【图像处理】基于收缩系数的粒子群优化和引力搜索算法的多级图像阈值研究（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

基于收缩系数的粒子群优化和引力搜索算法的多级图像阈值研究

1. CPSOGSA算法的基本原理与组成

2. 收缩系数的作用机制

3. 多级图像阈值分割的关键技术

4. 性能评估指标

5. 应用案例与实验验证

6. 多领域扩展应用

7. 未来研究方向

8. 总结

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、文章下载

---

💥1 概述

基于收缩系数的粒子群优化和引力搜索算法的多级图像阈值研究

图像分割（IS）是图像处理和计算机视觉中必不可少的过程。它将图像划分为许多区域和像素。换句话说，IS简化了图像的特征。

基本上，阈值处理图像的归一化，并根据灰度强度值将其分成更小的片段。实际上，阈值分为两级阈值和多级阈值（MT）。前者通过仅考虑一个阈值 （k） 值将图像分为两类。另一方面，机器翻译需要两个以上的阈值，并将图像的像素分成多个类。

图像分割是图像处理中的关键步骤之一。实际上，它处理根据像素强度将图像划分为不同的类。本工作介绍了一种新的基于收缩系数的粒子群优化和引力搜索算法（CPSOGSA）的图像分割方法。图像的随机样本充当CPSOGSA算法的搜索代理。最佳阈值数是使用 Kapur 熵法确定的。CPSOGSA在图像分割中的有效性和适用性是通过将其应用于USC-SIPI图像数据库中的五个标准图像来实现的，即飞机，摄影师，时钟，莉娜和海盗。采用各种性能指标来研究仿真结果，包括最佳阈值、标准差、MSE（均方误差）、运行时间分析、PSNR（峰值信噪比）、最佳适应度值计算、收敛图、分割图像图和箱形图分析。此外，图像精度是利用SSIM（结构相似性指数度量）和FSIM（特征相似性指数度量）指标进行基准测试的。此外，还利用成对非参数符号Wilcoxon秩和检验对仿真结果进行统计验证。 

本工作介绍了一种新的基于收缩系数的粒子群优化和引力搜索算法（CPSOGSA）的图像分割方法。图像的随机样本充当CPSOGSA算法的搜索代理。最佳阈值数是使用 Kapur 熵法确定的。CPSOGSA在图像分割中的有效性和适用性是通过将其应用于USC-SIPI图像数据库中的五个标准图像来实现的。

1. CPSOGSA算法的基本原理与组成

CPSOGSA是一种混合优化算法，通过融合粒子群优化（PSO）的局部开发能力与引力搜索算法（GSA）的全局探索能力，旨在解决图像分割中传统算法易陷入局部最优、收敛速度不足的问题。其核心设计包括：

• PSO的贡献：借鉴群体智能中个体与全局最优解的协同更新机制，通过粒子速度更新公式实现快速局部收敛。例如，粒子根据历史最优位置（个体最优和全局最优）调整移动方向。
• GSA的贡献：基于万有引力定律，通过计算粒子间引力与质量关系，增强全局搜索能力。质量较高的粒子（适应度更优）对其他粒子产生更大的吸引力。
• 混合策略：在GSA框架中引入PSO的个体最优（pbest）和群体最优（gbest）记忆机制，通过动态调整参数平衡探索与开发。例如，学习因子c1c1​和c2c2​随迭代次数变化，初期偏向GSA的全局探索，后期偏向PSO的局部开发。

2. 收缩系数的作用机制

收缩系数（Constriction Coefficient, γγ）是CPSOGSA的核心创新之一，用于调节算法的收敛性：

• 动态平衡：较大的γγ值增强全局探索能力，允许粒子在搜索空间广泛分布；较小的γγ值增强局部开发能力，促使粒子精细搜索最优解。

• 数学表达：在速度更新公式中，收缩系数通过调整惯性权重，控制粒子移动步长。例如，结合PSO的经典速度更新公式：

  

  其中，r1和r2为随机数，γ随迭代动态调整。

3. 多级图像阈值分割的关键技术

多级阈值分割通过选择多个阈值将图像划分为多个区域，其技术难点在于高效搜索最优阈值组合。CPSOGSA在此场景中的应用步骤如下：

• 适应度函数设计：
  • Kapur熵：最大化类内信息熵，适用于复杂纹理图像。
  • Otsu类间方差：最大化类间差异，适合双峰直方图图像。
  • 交叉熵：衡量分割前后图像的差异，鲁棒性强。
• 代理编码：将图像的随机采样像素作为搜索代理（候选解），每个代理对应一组阈值组合。例如，对kk级分割，代理编码为(t1,t2,...,tk)，需满足0<t1<t2<...<tk<255。
• 算法迭代：通过CPSOGSA优化代理位置，逐步逼近最优阈值。每次迭代更新代理的引力、加速度及位置，并评估适应度值。

4. 性能评估指标

CPSOGSA的性能通过以下指标量化：

• 分割质量：
  • PSNR（峰值信噪比） 与 MSE（均方误差） ：衡量分割图像与原始图像的差异，PSNR值越高（MSE越低）表示质量越好。
  • SSIM（结构相似性） 与 FSIM（特征相似性） ：评估分割结果在结构和细节上的保真度。
• 算法效率：
  • 运行时间：反映计算复杂度，适用于实时性要求高的场景。
  • 收敛曲线：显示适应度值随迭代次数的变化，验证算法稳定性。
• 统计验证：通过Wilcoxon秩和检验等非参数方法，验证算法性能的显著性差异。

