基于改进鬣狗优化算法的多阈值彩色图像分割
【摘要】 针对传统鬣狗优化算法在处理图像分割问题时容易陷入局部最优、收敛效率低等问题，提出基于混沌初始化策略、非线性收敛因子调整策略、莱维飞行策略以及精英反向学习策略的改进鬣狗优化算法(ImprovedSpottedHyenaOptimizer，ISHO)，并应用于多阈值彩色图像分割问题中。该算法不仅提升了在解决复杂性问题时的寻优效率，而且提高了求解精度与质量，避免了受随机因子影响而陷入局部最优的缺陷。为了验证该算法的有效性，利用伯克利图像分割验证，结果表明:该算法在分割速度及效率上具有明显优势，求解精度高，具有较好的工程实用性。
