宋　錦，高　浩，王保云

(1.南京信息職業(yè)技術(shù)學(xué)院 通信學(xué)院，江蘇　南京　210023;2.南京郵電大學(xué) 自動(dòng)化學(xué)院，江蘇　南京　210023)

?

改進(jìn)人工蜂群算法在圖像分割中的應(yīng)用

宋錦1，2，高浩2，王保云2

(1.南京信息職業(yè)技術(shù)學(xué)院 通信學(xué)院，江蘇南京210023;2.南京郵電大學(xué) 自動(dòng)化學(xué)院，江蘇南京210023)

作為圖像處理技術(shù)的一個(gè)分支，多閾值圖像分割技術(shù)已經(jīng)越來(lái)越吸引人們的注意。然而，很多閾值分割技術(shù)計(jì)算時(shí)間較長(zhǎng)，且其隨著維數(shù)的增加而呈指數(shù)性增長(zhǎng)。因此，為了提高分割的效率，引入基于改進(jìn)人工蜂群優(yōu)化算法的多閾值圖像分割技術(shù)。在分析了標(biāo)準(zhǔn)人工蜂群算法缺陷的基礎(chǔ)之上，從雇傭蜂和觀察蜂的搜索公式進(jìn)行改進(jìn)，使其能夠更有效率地收斂至全局最優(yōu)，同時(shí)采用最大類間方差法(Otsu)作為測(cè)試改進(jìn)算法性能好壞的標(biāo)準(zhǔn)。實(shí)驗(yàn)證明，改進(jìn)后的算法更好地平衡了全局搜索和局部尋優(yōu)能力，在加快收斂速度的同時(shí)提高了尋優(yōu)精度，獲得了良好的圖像分割效果。

圖像分割；人工蜂群；多閾值；計(jì)算時(shí)間；最大類間方差法

作為圖像處理的基礎(chǔ)，圖像分割是從低層次圖像處理到較高層次圖像分析、更高層次圖像理解的關(guān)鍵步驟。圖像處理的后續(xù)步驟，如特征提取、目標(biāo)檢測(cè)等都十分依賴于分割的結(jié)果和精度，因此，圖像分割技術(shù)的發(fā)展和完善對(duì)圖像處理技術(shù)具有十分重要的作用和研究?jī)r(jià)值。所謂圖像分割，就是根據(jù)圖像前景和背景一些特征，或閾值色彩信息的不同，在一幅圖像中提取出有意義的一部分。近幾年來(lái)，很多圖像分割技術(shù)被提了出來(lái)。在所有目前存在的分割技術(shù)中，圖像閾值分割技術(shù)由于其易用性、穩(wěn)定性及高精度等特性，已經(jīng)成為一個(gè)研究熱點(diǎn)。圖像閾值分割技術(shù)大致可以分為兩類：一類是通過(guò)分析圖像的直方圖特性來(lái)決定最優(yōu)閾值的選取[1-2]；另一類是通過(guò)設(shè)計(jì)一個(gè)評(píng)測(cè)函數(shù)，采用優(yōu)化算法尋求它的最優(yōu)解，從而決定最優(yōu)閾值[3-5]。這些方法包括最大熵法[3]、最小貝葉斯誤差法[4]、最大類間方差法(Otsu)[5]等。其中，最大類間方差法是利用將圖像分為幾類，以閾值信息為輸入構(gòu)造一個(gè)函數(shù)，使得類內(nèi)方差最小，類間方差最大，它是一個(gè)最大化的閾值分割函數(shù)。然而，由于窮舉搜索算法分割時(shí)間較長(zhǎng)，且其復(fù)雜度隨著維數(shù)的升高而呈指數(shù)形式增長(zhǎng)。因此，很多科學(xué)家將智能優(yōu)化算法引入進(jìn)來(lái)。常用的有粒子群算法(Particle Swarm Optimization)[6]、差分進(jìn)化算法(Differential Evolution)[7]、人工蜂群算法(Artificial Bee Colony)[8]、蟻群算法(Ant Colony Optimization)[9]等。其中，人工蜂群算法由于其較強(qiáng)的全局搜索能力已經(jīng)被廣泛運(yùn)用于各個(gè)應(yīng)用領(lǐng)域。但是其本身收斂速度慢，尋優(yōu)精度不高，因此也限制了它的一些性能。本文針對(duì)這些特點(diǎn)，提出了一種基于群體經(jīng)驗(yàn)的改進(jìn)型人工蜂群算法(Social Experience Based Artificial Bee Colony Algorithm， SEABC)，從而加快收斂速度和提高尋優(yōu)精度。

