Krill Herd算法优化的多级阈值图像分割方法

"这篇文章主要探讨了一种新的基于Krill Herd优化算法的多级阈值图像分割方法，旨在解决图像分割问题。该方法利用磷虾群优化技术来确定最佳阈值，以最大化Kapur或Otsu的目标函数，从而减少计算多级阈值的时间。通过与其它生物启发式算法（如细菌觅食、粒子群优化、遗传算法和蛾焰优化）的比较，证明了其在性能和计算效率上的优势。" 文章中提到的图像分割是计算机视觉领域的一个关键步骤，用于解析和解释图像，常见于目标识别、医学成像、机器人视觉等多个领域。图像分割通常基于相似性和不连续性来划分图像，而阈值化分割因其准确性、简单性和鲁棒性而受到青睐。在多模态灰度直方图的图像中，选择合适的阈值是一项挑战，因为需要找到能有效区分不同区域的谷值。 Krill Herd优化算法（KHO）是一种元启发式算法，灵感来源于磷虾群的行为。在此方法中，磷虾群的智能行为被用来寻找最佳阈值，通过最大化特定目标函数（如Kapur或Otsu方法）来实现。这种方法降低了计算多级阈值所需的时间，提高了分割效率。 为了验证新算法的有效性，研究者将其与已有的生物启发式算法进行了比较，包括细菌觅食优化（BF）、粒子群优化（PSO）、遗传算法（GA）和蛾焰优化（MFO）。通过对比分析，显示了基于KHO的多级阈值分割算法在性能和计算效率上具有显著优势。 此外，文章还引用了过去的研究工作，表明阈值分割技术一直是研究的热点，因为多模态图像直方图的复杂性使得阈值选择问题持续存在。这项工作不仅提供了新的分割策略，也为未来在这个领域的研究开辟了新的路径，可能对图像处理和计算机视觉的应用产生积极影响。