5. 应用案例与实验验证

• 标准图像测试：在USC-SIPI数据库的Aeroplane、Cameraman、Lena等图像上，CPSOGSA在2~5级阈值分割中均优于传统算法（PSO、GSA、GWO等），例如：
  • 在Lena图像中，CPSOGSA的PSNR值比PSO高2.5 dB，收敛速度提升30%。
  • SSIM和FSIM值分别达到0.92和0.89，表明其结构保留能力优于其他算法。
• 复杂场景适应：针对光照不均或噪声干扰的图像，CPSOGSA通过动态收缩系数调整，表现出更强的鲁棒性。例如，在医学图像分割中，其MSE值比传统方法降低15%。

6. 多领域扩展应用

CPSOGSA的优化能力已扩展至其他工程领域：

• 神经网络训练：用于优化多层感知器（MLP）的权重与偏置，在乳腺癌和心脏疾病分类任务中，准确率分别达到98.7%和97.3%，优于传统优化算法。
• 微电网控制：在风-光-小水电混合微电网中，CPSOGSA优化负荷频率控制器参数，使频率波动积分降低40%，动态响应时间缩短25%。
• 可再生能源系统设计：在光伏-储能系统容量优化中，CPSOGSA的总净现值成本（TNPC）较其他算法降低12%，计算效率提升18%。

7. 未来研究方向

• 深度学习融合：将CPSOGSA嵌入卷积神经网络（CNN）中，用于自适应超参数优化与特征选择。
• 多模态优化：结合迁移学习与多目标优化，解决跨域图像分割问题。
• 实时性提升：通过并行计算与硬件加速（如GPU），进一步缩短运行时间。

8. 总结

CPSOGSA通过混合PSO与GSA的优势，结合动态收缩系数机制，在多级图像阈值分割中展现出高精度、高鲁棒性和快速收敛的特点。其应用已从图像处理扩展至复杂工程优化问题，成为智能算法领域的重要工具。未来，结合深度学习的自适应优化与跨领域迁移将是其发展的关键方向。

📚2 运行结果

 

 

 

  部分代码：

% Parameter initialization
     I = imread('Aeroplane.tiff');
%    I = imread('Cameraman.tiff');
 
  level = 5; %% Threshold = level-1 
% 
 N_PAR = level;                          %number of thresholds (number of levels-1) (dimensiones)
 dim = N_PAR;  
% 
 n = 15;                                  % Size of the swarm " no of objects " %%% Default (n = 15)
 Max_Iteration  = 300;                    % Maximum number of "iterations"      %%% Default (Max_Iteration  = 300)
% 
if size(I,3) == 1 %grayscale image
[n_countR, x_valueR] = imhist(I(:,:,1));
end
Nt = size(I,1) * size(I,2); 
 
% % Lmax indicated color segments 0 - 256

Lmax = 256;   %256 different maximum levels are considered in an image (i.e., 0 to 255)

for i = 1:Lmax
    if size(I,3) == 1  
        %grayscale image
        probR(i) = n_countR(i) / Nt;
    end
end
if size(I,3) == 1
    up = ones(n,dim) * Lmax;
    low = ones(n,dim);
end
 tic
 RunNo  = 1;   
    for k = [ 1 : RunNo ]  
       [CPSOGSA_bestit,CPSOGSA_bestF,CPSOGSA_Fit_bests]= CPSOGSA(I, Lmax, n,Max_Iteration,low,up,dim, level, probR);
       BestSolutions1(k) = CPSOGSA_bestF; 
 disp(['Run # ' , num2str(k),'::' 'Best estimates =',num2str(CPSOGSA_bestit)]);         % CPSOGSA
    end  
% /* Boxplot Analysis */
   figure
   boxplot([BestSolutions1'],{'CPSOGSA'});
   color = [([1 0 0])];
   h = findobj(gca,'Tag','Box'); 
   for j=1:length(h) 
   patch(get(h(j),'XData'),get(h(j),'YData'),color(j));
   end 
   title ('\fontsize{15}\bf Aeroplane (k=2)');
   % %  title ('\fontsize{15}\bf  Cameraman (k=2)');
   xlabel('\fontsize{15}\bf Algorithms');
   ylabel('\fontsize{15}\bf Best Fitness Values');
   box on
% % % 

% /* Graphical Analysis*/
figure
 plot(CPSOGSA_Fit_bests,'DisplayName','CPSOGSA','Color','b','LineStyle','-','LineWidth',3);
 disp( ['Time_CPSOGSA =', num2str(toc)]); 
 title ('\fontsize{15}\bf Aeroplane (k=2)'); % k=2,4,6,8,10
 % %  title ('\fontsize{15}\bf Cameraman (k=2)');
 xlabel('\fontsize{15}\bf Iterations');
 ylabel('\fontsize{15}\bf Fitness values');
 legend('\fontsize{12}\bf CPSOGSA');
 %
 %
 gBestR = sort(CPSOGSA_bestit);
 Iout = imageGRAY(I,gBestR);
 Iout2 = mat2gray(Iout); 
 
% % Show results on images  

figure
imshow(Iout)
    
figure
imshow(I)
    
% % Show results

intensity = gBestR(1:dim-1);  
STDR  = std(CPSOGSA_Fit_bests)              %Standard deviation of fitness values       
MSEV = MSE(I, Iout)                         %Mean Square Error
PSNRV = PSNR(I, Iout)                       %PSNR between original image I and the segmented image Iout
SSIMV = ssim (I, Iout)                      %SSIM Quality Measure
FSIMV = FeatureSIM (I, Iout)                %FSIM Quality Measure
Best_Fitness_Value= CPSOGSA_Fit_bests(k)    %Best fitness
    

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

🌈4 Matlab代码、文章下载