双模狩猎的灰狼优化算法在多阈值图像分割中应用

针对传统多阈值法存在阈值选择不准确、分割速度慢以及原始灰狼优化(Grey Wolf Optimization,GWO)算法易陷入局部最优等问题,提出了一种基于双模狩猎的灰狼优化算法(GWO with Double-hunting Modes,DMGWO)的多阈值图像分割方法。基于对自然界中狼群狩猎行为的深度模拟,将原始GWO算法看作定向狩猎模式,增加了不定向狩猎模式,并通过引入集体狩猎考虑概率来控制选择狼群的狩猎模式,以不定向狩猎模式来增加算法的随机性,迫使狼群不断探索新区域,有效提高了算法的全局寻优性能;同时引入贪婪选择算子以确保种群的进化方向,大大提高了算法的搜索效率;最后,将DMGWO算法应用于最大熵多阈值图像分割中。图像分割实验结果表明:与DMPSO、BBO、BFO及GWO算法相比,该方法寻优速度更快、鲁棒性更强、寻优质量更高。