基于改进粒子群算法的二维阈值图像分割摘要：二维Otsu方法同时考虑了图像的灰度信息和像素间的空间邻域信息，是一种有效的图像分割方法。针对二维Otsu方法计算量大的特点,采用量子粒子群算法来搜索最优二维阈值向量，每个粒子代表一个可行的二维阈值向量，通过各个粒子的飞行来获得最优阈值。结果表明，所提出的方法不仅能得到理想的分割结果，而且计算量大大减少，达到了快速分割的目的，便于二维Otsu方法的实时应用。关键词：图像分割；二维Otsu方法；粒子群算法；量子粒子群算法：TP391.41文献标志码：A：1001-3695(2008)08-2402-03TwodimensionthresholdimagesegmentationbasedonimprovedpswarmalgorithmFENGBin，WANGZhang,SUNJun(SchoolofInformationTechnology,SouthernYangtzeUniversity,Wuxi激angsu214122,China)Abstract:2DOtsumethod,whichconsidersthegrayinformationandspatialneighborinformationbetweenpixelsintheimagesimultaneously,isanefficientimagesegmentationmethod.However,thecomputationalburdenoffindingoptimalthresholdvectorisverylargefor2DOtsumethod.Usedaoptimizationmethod,suchasquantum-behavedpswarmoptimization(QPSO),tofindthebest2Dthresholdvector,inwhicheachprepresentedapossible2Dthresholdvectorandthebest2Dthresholdwasobtainedthroughtheflyingamongps.Experimentalresultsshowthattheproposedmethodcannotonlyobtainidealsegmentationresultsbutalsodecreasethecomputationcostreasonably,anditissuitableforreal-timeapplication.Keywords：imagesegmentation;2DOtsu;pswarmalgorithm;quantum-behavedpswarmalgorithm图像分割是图像处理和计算机视觉中基本且关键的技术之一，其目的是将目标与背景分离，为后续的分类、识别和检索提供依据。图像分割方法包括阈值法、边缘检测法和区域跟踪法等。其中，阈值分割是一种实现最为简单、使用最为普遍的分割方法。阈值选取方法有多种如直方图双蜂法、最大熵法、Otsu法、矩量保持法、梯度统计法以及这些方法在二维上的推广等。在这些方法中，Otsu法以其分割效果好、适用范围广而得到了广泛应用，但是与其他分割方法一样，它同样存在着计算量大、计算时间长的问题。粒子群优化(pswarmoptimization，PSO)算法是基于群体智能(swarmintelligence)理论的优化算法，它通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。2004年Sun等人[1]在研究了Clerc等人关于粒子收敛行为的研究成果后，从量子力学的角度提出了一种新的PSO算法模型。认为粒子具有量子行为，并根据这种模型提出了量子粒子群算法quantum-behavedpswarmoptimization，QPSO），并且得到了很好的实验效果。1粒子群算法和量子粒子群算法1.1粒子群算法(PSO)由Kennedy和Eberhart提出的PSO算法，起源于对简单社会的模拟，最初设想是模拟鸟群觅食的过程，后来发现PSO是一种很好的优化工具。PSO优化算法与其他进化算法相类似，也是将寻优的参数组合成群体，通过对环境的适应度将群体中的个体向好的区域移动。与其他进化算法不同，在描述个体时，将其看做是??D??维寻优搜索空间的一个没有体积的微粒(点)，结合微粒的历史最佳位置和群体历史最佳位置信息，以一定的速度向目标值逼近。许多科学和工程问题均可归结为最优化问题，每个优化问题的潜在解都是搜索空间中的一个粒子。第??i??个微粒可以表示成??D??维向量??X=[X??i1??，X??i2??，…，X??iD??]??，微粒的速度表示成??V??i=[V??i1??，V??i2??，…，V??iD??]??这个微粒经历的最佳位置(对应于最好的适应度)表示为??P??i=[P??i1??，P??i2??，…，P??iD??]??也称为??p??best。群体所有微粒经历的最好位置的索引号用??g??表示，记为??Pg??，也称为??g??best，第??i??个微粒从??n??代进化到??n??+1代，通过下式进行更新。??v??[]=??v??[]+??c????1×??r??and()×(??p??best[]-present[])+??c????2×??r??and()×(??g??best[]-present[])(1)present[]=present[]+??v??[](2)其中：??v??[]是粒子的速度；present[]是当前粒子的位置；??p??best[]和??g??best[]如前定义；??r??and()...