搜索
基于PSO算法的图像处理应用研究现状综述摘要：粒子群优化(PSO)算法是一种源于人工生命和鸟群捕食行为的优化技术，PSO算法通过粒子搜寻自身的个体最好解和整个粒子群的全局最好解来更新完成优化。该算法原理简单、所需参数较少、易于实现,目前已经应用到很多领域，其中就包括应用于图像处理问题。本文在此基础上，总结概括了PSO算法应用于图像处理问题上的研究现状，具体地分为应用于图像分割问题、图像识别问题、图像压缩问题、图像融合问题和其他图像处理领域的一些问题。并简要的展望了关于PSO算法应用于图像处理问题上的若干发展方向，以期可以为以后的学者提供一个值得深入研究探讨的指导。关键词：PSO算法；图像处理；图像分割；图像识别；图像融合1引言Eberhart和Kennedy[1]通过对Heppner鸟类模型进行研究，认为鸟类寻找栖息地与对一个特定问题寻找解很类似，并通过修正该模型，使其具有社会性和智能性，以使微粒能够降落在最优解处而不降落在其它解处，提出了粒子群算法。粒子群算法的基本思想是模拟鸟类的群体行为构建的群体模型。粒子群算法作为一种进化计算，同样沿用进化计算中“群体”和“进化”的概念，同样是依据微粒的个体适应值进行计算。在PSO算法中，粒子群中的微粒表示问题的一个候选解，是由速度和位置两部分组成的个体，在n维搜索空间中飞行。微粒一方面具有自我性，可以根据自我的经验去判断飞行的速度和位置；另一方面具有社会性，可以根据周围微粒的飞行情况去调整自己的飞行速度和位置，不断地寻找个性和社会性之间的平衡。设Xi=(xi1，xi2…xin)为微粒i当前位置，Vi=(vi1，vi2…vin)为微粒i的当前速度。在进化过程中，记录微粒到当前为止的历史最好位置为Pi=(pi1，pi2…pin)，所有微粒的全局最好位置为Pg=(pg1，pg2…pgn)。最初始的PSO算法的进化方程可描述为：（1），（2）为了改善(1)式的收敛性能，Y.Shi与R.C.Eberhart[2]于1998年首次在速度进化方程中引入惯性权重，(1)式变为：（3）其中，w称为惯性权重，用来实现全局搜索和局部开发能力之间的平衡。Y.Shi和R.C.Eberhart通过试验表明，w随代数增加线性减少取值可得较好的试验结果。现在，基本粒子群算法通常是指(2)式和(3)式。基本粒子群算法的流程如下：(1)依照初始化过程，对粒子群算法的随机位置和速度进行初始化；(2)根据定义的适应值，计算每个微粒的适应值；(3)对于每个微粒，根据微粒的适应值与该微粒历史最好位置的适应值相比较，求微粒的历史最好位置；(4)将全局最好位置的适应值与每个微粒的历史最好位置的适应值相比较，求粒子群的全局最好值；(5)根据方程进化每个微粒的速度和位置；(6)判断终止条件是否满足，如果不满足，返回第二步，否则算法结束。PSO算法一提出就吸引了广泛的注意，各种关于PSO算法应用研究的成果不断涌现，有力地推动了PSO的研究，其中PSO应用于图像处理领域的研究逐渐成为热门。在此基础上，本文将对现有的关于PSO算法的应用于图像处理领域的研究现状给予一定的总结和归纳，以期可以给后来的研究者一个可以值得深入研究和探讨的方向。2PSO算法在图像处理问题上的应用随着计算机信息技术的高速发展，人们越来越多的利用计算机来获取和处理视觉图像信息，因此对图像的处理得到了越来越广泛的应用。人类从外界获取的信息中有80%是来自视觉或者说图像信息，这包括图像、图形、视频、文本、数据等，图像是人类最有效的信息获取和交流方式，因此在日常生活中占据重要的地位。目前，计算机图像处理在生物医学、遥感航天、工业、军事等方面都有着广泛的应用。数字图像处理(DigitalImageProcessing)又称为计算机图像处理，是指将图像信号转换为数字信号并利用计算机对其进行处理的过程。在图像处理领域，图像信息呈现出复杂性和多样性特征，普遍存在着图像信息处理的不完整性、不确定性以及建模困难等问题。