基于粒子群优化的 OTSU 图像分割

思想：粒子群算法是一种优化算法，与狼群算法，遗传算法类似，用于求取全局最优解；将粒子群与 OTSU 相结合目的是为了快速找到图像分割的最佳阈值，提高图像分割的效率。

粒子群算法原理：

受飞鸟集群飞行觅食行为的启发，Kennedy等提出的一种优化算法。
首先初始化一群具有随机位置和速度的粒子，然后通过迭代的方式改变每个粒子的位置和速度，使得所有粒子的位置都向最好的位置移动（最大值或最小值），每次迭代粒子的位置会越来越靠近最好位置，这时粒子的位置是各个粒子目前最好的位置，被称为pBest；总有一个粒子的位置比其它粒子的位置距离最好位置都近，称该粒子的位置为全局最优值 gBest,下一次迭代所有粒子的位置都像全局最优值靠近。速度与位置改变的公式如下：

其中阿尔法是惯性权重，贝塔是加速因子，r1与r2是[ 0 - 1 ]之间的随机数。
直到达到你要找的那个最佳位置或是迭代到你设定的最大迭代次数，停止迭代。

结合图像分割实例来讲解：

步骤：
1.粒子群的个体初始化 <所谓的个体初始化就是确定该粒子群的种群数量，在OTSU图像分割中一般设定粒子群数量为15，这15个粒子代表15个不同的灰度值（15个不同的阈值），并且这15个粒子的灰度值只能在0-255内的整数>；
2.设置每个粒子的初始速度 < 初始速度就相当于每次改变位置的步长，不能太大也不能太小，更不能超出0-255范围>；
3计算每个粒子的最佳位置和全局最佳位置： <根据最大类间方差公式，计算每个粒子的最大类间方差，并找到全局最大类间方差确定其位置>

如果全局最大方差对应的位置不是你最终要的位置就重复1～3步骤，直到找到最佳分割阈值。

分析：粒子群优化容易陷入局部最优解，为了防止陷入局部最优，可以在粒子的分布上下点功夫，我看过基于混沌的粒子群优化的改近，使最佳位置粒子两边粒子数量保持平衡的改进，对每个粒子的惯性权重改进的等留给大家研究，再次不再叙述。

程序下载链接：https://download.csdn.net/download/weixin_43812135/11469928