多目标粒子群和人工蜂群混合优化的阈值图像分割算法

计算机工程与科学

多目标粒子群和人工蜂群混合优化的阈值图像分割算法

赵凤1,2，孔令润1,2，马改妮1,2

（1.西安邮电大学通信与信息工程学院,陕西西安 710121;

2.西安邮电大学电子信息现场勘验应用技术公安部重点实验室,陕西西安 710121）

收稿日期:2019-06-17 修回日期:2019-09-24 出版日期:2020-02-25 发布日期:2020-02-25
基金资助:
国家自然科学基金(61571361,61102095,61671377);西安邮电大学西邮新星团队资助(xyt2016-01)

A thresholding image segmentation algorithm

based on multi-objective particle swarm and

artificial bee colony hybrid optimization

ZHAO Feng1,2，KONG Ling-run1,2，MA Gai-ni1,2

(1.School of Telecommunications and Information Engineering,Xi’an University of Posts & Telecommunications,Xi’an 710121;

2.Ministry of Public Security,Key Laboratory of Electronic Information Application Technology for Scene Investigation,

Xi’an University of Posts & Telecommunications,Xi’an 710121,China)

Received:2019-06-17 Revised:2019-09-24 Online:2020-02-25 Published:2020-02-25

摘要/Abstract

摘要：

在图像分割中，为了准确地把目标和背景分离出来，提出了一种基于多目标粒子群和人工蜂群混合优化的阈值图像分割算法。在多目标优化的框架下，将改进的类间方差准则和最大熵准则作为适应度函数，通过粒子群和蜂群混合优化这2个适应度函数来获得1组非支配解。同时，为了提高全局和局部搜索能力，在蜂群进化时，将粒子群的全局最优解引入到人工蜂群算法的雇佣蜂阶段蜜源的更新中，并对搜索方程进行改进。最后通过类间差异和改进的类内差异的加权比值，从一组非支配解中选取最优阈值。实验结果表明，该算法能够取得理想的分割结果。

关键词: 阈值分割, 粒子群优化算法, 人工蜂群算法, 混合优化, 多目标优化

Abstract:

In order to accurately separate the objects from the background in images, a thresholding image segmentation algorithm based on multi-objective particle swarm and artificial bee colony hybrid optimization is proposed. Under the framework of multi-objective optimization, the improved inter-class variance criterion and maximum entropy criterion are used as the fitness functions, and then the two fitness functions are optimized by particle swarm and bee colony hybrid optimization to obtain a set of non-dominated solutions. At the same time, the global optimal solution of particle swarm is introduced into the employed bee phase to update the honey source and the search equation is modified, so as to improve the global and local search abilities in the evolution of the bee colony. Finally, the weighted ratio of between-cluster variation and modified intra-cluster variation is adopted to select an optimal solution from a set of non-dominated solutions. Experimental results show that this algorithm can obtains ideal thresholding segmentation results.

Key words: thresholding segmentation, particle swarm optimization algorithm, artificial bee colony algorithm, hybrid optimization, multi-objective optimization

赵凤1,2，孔令润1,2，马改妮1,2. 多目标粒子群和人工蜂群混合优化的阈值图像分割算法[J]. 计算机工程与科学.

ZHAO Feng1,2，KONG Ling-run1,2，MA Gai-ni1,2.

A thresholding image segmentation algorithm

based on multi-objective particle swarm and

artificial bee colony hybrid optimization

[J]. Computer Engineering & Science.

[1]	许文俊, 王锡淮. 基于变尺度黑洞和种群迁徙的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(11): 2036-2046.
[2]	张文宁, 周清雷, 焦重阳, 梅亮. 融入重心反向学习和单纯形搜索的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(09): 1629-1638.
[3]	罗莉, 石伟, 何鸿君, 潘国腾, 王蕾, 龚锐. 一种面向IO Die的敏捷验证方法[J]. 计算机工程与科学, 2023, 45(04): 571-576.
[4]	申晓宁, 游璇, 陈庆洲, 潘红丽, 黄遥. 采用双档案协同进化离散多目标烟花算法的低碳疫苗冷链优化配送[J]. 计算机工程与科学, 2022, 44(12): 2255-2265.
[5]	王林, 王燕丽, 安泽远. 改进粒子群算法优化回声状态网络的电力需求预测研究[J]. 计算机工程与科学, 2022, 44(08): 1457-1466.
[6]	庄鹤林, 杨火根, 夏小云, 廖伟志. 关于矩阵乘法问题的人工蜂群优化算法研究[J]. 计算机工程与科学, 2021, 43(12): 2131-2138.
[7]	张晶, 魏淼, . 基于Delaunay三角划分策略的WSN区域覆盖优化研究[J]. 计算机工程与科学, 2021, 43(11): 1944-1951.
[8]	李艺辉, 刘作军, 李洁. 基于模糊逻辑NSGA-Ⅲ的开关磁阻发电机多目标优化算法[J]. 计算机工程与科学, 2021, 43(03): 542-550.
[9]	张明珠, 曹杰, 王斌. 基于精英集的多目标差分进化聚类算法[J]. 计算机工程与科学, 2021, 43(01): 170-179.
[10]	马永杰, 陈满丽, 陈敏. 基于Pareto解集分段预测策略的动态多目标进化算法[J]. 计算机工程与科学, 2020, 42(08): 1454-1462.
[11]	包敏泽, 胡秀婷, 谢玉莹, 蒋波. 基于人工蜂群算法的p-center问题求解算法[J]. 计算机工程与科学, 2020, 42(06): 1127-1133.
[12]	衡红军, 戚馨桐. 考虑任务均衡的加油车动态调度问题[J]. 计算机工程与科学, 2020, 42(05): 923-930.
[13]	朱登京，段倩倩. 无参分组大规模变量的多目标算法研究[J]. 计算机工程与科学, 2020, 42(04): 603-609.
[14]	陈丽芳,冯力静,刘保相. 神经网络规则优化建模与应用[J]. 计算机工程与科学, 2019, 41(12): 2247-2254.
[15]	赵志刚，莫海淼，温泰，李智梅，郭杨. 一种自适应调整种群子代数量与步长的优化算法——爆米花算法[J]. 计算机工程与科学, 2019, 41(05): 900-909.