因此，智能优化算法在图像处理领域得到广泛应用，并在某些方面取得了比传统方法更好的效果。其中就包括应用PSO算法于图像处理领域。数字图像处理技术涉及数学、计算机科学、模式识别、人工智能、信息论、生物医学等多门学科，是一门多学科交叉应用的技术。其内容十分丰富，主要包括图像分割、图像识别、图像压缩、图像融合、图像增强、图像恢复和图像理解等内容。结合本文的主要内容，下面对应用PSO算法于图像分割、图像识别、图像压缩和图像融合的研究现状作一个综述。2.1应用于图像分割问题图像分割是指根据图像的灰度、彩色、几何形状、空间纹理等特征把图像划分成各具特性的若干个互不相交的区域，使得这些特性在同一区域内表现出相似性，在不同区域表现出明显的不同性，以至提取出人们感兴趣目标的技术和过程，就是在一副图像中，把目标从背景中分离出来，以便于后续处理。图像分割是图像处理与模式识别中一项重要而基础的技术手段，其目的是把图像分割成一些有意义的或者应用中感兴趣的区域，这些区域与现实中的各类目标相对应。为了辨识和分析目标，必须将有关区域分离提取出来，在此基础上才有可能对目标的特征进行提取和测量。可以说，图像分割是成功地进行图像分析、理解和描述的前提条件。图像分割一直是计算机图像理解中一个十分活跃的研究领域，同时图像分割也是一个十分困难的问题。优化算法应用于图像分割领域一般有两种情况：一是帮助现有的图像分割算法在参数空间内搜索参数；二是在侯选的分隔空间内搜索最优的分隔方案。目前，粒子群算法主要应用于第一种情况，利用PSO算法的全局搜索性能加速或优化现有的闽值分割算法，常用来确定分割闭值。LiJian-ming[3]等将粒子群算法应用于Otsu法，采用Otsu法进行图像分割时的质量测试公式作为适应度函数，提出了基于粒子群算法的最大类间方差图像分割方法，其收敛速度和分割效果胜过传统的Otsu法；为分割信噪比较低的图像，唐英干[4]等将各粒子群算法和二维Otsu法结合，提出了基于粒子群和二维Otsu法的快速图像分割算法，其计算量远低于二维Otsu法，且能得到理想的分割结果；zhangRub[5]等将粒子群算法和最大嫡法结合，采用图像的嫡计算公式来计算适应度，提出了基于粒子群的最大嫡水下图像分割，能以较低的计算量有效分割对比度很低的水下图像；DuFeng[6]等将粒子群算法和最大二维嫡法结合应用于红外图像分割，能大大减少计算量，并得到理想的分割结果；YinPeng-yeng[7]将粒子群算法和最小交叉嫡结合，提出了基于粒子群的多级最小交叉嫡闭值选择方法，采用递归设计技术减少计算量，通过粒子群算法搜索最佳闭值，能满足实时应用的需要；杜峰，施文康[8]等提出了基于粒子群算法的二维最大熵图像分割方法，该方法运用粒子群算法对图像的二维阈值空间进行全局搜索，并将搜索得到的二维熵最大值所对应的点灰度-区域灰度均值对作为阈值进行图像分割。实验结果表明，由于该方法考虑了点灰度和区域灰度均值，且采用了离散的全局搜索算法，所以不仅得到了令人满意的分割效果，而且大大的提高了计算速度。Fan[9]等提出了基于混合最优估计算法的多级阐值方法，将PSO和EM(Expeetion-maximization)算法结合应用于复杂图像的分割，能很快地得到多级闭值；Olnran[10,11]将粒子群算法和图像聚类结合，提出了基于粒子群的图像聚类分割算法，其性能优于C均值图像聚类分割算法，随后提出的动态聚类图像分割算法，能自适应地确定图像的聚类数，实现自适应的聚类分割；胡萍萍[12]对粒子群算法的基本思想和基本原理进行深入分析，在此基础上提出了两种改进的PSO优化算法，即PSO-KFCM和PSO-DCT，并将两种算法分别用于医学图像的聚类分割和数字水印的嵌入及提取。通过仿真实验，并与现有算法进行比较分析，证明了新算法的准确性、有效性；Fang[13]等将粒子群算法和神经网络训练结合，并应用于白血细胞的图像分割，能提高算法的收敛性能，避免算法陷入局部最优。