基于多混沌PSO和Snake模型的图像分割算法

陈 超，袁春红

(1.内江师范学院 数学与信息科学学院，四川 内江 641112； 2.中国邮政储蓄银行 内江分行，四川 内江 641114)

基于多混沌PSO和Snake模型的图像分割算法

陈 超1，袁春红2

(1.内江师范学院 数学与信息科学学院，四川 内江 641112； 2.中国邮政储蓄银行 内江分行，四川 内江 641114)

针对分割图像目标是无法提取目标的真实边缘且实时性不佳，引入混沌系统改进的PSO(简化粒子群算法) 提取出的目标边缘作为Snake模型分割的起始位置，优化能量函数后分割出精准目标.实验表明：对图像目标进行分割的时间减少且精准度也提高了。

多混沌粒子群；Sake模型；能量函数；图像分割

引言

图像分割是图像处理中的一个关键步骤，因为分割的优劣直接影响后期的识别和处理。在众多现代智能算法中粒子群算法是一个简单实用且应用广泛的算法，比如黄太安等改进PSO算法，[1]刘桂红等改进粒子群优化算法后结合Otsu进行图像阈值分割，[2]赵立川等改进自仿射映射系统与参数活动轮廓进行医学图像分割，[3]林克正等提出基于Snake和外观模板的组合式图像对象分割，[4]有学者提出混沌系统或者改进目标约束等来改进粒子群算法实现多阈值图像分割，[5][6]还有学者从多方面对粒子群算法进行改进用于快速路网匝道控制等。[7]-[13]程毕芸等提出求解旅行商问题的改进局部搜索混沌离散粒子群优化算法，[14]针对分割出目标图像的真实轮廓不够精准和速度不快等瑕疵,结合Snake模型中的能量函数，使用改进的蛙跳简化粒子群算法更新轮廓线的位置点，避免早熟引起的过早停滞在伪边缘上；实验表明：对日常的两种物体分割时的效果比较显著，空间精准度得到提升，分割时间也减少。

1 粒子群算法

1.1 PSO算法

针对粒子群算法容易出现早熟、停滞在局部最优上且搜索效率不高的问题，[1]-[2]迭代公式如下:[1-2]

v(t+1)=v(t)+c1r1(pbest-x(t))+c2r2(gbest-x(t))

(1)

x(t+1)=x(t)+v(t+1)

(2)

其中，t设置为当前进化代数， c1、c2为非负常数的学习因子，一般取c1=2且c2=2， r1、r2取[0,1]内的随机数。[2]

1.2 改进PSO算法

6和14的启发，此时引入混沌系统运动随机性，主要是从确定的粒子群方程推导出随机扰动性的运动状态即为混沌，呈现混沌状态的变量成为混沌变量。基本的混沌系统可描述为公式(1):

Si=uSi-1(1-Si-1) i=1，2，3，…

(3)

其中u为控制参量，其中S0=[0,1]，可依次推导出后续的a值。一个混沌变量在一定的范围内出现杂乱的遍历性，从而有更多的寻找最优值的机会。[6][14]

(4)

(5)

2 Snake模型

2.1 Snake模型初始化图像的轮廓特征，每次迭代导致初始轮廓特征向能量公式(6)趋于稳定最终使能量函数值最小。[2-3]能量函数分为内部影响力和外部约束力，当Snake的能量优化函数值达到最小后(稳定点时)，内力和外力能量达到收缩曲线的平衡。Snake模型初始轮廓是一条参数化的曲线，改进PSO算法后结合Otsu进行图像阈值分割得到目标的初始轮廓作为参数曲线的主要轮廓位置点。定义轮廓曲线V(s)=(X(s),Y(s))，设能量函数为：[11]

(6)

其中轮廓曲线参数用S表示，内部能量函数用公式Eint(V(s))表示，外部能量函数用Eext(V(s))表示，具体到图像目标分割时，由于图像是离散变量，于是表示为：[2-3]

(7)

Eext=-|(G(x,y,σ)*I(x,y))|2

(8)

其中的一阶导数、二阶导数均为微分，α控制演变曲线的弹性性能，β控制曲线的弯曲性能，G(x,y,σ)为高斯函数，I(x,y)表示灰度值，是梯度算子。内力和外力到达最稳定的时候，当E达到最小时结束图像目标的分割。一般曲线可以停止在真实目标的边界上。[2-3]本文就是选择改进后的PSO分割出的轮廓作为Snake分割的初始位置点，可以使内部能量和外部能量在总能量中占有合理的权重，最小化能量的过程，也就是就是曲线保持自身连续性并向明显特征收缩的过程。[11]

2.2 改进PSO算法，优化Snake模型

2.2.1 分割主要步骤

step1：设置粒子群迭代次数为50，初始粒子群规模为20个随机位置点；

step 2：使用改进PSO算法后结合Otsu进行图像阈值分割得到目标的初始轮廓作为Snake分割的初始位置;

step3：分别赋予内部能量和外部能量，作为优化目标函数；

step 4：求取目标函数的能量最小值时分割出真实目标。

2.2.2 流程图

实验操作流程图如图1所示。

图1 算法流程图

3 实验部分

3.1 实验硬件平台

CPU为AMD 5500+,内存为2G；实验软件平台是：Matlab2013A、Windows XP。

3.2 实验结果

粒子群初始规模为20，迭代次数设置为50。通过对四种生活中常见物体使用改进后的PSO和Snake模型进行图像分割实验，具体分割效果图如图2和图3、图4、图5所示。