1　Otsu閾值分割方法

1978年，科學(xué)家Otsu提出了一種比較典型的圖像分割方法——最大類間方差法(Otsu)。該算法假設(shè)將一幅圖片可以分為好幾部分，利用類內(nèi)方差最小、類間方差最大的特點(diǎn)，在灰度直方圖的基礎(chǔ)上采用最小二乘法推導(dǎo)出來(lái)一個(gè)最大化函數(shù)，具有統(tǒng)計(jì)意義上的最佳分割。具體表述如下：設(shè)一幅圖片有N個(gè)像素?cái)?shù)，灰度值最小為0，最大為L(zhǎng)。每個(gè)灰度級(jí)i對(duì)應(yīng)的像素?cái)?shù)為Ni，令Pi表示每個(gè)灰度級(jí)出現(xiàn)的概率，則有

(1)

其中

(2)

0≤t1≤t2≤…≤tM-1≤L

(3)

其中

(4)

(5)

(6)

2　人工蜂群算法

作為一種進(jìn)化算法，人工蜂群算法(Artificial Bee Colony)在2005年由土耳其學(xué)者Karaboga提出，該算法模擬蜜蜂群體尋找食物源的行為進(jìn)行尋優(yōu)，是一種仿生智能計(jì)算方法。

2.1人工蜂群算法機(jī)理

人工蜂群算法建立在自然界中蜜蜂采蜜的機(jī)理之上，按照不同的分工將蜜蜂分為雇傭蜂(employed bees)、觀察蜂(onlooker bees)和偵察蜂(scouts)。

人工蜂群算法中，雇傭蜂和觀察蜂的數(shù)量相等，均等于食物源的數(shù)量。一個(gè)食物源對(duì)應(yīng)著一個(gè)雇傭蜂和若干觀察蜂。食物源的價(jià)值越高，觀察蜂選擇其進(jìn)行精細(xì)搜索的概率越大。在圖像分割問(wèn)題中，所有閾值構(gòu)成問(wèn)題的一個(gè)可行解，作為每個(gè)食物源的位置編碼在人工蜂群算法中。而每個(gè)食物源價(jià)值的衡量，對(duì)應(yīng)于分割問(wèn)題中Otsu方法所求得的函數(shù)值。由上所述，Otsu圖像閾值分割是一個(gè)最大化的問(wèn)題，因此對(duì)應(yīng)的函數(shù)值越大，說(shuō)明食物源的價(jià)值越高，對(duì)應(yīng)的食物源的位置，及圖像分割的閾值分割效果越好。

2.2人工蜂群算法步驟

1)初始化

用N來(lái)表示食物源的個(gè)數(shù)，則雇傭蜂和觀察蜂的數(shù)量均為N。設(shè)置循環(huán)的最大迭代次數(shù)maxCycle，食物源連續(xù)不更新最大容忍次數(shù)Limit。令L和U分別表示搜索空間的上限和下限值，即圖像分割問(wèn)題中被分割圖像所有灰度的最小值和最大值，則每個(gè)食物源的位置可以初始化為

(7)

式中：D表示搜索空間的維數(shù)，在圖像分割問(wèn)題中，D=M-1。

2)雇傭蜂

每個(gè)雇傭蜂腦海中保留一個(gè)食物源的記憶，并在每一次迭代中對(duì)此食物源進(jìn)行更新，更新時(shí)主要是通過(guò)向自己的鄰居學(xué)習(xí)，從而決定下一代的位置，更新公式如下

(8)

式中：φ為服從均勻分布的在區(qū)間[-1,1]內(nèi)隨機(jī)產(chǎn)生的隨機(jī)數(shù)；i=1,2,…,N；j為區(qū)間[1,M-1]內(nèi)的一個(gè)整數(shù)，隨機(jī)選取。在人工蜂群算法中，采用貪婪更新的原則，當(dāng)且僅當(dāng)本次迭代中更新的新位置比原來(lái)的位置適應(yīng)值更大的時(shí)候，才將其替代原來(lái)的位置并參與到下一代的迭代中來(lái)。

3)輪盤賭

每個(gè)食物源對(duì)應(yīng)一個(gè)適應(yīng)值，適應(yīng)值越大，其被觀察蜂選中并在其周圍區(qū)域進(jìn)行精細(xì)搜索的概率就越大。每個(gè)食物源被選中的概率計(jì)算如下

