【图像分割】基于粒子群优化（PSO）对图像的颜色进行分割附MATLAB 代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

打开一张风景照，我们希望快速提取出蓝天、绿树、草地；处理医学影像时，需要精准分割出病变组织与正常组织；在工业质检中，要从产品图像里识别出不同颜色的部件 —— 这些需求的核心，都是图像颜色分割：根据像素的颜色特征，将图像划分成多个具有相同或相似色彩属性的区域。传统颜色分割方法（如阈值分割、K-Means 聚类）要么依赖人工调参（如手动设定颜色阈值），要么易陷入局部最优（如 K-Means 初始聚类中心随机导致结果不稳定），难以应对复杂场景（如光照不均、色彩渐变的图像）。而粒子群优化（PSO）算法的引入，为图像颜色分割提供了 “智能寻优” 的新思路，能自动找到最优颜色分类标准，让分割结果更精准、更稳定。

一、先理清：图像颜色分割的 “核心难点”

要理解 PSO 的价值，首先得看清传统颜色分割面临的困境：

1. 人工依赖强：阈值选择 “靠经验、凭感觉”

传统阈值分割（如 Otsu 算法的扩展）需要手动设定颜色通道（RGB、HSV）的分割阈值，比如 “将 RGB 通道中 R>200、G<100、B<100 的像素归为红色区域”。但面对色彩丰富的图像（如彩虹、花海），阈值组合成百上千，人工试错效率极低；且光照变化会导致同一物体的颜色值波动（如阳光下的树叶偏亮、阴影下的树叶偏暗），固定阈值很容易分割出错。

2. 局部最优陷阱：K-Means 的 “初始值魔咒”

K-Means 聚类是颜色分割的常用方法，通过预设聚类数量 K，随机选择 K 个初始颜色中心，再迭代优化聚类结果。但初始中心的随机性会导致算法 “偏航”：比如分割 “蓝天 + 白云 + 草地” 的图像时，若初始中心靠近白云和蓝天的过渡色，最终会把部分蓝天误归为白云，陷入局部最优解，无法得到全局最优的颜色分类。

3. 复杂场景适配难：光照、噪声的 “干扰难题”

实际图像常存在光照不均（如一半亮、一半暗的室内场景）、噪声（如老照片的杂色点），传统方法难以平衡 “颜色相似性” 与 “区域连续性”。比如分割医学超声图像时，病变区域与正常区域的颜色差异小且受噪声干扰，传统 K-Means 会把噪声点误归为病变区域，导致分割精度下降。

二、PSO 适配颜色分割：把 “色彩分类” 变成 “寻优问题”

PSO 算法的核心是 “模拟群体觅食找最优解”，而图像颜色分割的本质是 “找到最优的颜色分类标准”—— 两者的逻辑天然契合。我们可以将颜色分割问题转化为 PSO 的寻优场景：

1. 核心映射：PSO 术语与颜色分割的对应关系

要让 PSO “理解” 颜色分割任务，需先建立术语映射：

• “粒子”= 一组颜色分割参数：根据分割方法不同，参数可以是 “颜色阈值组合”（如 RGB 三通道的阈值 T_R、T_G、T_B），或 “聚类中心坐标”（如 HSV 颜色空间中 K 个聚类中心的 H、S、V 值）；

• “适应度值”= 分割结果的 “优秀程度”：用评价指标（如类内方差最小化、类间方差最大化、分割准确率）衡量分割效果，适应度值越高，说明该组参数对应的分割结果越优；

• “全局最优解”= 最优分割参数：粒子群通过迭代，最终找到适应度最高的参数组合，用这组参数就能实现精准的颜色分割。

比如在 RGB 图像阈值分割中，一个粒子可以表示为（T_R=180，T_G=120，T_B=90），适应度值则是用这组阈值分割后，“目标区域（如红色果实）的像素准确率”—— 准确率越高，适应度值越高。

2. 优势适配：PSO 如何解决传统方法的痛点？

• 告别人工调参：PSO 通过群体智能自动搜索最优参数，无需人工设定阈值或聚类中心，即使是色彩复杂的图像，也能通过迭代找到最优解；

• 跳出局部最优：PSO 的 “个体最优 + 全局最优” 引导机制，能让粒子跳出局部最优区域（如 K-Means 的初始中心陷阱），探索更广阔的解空间，找到全局最优分割参数；

• 抗干扰能力强：通过设计合理的适应度函数（如结合 “颜色相似性” 与 “区域连续性”），PSO 能在光照不均、噪声干扰的场景下，优先选择 “分割区域更完整、噪声更少” 的参数，提升分割鲁棒性。

