PSO算法应用于图像处理研究综述论文Word格式文档下载.docx

PSO算法应用于图像处理研究综述论文Word格式文档下载.docx

《PSO算法应用于图像处理研究综述论文Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《PSO算法应用于图像处理研究综述论文Word格式文档下载.docx（9页珍藏版）》请在冰豆网上搜索。

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[26]等将粒子群算法应用于分形图像压缩，提出了基于视觉信息的PSO分形图像压缩方法，PSO通过利用图像块边缘特性的视觉信息，能加快编码速度，保护图像质量，其编码速度比全遍历搜索方法要高125倍；

LiXiaoxia[27]等提出了一种基于JPEG和PSO的隐写方法，利用PSO算法进行最优置换矩阵的搜索，同时将待隐藏的秘密信息进行无损压缩，以降低实际嵌入信息量，保证隐藏大信息量的stego图像。

陈玉萍[28]将粒子群算法的基本理论与基于量子行为的粒子群算法的基本理论应用到图像压缩中，并建立模型，通过仿真实验证明粒子群优化算法用于图像压缩优化的可行性。

姜来[29]等提出一种基于粒子群优化算法的图像矢量量化码书设计算法，该算法引入粒子群的全局搜索策略，结合矢量量化码书设计方法，增加了算法解的随机性和多样性。

实验结果显示，本算法与传统LBG码书设计算法相比，具有更强的鲁棒性，可有效解决LBG算法对初始码书的依赖性，能获得性能较好的码书。

随着信息化社会的高速发展，图像是人们获取信息的主要来源，高质量、高效率的压缩技术意味着更好的图像视觉效果、更快的传输率和更小的数据存储量，研究新的、更高效的图像压缩理论和方法是当前的需要。

结合PSO算法的优点，应用算法于图像压缩中，研究表明，图像的重建质量明显提高，压缩比增大。

PSO算法较稳定，收敛速度和收敛精度更高；

在图像压缩研究中，该算法使图像的压缩比和图像重建质量都有很大的提高。

2.4应用于图像融合问题

图像融合是指将不同类型的传感器获得的同一场景的多种信息特征，采用一定的融合算法有机结合起来，产生新图像的技术。

图像融合是信息融合的一种强有力工具，作为一门新兴学科有着广阔的发展前景。

该技术综合利用各种传感器获得的不同源图像在空间上的相关性及信息上的互补性，以获得对同一场景更为清晰、全面、精确的图像描述，以便图像的进一步分析、理解以及目标的检测、识别或跟踪。

图像配准是医学、遥感图像处理、目标识别、图像重建、机器人视觉等领域中的关键技术之一，是图像融合的基础。

根据成像模式的性质不同，配准可以分为单模配准和多模配准。

单模配准是指待配准的多幅图像是用同一种设备获取的；

多模配准是指待配准的多幅图像来源于不同的成像设备。

YinPeng-yeng[7]提出了基于粒子群的点匹配算法，利用粒子群优化算法求解变换参数，在有效性和效率方面胜过遗传算法和模拟退火算法；

杨延西等将混沌粒子群方法用于图像匹配，实验结果证明该方法的有效性且该方法很好的解决了噪声情况下的图像匹配[30]；

谭佳琳则对比基本粒子群算法和混沌粒子群算法进行了大量的实验，也证明了粒子群应用于地形匹配的有效性和高效性[31]。

H.Talbi和M.C.Batouche[32]提出了基于粒子群的图像配准，利用改进的粒子群算法来求解配准所需的空间变换参数；

Wachowiak[33]将改进粒子群算法应用于多模态的生物医学图像配准，取得较好效果；

李小林[34]对相关匹配中的最大互相关算法进行了改进，减少了相似性度量的计算量，缩短了匹配时问；

对标准PSO进行了改进，提出了一种混合粒子群优化算法，改善了标准PSO自身的性能，并将改进的算法用作图像匹配的搜索策略，提出了基于HPSO优化的图像匹配算法，提高了匹配效率。

冯林[35]等提出了一种粒子群优化算法和Powell混合优化方法进行图像配准，经检验，这种方法能有效地克服互信息函数的局部极值，大大地提高了配准精度，达到亚像素级。

田霞[36]研究的内容是粒子群优化算法在图像融合中的应用问题，且研究的是像素级图像融合。

结合图像融合规则中闲值和参数大多凭主观经验设定难以确保最佳融合效果的问题，在改进粒子群优化算法的基础上将其应用于图像融合中，以获得较好的融合质量和效果。

牛轶峰和沈林成[37,38]将粒子群算法和图像融合结合，提出了基于MOPSO算法的多目标多聚焦图像融合，利用粒子群算法对融合参数进行多目标优化搜索，为多目标多聚焦的图像融合提供了一种新的思路和方法。

牛轶峰[38]提出了一种基于MOPSO的多目标多聚焦图像融合方法，简化了多聚焦图像的融合模型，以模型参数最为决策变量，采用MOPSO算法进行多目标优化搜索，克服了参数配置对经验的依赖性；

滕春英[39]提出了基于量子行为的粒子群优化算法（QPSO）在图像融合在中的应用，以融合指标均方根误差（RMSE）最小为适应度函数，设计了基于QPSO的求解算法；

之后滕春英[40]提出了一种基于HSL和QPSO的图像融合算法，利用QPSO算法求解HSI变换中光谱强度分量的最优变换问题，使最后变换后的图像与多光谱图像和全色图像都有很强的相关性；

闫允一[41]将PSO应用于小波域图像融合中，小波区域图像融合算法中若干阂值和系数多是凭主观经验而得，很难确保达到最佳的融合效果，该文将粒子群优化融合规则中的关键阑值和系数，使得融合图像质量达到最优。