(9)

式中：i=1,2,…,N表示第i個(gè)食物源；Fiti為由式(3)計(jì)算出來(lái)的第i個(gè)食物源的適應(yīng)值。

3)觀察蜂

觀察蜂根據(jù)雇傭蜂所尋找到的食物源的適應(yīng)值，依照輪盤賭原則選擇食物源進(jìn)行精細(xì)搜索，其搜索公式和觀察蜂相同，如式(8)所示。

4)偵察蜂

當(dāng)一個(gè)食物源連續(xù)Limit代不再進(jìn)行更新時(shí)，算法認(rèn)為此食物源位置無(wú)效，相應(yīng)的雇傭蜂轉(zhuǎn)化為偵察蜂，在搜索空間內(nèi)重新初始化，即重新開采一個(gè)位置來(lái)代替原來(lái)的位置。

3　改進(jìn)的人工蜂群算法

3.1傳統(tǒng)人工蜂群算法的不足

每一次迭代過(guò)程中，傳統(tǒng)蜂群算法的雇傭蜂和觀察蜂都只參考一個(gè)鄰居的信息，在搜索空間中廣泛搜索，全局搜索能力強(qiáng)。然而，它們?cè)谒阉鬟^(guò)程中并不記錄歷史所找過(guò)的最優(yōu)值，不受它們引導(dǎo)，因而搜索具有一定的盲目性，也造成了收斂速度慢，局部尋優(yōu)能力差的特點(diǎn)。

為了深入研究人工蜂群算法的搜索性能，對(duì)食物源每相鄰兩代的變化幅度(稱其為速度)進(jìn)行研究。由于每只蜜蜂均采用搜索式(8)更新食物源，因此食物源位置在每一維上的變化可以表述為

(10)

圖1　標(biāo)準(zhǔn)ABC算法的速度變化曲線

從圖1可以看出，標(biāo)準(zhǔn)人工蜂群算法中，每個(gè)食物源在相鄰兩代的變化幅度至始至終都保持一個(gè)很大的值。而在智能優(yōu)化過(guò)程中，最理想的情況為在優(yōu)化初期速度值較大，從而在搜索空間中進(jìn)行廣泛的搜索，而在搜索后期速度變化較小，從而在可能的最優(yōu)解附近進(jìn)行精度尋優(yōu)。這與希望的情況所不相符。

為充分研究食物源在搜索空間中的分布情況，以兩維為例，食物源個(gè)數(shù)為100，在sphere函數(shù)上畫出食物源在搜索空間中分分布圖，如圖2所示。由圖可以看出，在標(biāo)準(zhǔn)ABC算法中，蜂群在搜索空間中的分布一直都是一個(gè)很廣泛的狀態(tài)，因而可以得出它的收斂速度則比較緩慢。

3.2 改進(jìn)的人工蜂群算法

如上文分析，標(biāo)準(zhǔn)人工蜂群算法的搜索公式全局搜索能力強(qiáng)，但收斂速度慢，精度尋優(yōu)能力差。由于在標(biāo)準(zhǔn)ABC算法中，食物源在更新時(shí)只向一個(gè)隨機(jī)選擇的鄰居學(xué)習(xí)，其可利用并且有效的信息較少，造成了收斂速度慢的缺陷。此外，較慢的收斂速度影響了最后的尋優(yōu)精度。因此，為了提高人工蜂群算法的搜索性能，本文提出一種改進(jìn)的人工蜂群算法，使得雇傭蜂和觀察蜂在進(jìn)行食物源的探索過(guò)程中，向整個(gè)種群學(xué)習(xí)的同時(shí)，也受全局最優(yōu)的引導(dǎo)。搜索公式如下

圖2　標(biāo)準(zhǔn)ABC算法中食物源在搜索空間內(nèi)的分布圖

(11)

式中：φ∈[-1,1],φ∈[0,1.5]，均為均勻分布；best為適應(yīng)值最大的食物源的位置；ave代表所有食物源位置的平均值，表述如下

(12)