图2 分割熊猫效果图

图3 分割人参效果图

图4 分割大米效果图

图5 分割人物效果图

3.3 实验评价

参考文献[15]的视频对象分割性能评价准则，有空间准确度。

SA(t)=α*PCM+β*EM+γ*RFAM+φ*RPM

(7)

其中PCM为给予像素分类的尺度，EM为基于边缘的尺度，RFAM为相对前景面积尺度，RPM为相对位置尺度。当在实验中α=0.3,β=0.3,γ=0.3,φ=0.1时，评价效果最好。实验给出参考文献2、参考文献3和本文算法对比的结果，具体如图6所示。

图6 空准确间度对比图

图6中，点画线、实线、虚线分别为参考文献2、参考文献3、本文算法的空间相似度；从空间准确度上显示，加入了混沌系统后的PSO和Snake模型的算法分割的效果有明显的提高。

详细实验数据如表1所示。

表1分割阈值、时间对比表

改进后的算法在对两张图像在不同算法下进行分割，实时性得到了提高。

总结

图像分割是数字图像处理中的热点和难点，也是后期数字识别和处理的关键年环节。为了提高分割的实时性和精度，引入多混沌系统来改进PSO结合Otsu进行图像阈值分割得到目标的初始轮廓作为Snake分割的初始位置。实验表明：分割目标的时间和效率都得到提高。

参考文献

[1]黄太安,生佳根,徐红洋,黄泽．一种改进的简化粒子群算法[J].计算机仿真,2013,30(2)：327-329．

[2]刘桂红,赵亮,孙劲光.一种改进粒子群优化算法的Otsu图像阈值分割方法[J].计算机科学,2016,43(3):309-311.

[3]赵立川,高阳. 基于改进自仿射映射系统与参数活动轮廓的医学图像分割算法[J].计算机应用研究, 2017,34(2):62-65.

[4]林克正,李慧,李新元.基于Snake和外观模板的组合式图像对象分割[J]. 计算机应用研究,2016,33(3)：927-929.

[5]凌海风,周献中,江勋林,等.改进的约束多目标粒子群算法[J].计算机应用,2012,32(5)：1320-1324．

[6]蒋艳会,李峰.基于混沌粒子群算法的多阈值图像分割[J].计算机工程与应用,2010,10(46):175-176.

[7]吴定海,张培林,李胜,等.基于混沌变异的自适应双粒子群优化[J]. 控制与决策, 2011，26(7):1084-1086.

[8]张选平,杜玉平,秦国强，等.一种动态改变惯性权的自适应粒子群算法[J]. 西安交通大学学报,2005,39(10):1041-1043.

[9]罗金炎.粒子群算法的递推分析及改进[J]，计算机工程与应用，2016，52(19)：25-30.

[10]袁晗，徐春梅，杨平,等.一种基于子群变异的粒子群优化算法[J].计算机应用研究,2016,34(04).

[11]姚龙洋,张清华,胡帅鹏,张强.基于近似集与粒子群的粗糙熵图像分割方法[J].计算机科学与探索,2016,10(5):376-379.

[12]谭跃,谭冠政,邓曙光.基于遗传交叉和多混沌策略改进的粒子群优化算法[J].计算机应用研究,2016,12(33):1660-1663.

[13]蔡琪，单冬红，赵伟艇.改进粒子群算法的云计算环境资源优化调度[J].辽宁工程技术大学学报(自然科学版)，2016，01，35(1)：94-96.

[14]程毕芸,鲁海燕,徐向平，等.求解旅行商问题的改进局部搜索混沌离散粒子群优化算法[J].计算机应用,2016,36(1):138-140.

[15]张石,董建威,佘黎煌.医学图像分割算法的评价方法[J].中国图象图形学报,2009,14(9):1872-1874.

ImageSegmentationAlgorithmBasedonChaosPSOAlgorithmandSnakeModel

Chen Chao1，Yuan Chunhong2

(1.School of Maths and Information Science, Neijiang Normal University, Neijiang, Sichuan 641112，China; 2.Neijiang Branch of Postal Saving Bank of China, Neijiang, Sichuan 641114，China)

Aiming at the difficulty to segment the real edge and slow convergence, we introduced chaos system into PSO(simplified particle swarm algorithm)to get the contour as initial position of Snake Model’s energy function, then get a precise target. Experiments show that the segmentation target time and efficiency are improved significantly.

chaos PSO; Snake model; energy function; image segmentation

TP311

：A

(责任编辑：蔡雪岚)

1672-6758(2017)09-0045-5

陈超,硕士,讲师，内江师范学院数学与信息科学学院。研究方向：数字图像处理，目标检测等。 袁春红,助理经济师，中国邮政储蓄银行内江分行。研究方向：金融理财,电子银行等。

内江师范学院重点学科“计算数学”(编号：0430101)、科研项目“视频图像中的目标检测及跟踪”(编号：15JC09)资助。

ClassNo.:TP311DocumentMark：A