目前图像融合评价指标受到了人们的极大关注，通过评价指标可以对具体的融合算法设置最优参数以及对不同的图像源选取最优的融合算法。

由于图像信息的多样性，如何定义融合算法的客观评价标准是比较困难和复杂的。

有时客观评价会与人眼的感知有偏差，因此，应将人眼的主观因素考虑到评价体系中，或考虑基于视觉特性的融合评价体系中，所以，进一步完善图像融合质量和融合算法性能的评价体系有待继续。

2.5应用于图像处理领域的其他问题

PSO算法在图像处理的其他领域中也得到了较为广泛的应用，主要有：

Zhangyan[42]等将粒子群算法应用于图像的纹理合成，利用粒子群算法对基于块采样的纹理合成算法的搜索匹配过程进行了改进，改变了原算法的全遍历搜索过程，在不影响合成质量的前提下加快了合成速度。

李乐[43]以EIT图像重构为研究对象，提出了电阻抗正问题的数学模型，并分析粒子群优化算法和量子粒子群优化算法的优缺点，最终选定了使用量子粒子群优化算法来进行电阻抗图像重构，最后做了大量的仿真实验来验证该算法的可行性。

梁睿[44]将文化算法融入粒子群算法框架以得到文化粒子群算法，并将其应用于线性规划图像增强中，以获得新的优化适应度函数。

对图像增强的效率和效果的理论分析及相关实验结果表明，所提方法可行，且相对于传统直方图均衡法在图像增强效果方面有一定程度的改善，能满足人眼视觉感知的需要。

赵子鹏[45]采用粒子群的一种新的拓扑结构—树状结构解决分类问题，提出的粒子编码方式是在现有研究者研究成果的基础上，针对特定领域进行了微许改进，应用于图像检索问题并取得了非常理想的效果。

3总结及展望

本文主要概括了当前学术界应用PSO算法于图像处理问题上的研究现状，具体地说，图像处理问题主要可以分为图像分割、图像压缩、图像识别、图像融合和其他一些图像处理的领域。

通过分析粒子群算法及其在图像处理领域的应用研究现状，发现粒子群算法应用于图像预处理问题上的理论和应用研究还比较少，图像预处理主要是指图像增强、图像复原等两个方面。

目前，PSO算法在这两个方面均具有值得进一步深入探索和研究的价值。

两个方面主要是指：

（1）在图像增强方面。

经过多年的研究和发展，多种学科的共同发展促进了图像增强算法的进步，在当前的国际社会，图像增强算法和国民经济发展有着紧密的联系，这就要求在图像增强算法上还需要下很大的功夫，才能紧跟时代发展的步伐。

有很多图像增强方法要经过相互融合，适当运用经验法才能达到适合人眼视觉的效果，而且有关图像增强效果的定量评价指标相当有限。

对于灰度图像增强，对比度变换是一种较为有效的方法，但如何实现图像对比度的自适应增强还需进一步研究；

对于彩色图像滤波，已有的矢量滤波器通常不能自适应地确定滤波器窗口内像素之间的空间距离对滤波效果的影响，将遗传算法应用于矢量滤波器虽能实现彩色图像的自适应滤波，但算法的复杂度较高。

（2）在图像复原方面。

目前，对基本粒子群算法的改进方法很多，但是在像复原领域的应用不是很多，随着对智能算法的研究的不断深入和不断改进，它在图像处理方面将有着更广泛的应用。

现在也没有统一的图像复原方法，现有的图像复原方法必须要有较多的先验知识或约束条件，而且计算求解比较复杂，对噪声十分敏感；

在维纳滤波图像复原中，为确定最佳噪信功率比，必须具备一定的图像先验知识，这使其应用受到了一定局限。

粒子群算法应用于图像恢复中还不是很完善，需要更多、更好的数学模型并做理论上的研究。

参考文献

[1]EberhartR,KennedyJ.Anewoptimizerusingparticleswarmtheory,1995[C].IEEE,1995.

[2]ShiY,EberhartRC.Parameterselectioninparticleswarmoptimization,1998[C].Springer,1998.

[3]LiJ,ChiZ,YuL,etal.TheMaximumVarianceBetweenClustersMethodofImageSegmentationBasedonParticleSwarmOptimization,2006[C].IEEE,2006.

[4]YinP.Particleswarmoptimizationforpointpatternmatching[J].Journalofvisualcommunicationandimagerepresentation,2006,17

（1）:

143-162.

[5]ZhangR,LiuJ.UnderwaterimagesegmentationwithmaximumentropybasedonParticleSwarmOptimization（PSO）,2006[C].IEEE,2006.

[6]FengD,WenkangS,LiangzhouC,etal.Infraredimagesegmentationwith2-Dmaximumentropymethodbasedonparticleswarmoptimization（PSO）[J].PatternRecognitionLetters,2005,26（5）:

597-603.

[7]YinP.Multilevelminimumcrossentropythresholdselectionbasedonparticleswarmoptimization[J].Appliedmathematicsandcomputation,2007,184

（2）:

503-513.

[8]杜峰施文康.红外小目标的证据理论识别方法[J].光电工程,2005,08:

6-8.

[9]FanSS,LinY.Amulti-levelthresholdingapproachusingahybridoptimalestimationalgorithm[J].PatternRecognitionLetters,2007,28（5）:

662-669.

[10]OmranMG.Particleswarmoptimizationmethodsforpatternrecognitionandimageprocessing[Z].UniversityofPretoria,2004.

[11]OmranM,EngelbrechtAP,SalmanA.Particleswa