式中：把第一部分稱為記憶項(xiàng)，作為雇傭蜂和觀察蜂對(duì)原來(lái)食物源位置的記憶；第二項(xiàng)為社會(huì)學(xué)習(xí)項(xiàng)，φ為社會(huì)學(xué)習(xí)因子，這一部分為每只蜜蜂向整個(gè)群體學(xué)習(xí)，由ave記錄的位置為所有食物源信息的集合；第三部分為最優(yōu)學(xué)習(xí)項(xiàng)，φ為最優(yōu)學(xué)習(xí)因子。此部分的引入是為了讓蜜蜂在搜索過(guò)程中可以參考價(jià)值最佳食物源的信息，從而得到最優(yōu)位置的引導(dǎo)，在加快收斂速度的同時(shí)也可以提高尋優(yōu)精度。

雇傭蜂和觀察蜂在搜索過(guò)程中，如果沒(méi)有自己對(duì)原來(lái)食物源位置的記憶，那么每次新的搜索都無(wú)法繼承上一代的經(jīng)驗(yàn)，搜索將會(huì)變的盲目。如果只有第二項(xiàng)沒(méi)有第三項(xiàng)，蜜蜂在搜索過(guò)程中雖然向全體成員學(xué)習(xí)，但由于是取平均值，沒(méi)有全局最優(yōu)的指引，所以學(xué)習(xí)程度不夠，依然造成收斂速度慢，精度尋優(yōu)能力弱的缺點(diǎn)。此外，如果只有第三項(xiàng)而沒(méi)有第二項(xiàng)，那么收斂速度雖然提高了，但缺乏其他信息的指引，算法會(huì)較易造成早熟收斂的現(xiàn)象，從而陷入局部最優(yōu)，不利于全局搜索。綜上，新提出的改進(jìn)算法中，三項(xiàng)互相補(bǔ)充，缺一不可。

此外，由于ave和best向量的引入，加大了蜜蜂在尋找食物源過(guò)程中可利用的有效信息，從而使得收斂速度更快，精度尋優(yōu)更好。

4　仿真實(shí)驗(yàn)結(jié)果

通過(guò)測(cè)試其在一系列圖片上的分割效果，進(jìn)而獲得SEABC算法的性能。測(cè)試圖像包括4幅經(jīng)典的分割圖像[10-11]和4幅Berkeley數(shù)據(jù)庫(kù)的分割圖像[12]，如圖3所示,圖a～圖d為經(jīng)典分割圖像，圖e～圖f為Berkeley數(shù)據(jù)庫(kù)的4幅圖像。

圖3　示例標(biāo)準(zhǔn)圖像

實(shí)驗(yàn)具體分為兩組，第一組為SEABC與傳統(tǒng)的Otsu算法相比，主要在M-1=2和M-1=3上進(jìn)行測(cè)試，而當(dāng)分割閾值大于4時(shí)，由于Otsu計(jì)算時(shí)間太長(zhǎng)，無(wú)法獲得其結(jié)果。另外由于篇幅限制，只列出了在Berkeley數(shù)據(jù)庫(kù)的4幅圖像的比較結(jié)果，如表1所示。可以看出，當(dāng)分割閾值M-1=2和M-1=3時(shí)，SEABC基本可以取得與Otsu相同的函數(shù)值和優(yōu)化閾值，但時(shí)間卻要短得多，由此驗(yàn)證了算法的有效性。表1中Otsu的運(yùn)行時(shí)間即為運(yùn)行1次Otsu算法的時(shí)間，SEABC算法的運(yùn)行時(shí)間是將其運(yùn)行20次之后所取的平均時(shí)間。

表1SEABC與傳統(tǒng)Otsu算法的比較

第二組實(shí)驗(yàn)為SEABC與其他智能優(yōu)化算法比。為充分驗(yàn)證SEABC的性能，將其與經(jīng)典的粒子群算法(PSO)[6]、差分進(jìn)化算法(DE)[7]、人工蜂群算法(ABC)[8]、以及一些人工蜂群算法的改進(jìn)版本GABC算法[13]、QABC算法[14]和MRABC算法[15]進(jìn)行比較。分割閾值取M-1=3,4,7,8，對(duì)于低維的圖像分割M-1=3,4，最大迭代次數(shù)為100，對(duì)于高維的圖像分割M-1=7,8，最大迭代次數(shù)取200。種群規(guī)模統(tǒng)一設(shè)置為20。為體現(xiàn)算法的公平性，所有的算法均獨(dú)立運(yùn)行20次，以平均值進(jìn)行比較。實(shí)驗(yàn)結(jié)果如表2所示。另外本文只列出閾值數(shù)目為7時(shí)SEABC的分割效果圖，如圖4所示。