三、实战流程：基于 PSO 的图像颜色分割步骤

以 “RGB 图像的 K-Means 颜色聚类分割” 为例（PSO 优化 K-Means 的初始聚类中心），详细拆解实现步骤：

1. 步骤 1：图像预处理 —— 简化颜色空间，减少干扰

• 颜色空间转换：将 RGB 图像转换为 HSV 空间（H：色相，S：饱和度，V：明度），因为 HSV 空间更符合人眼对颜色的感知，且 V 通道（明度）能与光照变化分离，减少光照干扰；

• 去噪处理：用高斯滤波去除图像噪声（如杂色点），避免噪声影响颜色特征提取，确保后续分割的准确性。

2. 步骤 2：PSO 参数初始化 —— 定义粒子与解空间

• 确定粒子维度：若需分割 K 类颜色（如蓝天、白云、草地，K=3），每个聚类中心在 HSV 空间有 3 个参数（H、S、V），则每个粒子的维度为 K×3=9（如粒子 =[H1,S1,V1,H2,S2,V2,H3,S3,V3]，对应 3 个聚类中心的 HSV 值）；

• 设定解空间范围：根据 HSV 空间的取值范围（H：0-360，S：0-1，V：0-1），限定每个粒子维度的取值区间，避免参数超出合理范围；

• 初始化粒子群：随机生成 N 个粒子（如 N=50），每个粒子的参数值在解空间内随机分配，作为初始候选聚类中心。

3. 步骤 3：适应度函数设计 —— 衡量分割效果

适应度函数是 PSO 的 “指挥棒”，决定了粒子的搜索方向。针对颜色聚类分割，常用 “类内方差最小化” 作为适应度函数：

• 计算类内方差：对每个粒子（聚类中心），将图像中每个像素分配到 “距离最近的聚类中心”（距离用欧氏距离计算，如像素 HSV 值与聚类中心 HSV 值的欧氏距离），再计算每个聚类内部的像素颜色方差；

• 适应度值计算：适应度值 = 1/（所有聚类的类内方差之和）—— 类内方差越小，说明同一聚类内的像素颜色越相似，分割效果越好，适应度值越高。

4. 步骤 4：PSO 迭代优化 —— 寻找最优聚类中心

• 记录最优位置：每个粒子记录 “个体最优位置”（自身迭代过程中适应度最高的参数）和 “全局最优位置”（所有粒子迭代过程中适应度最高的参数）；

• 更新粒子速度与位置：根据 PSO 的速度更新公式（速度 = 惯性权重 × 旧速度 + 认知因子 × 随机数 ×（个体最优 - 当前位置）+ 社会因子 × 随机数 ×（全局最优 - 当前位置）），调整每个粒子的参数值（聚类中心），确保粒子向更优方向移动；

• 判断收敛：重复迭代（如迭代 100 次），若全局最优适应度值连续 10 次迭代无明显提升，或达到最大迭代次数，停止迭代，此时的全局最优位置就是 “最优聚类中心”。

5. 步骤 5：图像分割与结果输出

用 PSO 找到的最优聚类中心，对预处理后的图像进行 K-Means 聚类分割：将每个像素分配到距离最近的聚类中心，并用不同颜色标记不同聚类区域（如蓝天标为蓝色、白云标为白色、草地标为绿色），最终输出分割后的图像。

⛳️ 运行结果

📣 部分代码

%% Color-Based Segmentation Using PSO Clustering

% Edited code. Original Code taken from MATLAB examples.

clear all

clc

close all

%% Step 1: Read Image

he = imread('hestain.png');

figure,

imshow(he), title('H&E image');

text(size(he,2),size(he,1)+15,...

     'Image courtesy of Alan Partin, Johns Hopkins University', ...

     'FontSize',7,'HorizontalAlignment','right');

%% Step 2: Convert Image from RGB Color Space to L*a*b* Color Space

cform = makecform('srgb2lab');

lab_he = applycform(he,cform);

%% Step 3: Classify the Colors in 'a*b*' Space Using K-Means Clustering

ab = double(lab_he(:,:,2:3));

nrows = size(ab,1);

ncols = size(ab,2);

ab = reshape(ab,nrows*ncols,2);

nColors = 3;

[cluster_idx, cluster_center] = pso(ab,nColors);

%% Step 4: Label Every Pixel in the Image Using the Results from KMEANS

pixel_labels = reshape(cluster_idx,nrows,ncols);

figure,

imshow(pixel_labels,[]), title('image labeled by cluster index');

%% Step 5: Create Images that Segment the H&E Image by Color.

segmented_images = cell(1,3);

rgb_label = repmat(pixel_labels,[1 1 3]);

for k = 1:nColors

    color = he;

    color(rgb_label ~= k) = 0;

    segmented_images{k} = color;

end

figure,

imshow(segmented_images{1}), title('objects in cluster 1');

%% 

figure,

imshow(segmented_images{2}), title('objects in cluster 2');

%% 

figure,

imshow(segmented_images{3}), title('objects in cluster 3');

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码