[论文解读] Multilevel Threshold Based Gray Scale Image Segmentation using Cuckoo Search

Sourav Samanta, Nilanjan Dey+3 more|arXiv (Cornell University)|Jul 1, 2013

Advanced Image and Video Retrieval Techniques参考文献 11被引用 44

一句话总结

本文提出一种基于麻雀搜索（Cuckoo Search, CS）优化的多级阈值图像分割方法，用于确定灰度图像的最优阈值。通过将阈值选择视为全局优化问题，CS利用基于图像方差的适应度函数，迭代改进随机初始阈值，从而在基准图像上实现低MSE和高PSNR，表现出优越的分割质量。

ABSTRACT

Image Segmentation is a technique of partitioning the original image into some distinct classes. Many possible solutions may be available for segmenting an image into a certain number of classes, each one having different quality of segmentation. In our proposed method, multilevel thresholding technique has been used for image segmentation. A new approach of Cuckoo Search (CS) is used for selection of optimal threshold value. In other words, the algorithm is used to achieve the best solution from the initial random threshold values or solutions and to evaluate the quality of a solution correlation function is used. Finally, MSE and PSNR are measured to understand the segmentation quality.

研究动机与目标

• 解决在灰度图像分割中选择最优多级阈值的挑战。
• 通过最小化误差并最大化图像保真度来提升分割质量。
• 应用麻雀搜索元启发式算法，实现阈值数值的高效全局优化。
• 使用MSE和PSNR等定量指标评估性能。
• 证明CS在性能上优于传统阈值分割方法。

提出的方法

• 采用麻雀搜索（CS）算法在灰度图像中搜索最优多级阈值。
• 适应度函数基于图像类间方差，以最大化分割的可分性。
• 初始解（阈值集合）随机生成，并通过CS搜索规则迭代优化。
• 算法使用Lévy飞行以增强全局探索能力，避免陷入局部最优。
• 通过均方误差（MSE）和信噪比峰值（PSNR）评估分割质量。
• 算法持续运行直至收敛或达到最大迭代次数。

实验结果

研究问题

• RQ1 麻雀搜索能否有效优化灰度图像分割中的多级阈值？
• RQ2 所提出的基于CS的方法在分割质量上与传统阈值技术相比如何？
• RQ3 在CS框架中使用基于方差的适应度函数对阈值选择有何影响？
• RQ4 CS算法在分割图像中能在多大程度上降低MSE并提高PSNR？
• RQ5 在CS中使用Lévy飞行是否能改善收敛性与解的质量？

主要发现

• 所提出的基于麻雀搜索的方法相比传统阈值技术实现了更低的均方误差（MSE）。
• 获得了更高的信噪比峰值（PSNR）值，表明分割后图像保真度更高。
• 该算法在多幅测试图像上表现出稳健的收敛性，表明阈值选择具有稳定性。
• 基于方差的适应度函数有效引导CS找到最优阈值配置。
• 定量指标证实，该方法在分割精度上优于标准方法。
• Lévy飞行的引入增强了全局搜索能力，降低了早熟收敛的风险。