表2基于Otsu的幾種不同優(yōu)化算法的比較

ImagesM-1適應(yīng)度值(標(biāo)準(zhǔn)方差)PSODEABCGABCQABCMRABCSEABCa310724.13129339.862210726.081310726.154710724.856610724.225710726.5866(6.5653)(818.2353)(1.2002)(0.9172)(2.6536)(3.3479)(0.0645)411836.363010371.637211844.180711846.019611844.893311846.496311846.9601(16.2519)(662.9939)(5.8197)(4.7366)(5.2880)(2.6398)(4.5546)713530.362912013.267813592.450013590.594313582.960013572.903713594.4170(50.7036)(419.1322)(19.9031)(16.8539)(16.6237)(19.3606)(14.4549)813826.072312317.498513882.906913881.502113877.537513856.150313883.5862(66.5906)(309.1737)(16.8714)(23.5888)(16.0022)(27.4612)(17.1166)b39088.10688137.48959089.07329089.28139089.14929086.49839089.3220(3.5665)(401.9401)(0.6114)(0.2067)(0.3191)(5.6163)(0.0292)49905.07008958.96419903.10699905.13989903.35409897.11109907.3058(6.7532)(409.5844)(6.4911)(5.3079)(4.5541)(14.7919)(3.7093)711030.016810033.359411077.589911074.325311074.327911055.399611080.0629(34.9555)(359.8501)(7.7245)(12.8972)(10.5035)(23.7200)(12.7541)811191.773810241.596611239.459811240.844211238.753911230.040211247.2505(37.2258)(335.4079)(11.2995)(13.5849)(12.9588)(16.9984)(8.3266)

ImagesM-1適應(yīng)度值(標(biāo)準(zhǔn)方差)PSODEABCGABCQABCMRABCSEABCc311050.68749571.429411049.641411050.059611050.188711048.505311051.0355(1.2959)(708.8131)(2.3696)(0.0055)(2.0476)(5.6948)(0.1050)412292.472710542.250312293.698612294.735712294.555712268.003812300.3651(11.9924)(626.4165)(4.5228)(7.7339)(10.1395)(32.5309)(4.3004)713976.946412222.572214024.072714036.270914038.327913951.531014036.5326(50.6286)(463.3574)(21.6549)(18.9242)(14.2172)(75.3597)(11.1856)814194.530912470.237814297.862314310.100114305.921114217.714514310.1158(101.9472)(369.5747)(18.0447)(19.5704)(18.0412)(92.6425)(16.2406)d36420.88955646.64816423.89576425.38456424.99916423.47746425.5659(5.2075)(412.7067)(3.6028)(2.1525)(2.6858)(3.3721)(2.2795)46955.13796245.50166964.28006967.81886963.20396963.18406968.5380(16.5411)(214.0008)(7.2682)(4.6238)(9.6807)(10.4129)(6.0799)77699.67206832.50247740.30507734.11047735.40507723.14517741.9377(31.1951)(213.6403)(8.8278)(13.0711)(12.6904)(14.3028)(11.3800)87792.46547041.22207864.00137857.74967856.12477838.90737864.5368(40.4094)(202.8842)(22.6004)(19.9562)(18.3237)(27.1457)(14.9466)e322052.708013976.584922052.401522052.700622052.583716740.182722052.70800.0000498.53640.53630.03240.44263486.79260.0000423697.024314986.332123689.349023696.514723689.379515805.943123698.28691.1112407.36338.25755.36187.54721823.60193.4007725963.600616579.178425960.717725962.000525965.831017823.375125969.651620.9602500.583116.003412.914513.89521916.60009.1314826297.873716937.184026291.059626300.920826287.509917917.934326299.015631.0172536.731523.067017.137323.29841966.974815.8563f38412.83116825.95178415.17478415.44198415.08048414.31978417.4419(10.7400)(640.0900)(0.7800)0.0000(0.8000)(3.2400)0.000049328.70827449.15399339.81839340.69459338.71659341.46569343.1244(19.8300)(626.3100)(3.4700)(4.5600)(6.8200)(2.6000)(1.7700)710603.45618907.685810653.228910653.692110653.706410655.286510662.8263(39.8300)(582.9300)(12.7900)(14.7700)(13.6800)(16.6500)(9.0000)810701.16509201.970710858.151210859.609610866.239010846.635610870.0086(116.7900)(402.3400)(13.0000)(13.0300)(15.3400)(21.7500)(14.5200)g36098.30005109.48006099.38006099.53006099.01006099.47006099.63(3.4500)(435.3200)(0.5100)(0.4100)(0.7000)(0.3700)0.000046754.19085585.86886761.23926762.63656762.18346763.53386765.4644(11.8700)(489.4000)(6.0800)(5.9900)(4.6400)(4.8500)(2.3100)77647.48256574.89267681.11597688.72177682.85477667.63187694.3490(29.1000)(383.8400)(12.0600)(10.6200)(11.4000)(28.4500)(8.0400)87775.05846727.75387831.05207836.84637829.91997812.70167839.1212(53.3000)(349.0100)(5.0300)(8.5800)(8.6800)(21.5700)(7.6400)