周欣[14]以粒子群算法为核心，研究混沌粒子群算法在二维Fisher图像分割中的应用，并比较粒子群算法和混沌粒子群算法在优化中的效率；陈允杰[15]等提出了基于高斯混合模型的活动轮廓模型脑MRI分割，利用粒子群的一种改进算法求解高斯混合模型的参数，能提高参数精度，应用于脑核磁共振图像(MRI)时分割效果良好；张颖[16]等将粒子群算法引入柔性形态学用来选取最佳图像边缘，取得了较好效果；徐小慧[17]等将粒子群优化算法应用于图像分割中，通过寻找使得总体熵最大的阈值作为图像的分割阈值；张新娟[18]对粒子群算法进行了改进，将改进后算法用于图像的二位最大墒分割法中进行仿真实验。仿真实验结果显示了改进算法收敛性比原粒子群算法收敛性有明显的提高，并在图像分割中分割的效果很理想；孙越泓[19]提出一种以互信息和类距离测度为优化目标，用SdPSO算法为优化技术的图像聚类分割算法，使得聚类分割后图像的平均离散度、类内距离最小，类间距离最大，聚类分割后的图像与原图像之间的互信息量最大。由于PSO算法需要预先设定的参数相对较少，且只要做细微调整就可以广泛应用于不同场合，且通过合理设计不易陷入局部收敛，所以将其应用于图像分割中较其它进化算法具有更大的优势和更好的效果。运用PSO算法解决了用其它加速算法优化图像分割过程中需要预先设置大量参数，并且受分割目标变化及参数变化影响大的缺点，使得图像分割的可操作性和实时性得到了很大的提高，是一种有效的方法，具有较好的应用前景。2.2应用于图像识别问题图像识别是模式识别的重要内容，而模式识别又是人工智能的重要分支之一。图像识别的目的是对文字、图像、图片、景物等模式信息加以处理和识别，以解决计算机与外部坏境直接通信这一重要问题，主要包括数据获取、数据处理和判别分类三个环节。Senaratne[20]将粒子群算法应用于人脸识别，提出了人脸识别的优化标志模型匹配方法，利用粒子群算法搜索代表人脸的最优模型，实现人脸的识别；Sugisaka[21]将粒子群算法和神经网络结合用于人脸的探测，提出了基于神经网络的人脸探测搜索方法，其性能胜过经典的穷举搜索方法；程国建[22]等把二进制粒子群优化算法（BPSO）应用到人脸识别中。对人脸图像进行二维离散余弦变换（DCT），获得人脸图像的特征向量，应用BPSO算法对得到的特征向量进行特征选择，得到最具代表性的人脸特征。与遗传算法（GA）相比，在选择的特征较少的情况下，BPSO算法比遗传算法有更好的识别率。实验结果表明，BPSO算法应用到人脸识别中有较高的识别率，是一种非常有效的特征提取方法。YangHua-chao[23]提出了基于PSO和支持向量机(SupportveetorMaehine，SVM)的高光谱图像特征选择方法，利用混沌粒子群算法的全局优化能力和支持向量机的良好分类能力能有效地提取到最优波段，具有较高的分类准确性；Fumin[24]等提出了基于粒子群的照片时间戳自动识别方法，利用PSO优化算法确定一组合适的参数，对包含时间戳的区域进行精细分割和模板匹配，从而完成时间戳识别，具有很高的识别正确率。朱音[25]提出的基于图像规格化与Zemike矩相结合的目标识别方法，该方法通过把图像进行紧凑化，再结合紧凑化后图像边缘轮廓Zemike矩的计算，使得由于人眼或摄像机的观察视角不同而引起物体的各种形变，校正到一个紧凑图像，再通过各高阶Zemike矩的不同特征，进行不同模式的目标识别。图像识别技术应用的范围很广，如视频交通流信息采集、指纹的识别等。基于PSO算法的图像识别技术为更好的识别图形中的信息提供了有效的途径，与原有的图像识别技术比较，理论上基于PSO算法的图像识别技术提高了效率，具有可实现性和有效性。2.3应用于图像压缩问题图像压缩的基本思想是：具有自相似性的几何体可以用一组简单的代数关系式表达。主要理论基础是迭代函数系统理论和拼贴定理，要解决的问题是当把被压缩的图像作为吸引子时如何得到迭代函数系统的参数。TsengChun-chieh[2