基于SHO-KSW的图像多阈值分割研究

张天一 郝玉然

摘要：为了解决传统阈值分割KSW法对图像多阈值分割时由于空间和时间复杂度增加导致分割效果不佳的稳态，本文采用SHO算法优化传统KSW法对图像进行多阈值分割以提高传统KSW法分割效果不佳的稳态。为了证明SHO-KSW算法对图像分割的优越性，与PSO算法优化传统KSW法（PSO-KSW）分割效果对比。通过本次实验的过程表明SHO-KSW算法比PSO-KSW分割更好。

关键词：阈值分割;SHO-KSW;PSO-KSW;PSNR;SSIM

当前，图像处理最重要的步骤即图像分割，图像分割是将某个图像中的各个不同特点的画面，根据其特征不同将图像分割为不同的部分，使每一个部分按照相同的、或近似的特性显示，不同区域按照不同的特性分类。目前大多数分割算法是结合边缘、区域等。阈值分割因为有高效、性能较稳定的特点，使得更多的图像研究者采纳，也被广泛应用在众多图像分析与识别等视觉系统中。阈值分割主要有单、多阈值分割法等基本的分类，采用阈值分割法的主要原理为，根据规定的目标求出分割的最优阈值，将图像的像素点——比较，进一步将目标与背景区域的多种画面进行有效的拆分。单阈值分割的处理方法，即依据阈值进一步将直方图分割成相应的目标与背景两个类别，多阈值分割可以将相关的图像划分为不同的类，从而让各类的类间方差达到最高数值。

1最大熵阈值法（KSW）

KSW是Kapuar在1985年正式的提出算法，其中的基础原理：使选定的阈值分割目标、背景区域两大构成的灰度统计参数达到最高。对实际灰度范围是0至L-1的图像，设置具体分割阈值参数为t，从而让实际灰度参数小于t的像素点充当相应的目标区域（T），那么对应的背景区域（B）像素点的具体灰度级别，都要求大于t值，那么实际分布为：

p，p，…，p为灰度图像中灰度值为t+1，t+2，L-1的概率。

那么前述两大区域的概率密度相关熵即：

定义函数φ（t）即H（T）与H（B）叠加，即为：

最大熵法可以推广到多阈值上。在这种情况下，可以将其配置为k维优化问题，选择k个最优阈值[t，t，…，t]。目的是为了让目标函数最大化，目标函数为：

f（t，t，…，t）=H+H+H+…+H（6）

式中

2斑点鬣狗优化算法（SHO）

斑点鬣狗（SHO）优化算法是通过观察它们捕猎过程的行为活动，构建有四大流程数学建模。依靠搜索、包围、狩猎行为、共计猎物这四个步骤，建立起有效地优化模型，寻找最优值。

2.1包围猎物

斑点鬣狗预先确认具体的猎物位置，后续进行包围活动。结合具体的社会级别，预先开展数学建模，优先选定最优包围对象或是接近最优猎物，因其并非先验搜索空间。其他斑点鬣狗尝试不断的变换自己的位置，等待确定了最佳或者接近最佳的包围对象后，对其进行猎捕，此类行为的数学模型可应用下述方程来表达：

2.2狩猎行为

斑点鬣狗是一种群居动物并进行群体狩猎，他们通常依靠群体之间的配合识别猎物位置。为了准确的界说斑点鬣狗的行为，假设无论哪个个体是最佳的搜索个体，只要知道猎物的位置，剩下的其他个体组成一个群体，是最佳搜索个体可信赖的朋友群，向最佳的搜索个体，存储当前获取的最优狩猎方案，用于调整具体的位置。狩猎行为的具体模型是：

是个最优解的集群。其中N的具体计算為：

2.3攻击猎物

2.4寻找猎物

3仿真结果分析

选定传统KSW分割以及SHO算法，综合优化分割，为论证其取得的效果，和传统KSW分割、粒子群算法综合具体的优化效果开展比较。选择经典伯克利分割数据库中#29030、#41006、#48017和#69000四幅图像来睑证算法性能。

图1为原图与直方图。表1、2分别为基于PSO- KSW和SHO-KSW的分割结果。

4结语

从表1和表2的结果分析得知：（1）SHO-KSW 比PSO-KSW可以取得与适应函数值更好的适应效果;（2）SOA-KSW算法可以获得更加理想、的PSNR和MSSIM参数，进而说明SHO-KSW能够较优的阈值分割结果。（3）SHO-KSW比PSO-KSW能够以更短的时间对图像进行阈值分割。

参考文献：

[1]章毓晋.图象分割评价技术分类和比较[J].中国图象图形学报，1996，1（002）：151-158.

[2]韩海峰.一种结合遗传算法和最大类间方差法的图像分割新方法[J].湖南工程学院学报（自科版），2015（02）：43-46.

[3]DHIMAN G，KUMAR V. Spotted hyena optimizer：A novel bio-inspired based metaheuristic technique for engineering applications[J]. Advances in Engineering Software，2017，114：48-70.

[4] KAUR A，KALEKA K K，V CHAHAR. Spiral-Inspiredspotted hyena optimizer and its application to constraintengineering problems[J]. Wireless personal communications，2020（2）：116- 119.

[5]钟文，张志浩，管鑫，等.基于斑点鬣狗算法的风/光/抽水蓄能联合

运行系统优化调度研究[J].电力学报.2020，35（02）：113-122.

[6]贾鹤鸣，姜子超，李瑶，等.基于改进斑点鬣狗优化算法的同步优化特征选择[J].计算机应用.2021，41（05）：1290-1298.

[7]贾鹤鸣，姜子超，彭晓旭，等.基于改进鬣狗优化算法的多阈值彩色图像分割[J].计算机应用与软件.2020，37（05）：261-267.

[8]PUN T. A new method for grey-level picture thresholding using the entropy of the histogram[J]. Signal Processing. 1980，2（3）：223-237.