ImagesM-1適應(yīng)度值(標(biāo)準(zhǔn)方差)PSODEABCGABCQABCMRABCSEABCh35216.49304712.29815216.81745216.96185216.92165216.39555216.9658(1.2100)(216.7800)(0.5200)(0.0200)(0.1600)(2.4800)0.000045683.42755137.61295688.44465690.75555687.33605689.02905690.1510(8.2100)(198.7100)(2.8300)(1.7200)(3.2100)(2.9800)(2.5100)76289.48975728.79426323.43746323.47966324.95576300.07306328.8935(28.7300)(210.6300)(6.6600)(7.9100)(11.3000)(19.0800)(8.5000)86353.57315818.75936402.87296399.62906401.36746396.70916406.7394(25.8200)(207.7500)(6.0300)(9.1800)(8.1600)(12.7800)(6.7700)

圖4　SEABC算法在8幅圖片上的分割結(jié)果，M-1=7

從結(jié)果可以看出，在這8幅圖像和4個(gè)維數(shù)的測(cè)試上，SEABC在大部分實(shí)驗(yàn)中都取得了最大的函數(shù)適應(yīng)值以及最小的方差，分割效果最好。這主要?dú)w功于它的搜索策略。式(11)中社會(huì)學(xué)習(xí)項(xiàng)使得蜜蜂在搜索過(guò)程中搜集所有食物源的信息，綜合考慮每個(gè)食物源的意見(jiàn)，從而降低向適應(yīng)值差的食物源學(xué)習(xí)的機(jī)會(huì)，避免迭代浪費(fèi)。此外，觀察蜂和雇傭蜂在搜索過(guò)程中很大程度地受全局最優(yōu)的引導(dǎo)，搜索具有方向性，收斂速度加快，精度尋優(yōu)能力升高。而對(duì)于其他的算法，PSO在優(yōu)化過(guò)程采用全維更新的策略，存在維度束縛的缺陷。DE向隨機(jī)選擇的3個(gè)個(gè)體進(jìn)行學(xué)習(xí)，有強(qiáng)大的全局搜索能力，但是其收斂速度特別慢。以人工蜂群算法為基準(zhǔn)的幾個(gè)算法中，均繼承了ABC的優(yōu)點(diǎn)，但它們都是向一個(gè)或有限的幾個(gè)個(gè)體學(xué)習(xí)，并沒(méi)有利用群體經(jīng)驗(yàn)的信息，因此尋優(yōu)精度不如SEABC。

5　結(jié)束語(yǔ)

由于傳統(tǒng)人工蜂群算法存在易陷入局部最優(yōu)的不足，本文在采蜜蜂和觀察蜂的鄰域搜索策略上進(jìn)行了改進(jìn)，引入了當(dāng)前迭代的全局最優(yōu)解和平均最優(yōu)解，并將這種方法應(yīng)用到圖像分割中來(lái)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的SEABC算法在保證全局搜索的條件下加快了收斂速度，提高了尋優(yōu)精度。

[1]HERTZ L，SCHAFER R W. Multilevel thresholding using edge matching[J]. Computer vision， graphics，and image processing，1988，44(3)：279-295.

[2]張辭，馬麗.基于改進(jìn)的GSA彩色圖像分割方法研究[J].電視技術(shù)，2014， 38(13)： 39-42.

[3]KAPUR J N，SAHOO P K，WONG A K C. A new method for gray level picture thresholding using the entropy of the histogram [J]. Computer vision， graphics， and image processing，1985， 29 (3)： 273-285.

[4]郭紅.基于混合高斯模型和相似度的閾值分割[J]. 電視技術(shù)，2013，37(3)：40-43.

