[论文解读] A Type–II Fuzzy Entropy Based Multi-Level Image Thresholding Using Adaptive Plant Propagation Algorithm

Sayan Nag|arXiv (Cornell University)|Jan 1, 2017

Medical Image Segmentation Techniques参考文献 20被引用 4

一句话总结

本文提出一种基于类型-Ⅱ直觉模糊熵与自适应植物传播算法（APPA）的新型多级图像阈值分割方法，通过最大化类型-Ⅱ直觉模糊熵实现阈值选择优化。与PSO、GSA和GA相比，该方法在分割精度和收敛速度方面表现更优，APPA在多幅测试图像上展现出最高的适应度值和最低的标准差。

ABSTRACT

One of the most straightforward, direct and efficient approaches to Image Segmentation isImage Thresholding. Multi-level Image Thresholding is an essential viewpoint in many image processing andPattern Recognition based real-time applications which can effectively and efficiently classify the pixels intovarious groups denoting multiple regions in an Image. Thresholding based Image Segmentation using fuzzyentropy combined with intelligent optimization approaches are commonly used direct methods to properlyidentify the thresholds so that they can be used to segment an Image accurately. In this paper a novel approachfor multi-level image thresholding is proposed using Type II Fuzzy sets combined with Adaptive PlantPropagation Algorithm (APPA). Obtaining the optimal thresholds for an image by maximizing the entropy isextremely tedious and time consuming with increase in the number of thresholds. Hence, Adaptive PlantPropagation Algorithm (APPA), a memetic algorithm based on plant intelligence, is used for fast and efficientselection of optimal thresholds. This fact is reasonably justified by comparing the accuracy of the outcomes andcomputational time consumed by other modern state-of-the-art algorithms such as Particle SwarmOptimization (PSO), Gravitational Search Algorithm (GSA) and Genetic Algorithm (GA).

研究动机与目标

• 解决传统多级阈值分割方法在阈值数量增加时计算复杂度高、效率低的问题。
• 通过利用类型-Ⅱ直觉模糊集，提升对图像直方图中不确定性信息的处理能力，从而提高分割精度。
• 采用新型混合智能算法——自适应植物传播算法（APPA），降低计算时间并提升收敛速度。
• 在分割质量与执行时间两方面，全面超越现有元启发式算法（PSO、GSA和GA）。

提出的方法

• 采用类型-Ⅱ直觉模糊熵作为适应度函数，通过优化阈值以最大化图像分割质量。
• 利用类型-Ⅱ直觉模糊隶属函数对图像直方图进行划分，并计算模糊集的熵值以评估分割效果。
• 采用受植物启发的元启发式算法APPA，通过迭代改进候选解，实现局部搜索与全局探索的平衡，以寻找最优阈值。
• 算法初始化一组候选阈值集合，利用类型-Ⅱ直觉模糊熵评估适应度，并通过受植物无性繁殖启发的选择、交叉与变异等操作演化解集。
• APPA引入自适应参数以平衡探索与开发，提升收敛速度与解的质量。
• 优化过程在多轮迭代中重复进行，直至收敛，最终选择最优阈值集合用于图像分割。

实验结果

研究问题

• RQ1 在多级图像阈值分割中，类型-Ⅱ直觉模糊熵是否能提供优于传统熵度量的分割精度？
• RQ2 所提出的APPA优化器在适应度值、收敛速度与鲁棒性方面，与PSO、GSA和GA相比表现如何？
• RQ3 在具有复杂灰度分布与重叠直方图区域的图像中，使用类型-Ⅱ直觉模糊集是否能显著提升阈值选择性能？
• RQ4 随着阈值数量的增加，该方法是否能在保持高精度的同时有效减少计算时间？

主要发现

• 在所有测试图像与阈值级别中，APPA均获得最高的平均适应度值，例如在图像55067（第3级）中达到16.6988，显著优于PSO（16.4828）、GSA（16.1281）和GA（16.5737）。
• APPA在适应度值上的标准差最低（如图像55067第3级时为5.42×10⁻⁷），表明其解的稳定性和鲁棒性更优。
• 收敛曲线显示，APPA比PSO、GSA和GA收敛更快且更稳定，振荡小，能迅速达到最优适应度值。
• 在图像388016（第4级）中，APPA获得21.0333的适应度值，显著高于GA（20.7835）、PSO（20.8155）和GSA（20.3838），验证其优化优势。
• APPA的平均计算时间低于PSO、GSA和GA，适用于实时应用。
• 该方法成功将复杂图像（如241004，含山与天空；388016，含人物与墙体）精确分割为多个区域，尤其在高阈值级别下表现优异。