Page 139 - 《软件学报》2021年第11期

霍星 等:改进的元启发式优化算法及其在图像分割中的应用 3465

从分割效果来看:
• 对于飞机图像,除了 NBAS-K 熵和 GOA-K 熵,其余算法均在飞机图像上出现了过分割现象.
• 对于蜻蜓图像,BAS-K 熵算法出现了过分割现象,背景与目标划分不准确,很难看清大致轮廓;相较于
NBAS-K 熵算法和 GOA-K 熵算法,PSO-K 熵算法将大量背景区域划分为了目标区域,出现了错分现象,
导致分割不理想.
• 对于蛇图像的分割效果,BAS-K 熵出现错分现象,目标边缘分割不清晰.
• 乌鸦图像的分割也出现了 BAS-K 熵分割边缘不清晰、BBAS-K 熵分割算法和 GA-K 熵分割算法出现
背景与目标错分的现象.
• 对于遥感图像,目的是分割出图像中的白色公路部分.可以看出,BAS-K 熵算法由于陷入局部最优导致
分割结果不理想,无法显示出公路;尽管 BBAS-K 熵分割算法和 GA-K 熵算法比 BAS-K 熵算法有较大
改进,公路较为完整地被分割出来,但也因为出现错分现象导致公路周围分割出了过多非相关区域;而
本文提出的算法则不仅准确分割出了公路部分,而且公路周围区域分割基本正确,轮廓清晰,在同等分
割效果下,耗时也比 PSO-K 熵算法和 GOA-K 熵算法少,说明了本文算法具有较高的实时性和普适性.
综合来看,NBAS-K 熵算法整体上要明显优于其他算法,具有更好的分割效果;同时,本文提出的 NBAS 在图
像分割的一些细节和清晰程度上要优于其他算法.
基于以上分析可以得出结论:本文提出的 NBAS 算法在二维 K 熵阈值分割问题处理上具有良好的效果,能
够快速有效地分割图像.

4.4 算法抗噪性能分析
以上分析均已说明,NBAS 算法在优化二维 K 熵阈值准则函数方面具有良好的性能.本节针对二维 K 熵进
行分析,进一步验证二维 K 熵相较于一维 K 熵在抗噪性能方面的提升.在如图 4(a)所示的图像中加入均值为
0.1、方差为 0.01 的 Gaussian 噪声后,用 NBAS-K 熵算法和一维 K 熵分割算法进行实验,参数 k 均取 0.1,分割结
果如图 4(c)和图 4(d)所示.

(a) 原图 (b) 加入 Gaussian 噪声 (c) 一维 K 熵 (d) NBAS-K 熵
Fig.4 Segmentation result of noise image
图 4 含噪声图像的分割结果

从图中可以看出,一维 K 熵分割对噪声比较敏感,导致结果中出现错分现象,且仍存在大量噪声点污染现象.
相比之下,基于 NBAS-K 熵分割的分割结果就比较理想,不但有效分割了受噪声污染的背景和目标,而且减少了
噪声点.因此,本文提出的二维 K 熵分割算法具有较好的抗噪性能.

5 结 论

本文先将天牛须算法进行二进制离散化,使其具有较高的后期全局搜索能力;随后,将离散 BAS 算法
(BBAS)与原 BAS 算法结合,提出了 NBAS 算法,有效提高了原始 BAS 的收敛效率并避免了陷入局部最优;最后,
将其用于二维 K 熵阈值分割阈值优化.实验结果表明,该算法能够有效地提高图像的分割效率、算法运行的精
度,并有助于弥补现有优化算法易陷入局部收敛的缺陷.除此之外,NBAS-K 熵算法也具有很好的抗噪性和普适
性,其阈值优化性能优于流行的 BAS 算法、GA 算法、PSO 算法和 GOA 算法.未来的研究将集中于简化初始参
数的设置以及适应更高维的优化问题,增强算法普适度.