提出了基于粒子群优化(PSO)与引力搜索(GSA)混合算法(PSOGSA)的多阈值图像分割方法来解决图像阈值搜寻过程中单一优化算法局部搜索能力不强的问题.提出了图像阈值分割领域中的广义反向学习策略,在阈值寻优过程中提高群体多样性,增强了全局搜索能力;采用了全局最优解的正态变异策略,扩展了全局最优的搜索区域,避免了算法的早熟收敛.在此基础上,实现了基于广义反向粒子群与引力搜索混合算法的多阈值图像分割方法.最后,使用本方法对复杂多目标图像进行了多阈值分割实验,并与引力搜索算法和萤火虫算法进行了比较.实验结果表明,本文方法的分割精度优于引力搜索算法与萤火虫算法,其分割目标函数值在连续运行时的标准差降低了90%以上,是一种精度高、稳定性强的多阈值图像分割方法.

提出了基于萤火虫算法的二维熵多阈值快速图像分割方法以改善分割复杂图像和多目标图像时存在计算量大、计算时间长的问题。首先, 分析了二维熵阈值分割原理, 将二维熵单阈值分割扩展到二维熵多阈值分割。然后, 引入萤火虫算法的思想, 研究了萤火虫算法的仿生原理和寻优过程; 提出了基于萤火虫算法的二维熵多阈值快速图像分割方法。最后, 使用该方法对典型图像进行阈值分割实验, 并与二维熵穷举分割法、粒子群算法(PSO)二维熵多阈值分割法进行比较。实验结果表明: 该方法在单阈值分割、双阈值分割和三阈值分割时分别比二维熵穷举分割法快3.91倍, 1040.32倍和8128.85倍; 另外, 在阈值选取的准确性和计算时间方面均优于PSO二维熵多阈值分割法。结果显示, 基于萤火虫算法的二维熵多阈值快速图像分割方法能快速有效地解决复杂图像和多目标图像的分割问题。