[5]HUANG D Y，WANG C H. Optimal multi-level thresholding using a two-stage Otsu optimization approach[J]. Pattern recognition letter，2009，30(3)：275-284.

[6]AKAY B. A study on particle swarm optimization and artificial bee colony algorithms for multilevel thresholding[J]. Applied soft computing，2013，13(6)：3066-3091.

[7]SARKAR S，DAS S. Multilevel image thresholding based on 2D histogram and maximum tsallis entropy—a differential evolution approach[J]. IEEE transactions on image processing，2013，22(12)：4788-4797.

[8]BHANDARI A K， KUMAR A， SINGH G K. Modified artificial bee colony based computationally efficient multilevel thresholding for satellite image segmentation using Kapur’s，Otsu and Tsallis functions[J]. Expert systems with applications，2015，42(3)：1573-1601.

[9]JU Z W， CHEN J Z， ZHOU J L. Image segmentation based on edge detection using K-means and an improved ant colony optimization[C]//IEEE 2013 International Conference on Machine Learning and Cybernetics(ICMLC). [S.1.]：IEEE，2013：297-303.

[10]GAO H， KWONG S， YANG J， et al. Particle swarm optimization based on intermediate disturbance strategy algorithm and its application in multi-threshold image segmentation[J]. Information sciences，2013(250)：82-112.

[11]MAITRA M，CHATTERJEE A. A hybrid cooperative-comprehensive learning based PSO algorithm for image segmentation using multilevel thresholding [J]. Expert systems with applications， 2008， 34 (2)：1341-1350.

[12]The berkeley segmentation dataset and benchmark[EB/OL].[2016-03-24]. http：//www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/.

[13]ZHU G， KWRONG S. Gbest-guided artificial bee colony algorithm for numerical function optimization problems[J]. Applied mathematics and computation，2010(7)：3166-3174.

[14]KARABOGA D， GORKEMLI B. A quick artificial bee colony algorithm (qABC) and its performance on optimization problems [J]. Applied soft computing， 2014(23)： 227-238.

[15]AKAY B， KARABOGA D. A modified artificial bee colony algorithm for real-parameter optimization [J]. Information sciences, 2012(192)： 120-142.

宋錦(1969— )，女，碩士，副教授，研究領(lǐng)域?yàn)槿斯ぶ悄埽?/p>

高浩(1976— )，博士，副教授，碩士研究生導(dǎo)師，研究領(lǐng)域?yàn)檫M(jìn)化計(jì)算；

王保云(1967— )，博士，教授，博士研究生導(dǎo)師，研究領(lǐng)域?yàn)槟Ｊ阶R(shí)別。

責(zé)任編輯：時(shí)雯

Multilevel image segmentation based on improved artificial colony algorithm

SONG Jin1，2，GAO Hao2，WANG Baoyun2

(1.DepartmentofTelecommunicationEngineering，NanjingCollegeofInformationTechnology，Nanjing210023，China；2.CollegeofAutomation，NanjingUniversityofPostsandTelecommunications，Nanjing210023，China)

As a branch of image processing，multilevel image segmentation has attracted more and more attentions. However， most of the threshold image segmentation techniques are time consuming and their computation time grows exponentially with dimension increasing. To improve the efficiency，an improved artificial bee colony algorithm (ABC) for the segmentation problem is introduced. Based on analyzing the shortcoming of the traditional ABC，the searching equation of employed bees and onlooker bees are improved for achieving a precise convergence to the global optima. Experimental results on a set of test images demonstrate that the proposed algorithm makes a better balance between exploration and exploitation，which gets higher solution accuracy and accelerates the convergence speed.

image segmentation； artificial bee colony； multi-threshold； computation time； Otsu

TP18

A

10.16280/j.videoe.2016.08.002

國(guó)家自然科學(xué)基金項(xiàng)目(61571236)；江蘇省高校品牌專業(yè)建設(shè)工程項(xiàng)目(PPZY2015A092)；江蘇省博士后基金項(xiàng)目(1402018A)

2016-03-24

文獻(xiàn)引用格式：宋錦，高浩，王保云.改進(jìn)人工蜂群算法在圖像分割中的應(yīng)用[J].電視技術(shù)，2016，40(8)：8-14.

SONG J，GAO H，WANG B Y.Multilevel image segmentation based on an improved artificial colony algorithm [J].Video engineering，2016,40(8)：8-14.