selection of traditional twodimensional Otsu algorithm generally depends on the exhaustive search method. However it cannot be applied to realtime systems for its long segmentation time and poor realtime performance which affect the efficiency of image segmentation. In order to reduce the running time of the twodimensional Otsu algorithm, we use the wolf pack algorithm to find the best threshold vector. Each artificial wolf represents a feasible twodimensional threshold vector. And the wolves get the best threshold through constant iteration of intelligent behaviors, including scouting behaviors, summoning behaviors and beleaguering behaviors, as well as the communication information among wolves. Simulation results show that compared with the twodimensional Otsu algorithm with standard PSO optimization and the traditional twodimensional Otsu algorithm, the proposed algorithm can reduce segmentation time and improve the accuracy of image segmentation.

Key words: image segmentation, twodimensional Otsu, wolf pack optimization, threshold selection

曹爽，安建成. 狼群优化的二维Otsu快速图像分割算法[J]. 计算机工程与科学.

CAO Shuang，AN Jiancheng.

A fast two-dimensional Otsu image segmentation

algorithm based on wolf pack algorithm optimization

[J]. Computer Engineering & Science.

[1]	张文豪, 瞿绍军. 基于双解码器结构的多尺度注意力特征融合网络的视网膜血管分割#br#[J]. 计算机工程与科学, 2023, 45(12): 2175-2185.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.