·526 智能系统学报 第5卷 迭代过程中，按下列方程对每个小生境种群中 6)如果满足最大迭代次数m,则停止迭代，输出 的最优个体pbest=[X,X2…X.…Xn]进行混沌迭 最佳阈值，并对图像进行多阈值分割，否则转2)· 代变异： 5 jP。=X4,in+Ba(X,mr-X4,m）, 实验结果及分析 (12) lx1=(1-An)X+入nPe 利用上述提出的灰度嫡单阈值选取方法、量化 式中：入m,称为收缩因子，它决定了变量X的变异空 图像直方图的灰度熵单阈值选取方法、基于递推混 间，由式(13)得到. 沌小生境粒子群的灰度熵多阈值选取方法，对大量 入m=1-[(m·-1)/m] (13) 实际图像进行了阈值分割实验，并相应地与最大 式中：u用于控制收缩速度，本文中u=2. Shannon熵单阈值选取、文献[9]中基于粒子群的最 现利用基于混沌变异的小生境粒子群优化算法 大Shannon熵多阈值选取方法进行了比较，发现分 搜索最佳多阈值，算法具体步骤如下： 割后图像的主观视觉效果明显优于现有的这2种方 1)初始化小生境粒子种群.随机产生b(本文取 法.因篇幅所限，现以其中的House(256×256)、 为20)个粒子，并分成c(本文取为4)个子种群，粒 peppers(512×512)图像为例加以说明.图1~图2 子速度在[Vn,Vms]上随机产生； 分别给出了2幅原始灰度级图像(a)及灰度熵单阈 2)根据式(11)计算每个粒子的适应度，找出每 值选取（©）、基于递推混沌小生境粒子群的灰度熵 个小生境种群中的最优粒子和全局最优粒子； 多阈值选取(d)、(e)、量化图像直方图的灰度嫡单 3)计算2个粒子种群最优个体pbest(m·)与 阈值选取(f)、最大Shannon熵单阈值选取(g)、基于 pbest,(m')之间的距离dg,若d,<R.iae（小生 粒子群的最大Shannon嫡多阈值选取(h)和(i)等方 境半径，本文取为20)，比较2个小生境最优个体的 法分割后的图像，相应的最佳阈值列于表1中，本文 适应度，低者置零，高者保持不变.对置零的最优个 中所有算法均是在Intel Celeration(R)CPU2. 体重新初始化，并在其所在的小生境内重新选择最 66GHz/512MB内存/Matlab7.0环境中运行的，图像 优个体，直至任意2个小生境最优个体之间的距离 分割的运行时间也一并列于表1.基于递推混沌小 deaz≥Rniche 生境粒子群的灰度嫡多阈值选取方法以及基于粒子 4)按式(12)对所有小生境最优个体的位置进 群的最大Shannon熵多阈值选取方法的粒子个数均 行变尺度混沌变异，进一步提高搜索精度： 为20，最大迭代次数分别为50和100. 5)更新每个粒子的位置和速度； ×10 50100150200250 (a)原始图像 (b)直方图 (c)灰度嫡单侧值 d)灰度嫡双圆值 (e)灰度嫡阈值 (量化图像前方图单谢值