分子动理论优化算法及其在图像分割中的应用

优化问题是科学研究和工程应用中的一个热点问题,寻求快速、稳健、有效的优化技术是各行各业长期所一直探讨的课题,其中智能优化算法因实现简单、运算速度快、优化效果好,已引起国内外学者的广泛关注。分子动理论中的吸引、排斥和波动机制,为优化算法在保证收敛的同时兼顾种群多样性提供了可能。因此,本文基于分子动理论提出了一种新型的优化算法,并围绕其在图像分割方面的应用展开研究。现有的智能优化算法往往存在多样性差、易陷入局部极值等不足。受分子动理论的启示,本文提出了一种新型的优化算法-分子动理论优化算法。该算法基于分子动理论的相关原理设计了吸引、排斥、波动三个算子,通过模拟分子引力,吸引粒子向最优粒子移动以确保算法收敛;通过模拟分子斥力,使算法能够较好地保持种群多样性;通过模拟分子无规则的热运动,而使算法始终具备全局搜索能力。性能结果表明,该算法在解的质量、鲁棒性、种群多样性、收敛速度等方面都具有明显优势。分子动理论优化算法缺乏局部搜索机制,其求解精度有待提高;且如当前最优值为局部极值,则分子动理论优化算法可能发生错误性引导。鉴于精英个体在优化过程中的重要作用,本文基于协同进化和精英思想对分子动理论优化算法进行改进,提出了 M精英协同分子动理论优化算法。该算法基于M个精英以尽量避免发生错误引导,采用精英间的学习与协作以提高算法的收敛精度,并通过新型的波动算子以防止算法陷入按维早熟。仿真结果表明,改进算法在求解精度、算法稳定性、高维函数求解等方面均表现出良好性能。传统的多阈值分割算法因需对阈值空间进行蛮力搜索,计算效率较低。鉴于分子动理论优化算法的优良表现,探索运用该算法求解多阈值问题。基于Kapur熵和Otsu两种最为流行的阈值分割准则,对运用分子动理论优化算法实现多阈值分割进行了初步探讨。与细菌觅食和差分进化等主流的智能优化算法相比,该算法运算速度快、鲁棒性好、能较好地对图像进行分割。在氧化铝工业生产过程中,因工况复杂,回转窑火焰图像中往往存在噪声,如用上述方法对其进行分割,则其抗噪性差略显不足。通过对斜分Otsu法进行改进,本文提出了一种基于改进斜分Otsu法的回转窑火焰图像分割算法。该算法基于简化的距离测度函数选取最佳阈值,以减少计算量和便于多阈值扩展;采用基于后处理思想的图像分割方式,以进一步增强算法的抗噪性;运用分子动理论优化算法求解阈值,以提高算法的运算效率。某厂氧化铝回转窑火焰图像的分割测试验证了该算法的有效性。改进斜分Otsu法虽具备一定的抗噪性,但其性能仍有待提高。本文提出了一种基于空间截面投影的Otsu法,该算法首先基于截面投影直方图选取最佳阈值;然后运用基于阈值的后处理策略对分割结果进行处理,以增强算法的抗噪性。由于成像过程较为复杂,MR脑图像中往往存在噪声。为分割出MR脑图像中的白质、灰质、脑脊液等区域,首先将截面投影Otsu法进行了多阈值扩展,然后基于M精英协同分子动理论优化算法求解最佳阈值。实验结果表明,该算法计算效率高、抗噪性好,能较好地对含不同噪声的图像进行分割。本文提出了一种分子动理论优化算法,分析了该算法的优势与不足,并基于M精英策略对其进行了改进。然后,将其成功地应用于回转窑火焰图像和MR脑图像的分割中。