基于FSIM和不同颜色模型的彩色图像评价方法研究

FSIM算法在彩色图像评价有较好的应用,但对于如何有效鉴别色彩失真的程度仍需讨论。通过研究不同颜色模型下FSIM算法对彩色图像评价结果,以色相和饱和度为指标,检测FSIM算法在不同模型应用上的评价。实验结果表明,YUV,YIQ两种颜色模型对颜色变化差异最敏感。

基于改进粒子群优化算法和遗传变异的图像分割模型

图像分割是由图像处理到图像分析的关键步骤。针对聚类分割对初始聚类中心有较大依赖的局限性,提出了一种基于改进粒子群优化(PSO)算法和遗传变异的图像分割模型PSOM-K(Particle Swarm Optimization Mutations-K-means)。首先,对PSO公式进行改进,即增加了随机邻居粒子位置对自身位置的影响,并扩大了算法的搜索空间,使算法能快速地找到全局最优解;其次,结合遗传算法的变异操作来提高模型的泛化能力;然后,将改进后的PSO算法从红(R)、绿(G)、蓝(B)三通道来初始化k均值(k-means)聚类中心的位置;最后,用k-means从R、G、B三通道对图像进行分割并合并这三通道的图像。在伯克利分割数据集(BSDS500)上的实验结果表明,在k=4时,PSOM-K在特征相似性(FSIM)上相较于CEFO(Chaotic Electromagnetic Field Optimization)算法提升了7.7%~12.69%,相较于WOA-DE(Whale Optimization Algorithm-Differential Evolution)方法提升了5.05%~19.02%。在k=40时,相较于细粒度分割算法HWOA,PSOM-K在FSIM指标最多下降0.45%,但峰值信噪比(PSNR)指标提升7.59%~13.58%。因此,独立3个通道、增加粒子群中随机邻居粒子的位置影响和遗传变异是寻找k-means聚类中心的较优位置的3个有效策略,它们能极大地提高图像分割的性能。