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，将图像的像素点一一比较，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。
在 2017 年，Dhiman 等在研究过程中结合斑点鬣狗的狩猎开展研究，进而设计相应的斑点鬣狗优化算法（spotted hyena optimizer，SHO）。斑点鬣狗可以依靠其中的群体关系以及协作能力，能够迅速有效的捕捉猎物，通过捕捉过程中的关键 4 个步骤，分析者构建严谨数学模型，并且学者普遍运用到解决实践工程的优化所需、抽水蓄能等各类发电的联合调度、数据特征选择以及彩图阈值分割 [7]。算法重点是通过摇摆 B → 以及收敛因子 E → 均衡全局以及局部搜索，算法中包围猎物与狩猎活动两个阶段的种群更新公式较为接近。本文针对 SHO 算法的优点，将 SHO 算法优化传统阈值分割算法 KSW （最大熵阈值法）用于灰度图像阈值，并与 PSO 算法优化传统阈值分割算法 KSW 灰度图像阈值分割结果进行对比。
1 最大熵阈值法（KSW）
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：
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 四幅图像来验证算法性能。
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.
(注：本文转载自《电子产品世界》2022年7月期)
