为快速准确地将图像背景与目标进行有效分割,提出了一种基于图像阈值分割的量子改进蜂群算法(IABCQ:Improved Artificial Bee Colony Algorithm Based on Quantum)。该算法将量子比特概率幅的正弦分量引入到蜂群算法的编码中,通过调整相位角更新量子比特概率幅,使蜂群算法中引领蜂向当前最优蜜源的方向移动,避免算法搜索的盲目性;借鉴量子运算中非门操作将个体的正弦和余弦分量互换,使跟随蜂的蜜源进行互补更新;应用蜂群算法更新个数的限制,避免了局部优解和不动点引起的个体不更新问题。通过不同类型图像和算法之间的比较表明,该改进蜂群算法应用到图像阈值分割中的收敛时间减少了20%左右,同时也表现出良好的稳定性和抗噪声能力。
为减弱经典k-means算法中RGB(Red Green Blue)空间各个颜色分量高度线性相关以及欧氏距离的尺度相关性对图像分割结果产生的影响,并克服RGB空间色彩分布不匀的缺陷,提出了一种基于Lab颜色空间的改进k-means聚类彩色图像分割方法。首先,将颜色空间从RGB转换为Lab空间,每个像素点都可以由L、a、b 3分量组合进行表示。其次,用马氏距离替换欧氏距离进行改进,应用改进后的k-means算法对图像像素点进行聚类,从而实现分割目的。通过实验证明该改进算法比经典k-means算法具有更好的分割效果和准确度。
