基于改进粪金龟算法的图像分割优化K-means算法

更聪明算法带来更清晰的图像

每天，手机、医学扫描仪和自动驾驶汽车都依赖计算机将图像中重要的部分从背景中分离出来。这个过程称为图像分割，影响着从在扫描中发现肿瘤到在交通中检测行人等诸多任务。本文所述的研究提出了一种新的方法，通过结合两种思想——一种经典的聚类方法和一种受甲虫启发的搜索策略——使这种分离变得更准确、更可靠。

为什么分割图像很难

乍看之下，将图像切分为具有相似亮度、颜色或纹理的区域似乎很简单。一种流行工具K-means通过将像素分组为簇来实现这一点。但K-means也有脆弱的一面：其结果高度依赖于初始位置。给出不好的初始猜测，它可能停留在较差的解上，错过细节或模糊边缘。这在含噪声、复杂光照或细微纹理的图像中尤为棘手，例如医学图像或具有反射和阴影的户外场景。

从甲虫的生活中学习

为改善这一情况，作者基于一种较新的“群体智能”方法——受粪金龟启发而来。在自然界中，这些昆虫会滚动、隐藏、偷取并觅食粪球，并根据环境变化调整它们的行进路径。原始的粪金龟优化算法模拟了这些行为，在数学的解空间中搜索良好解。然而，像许多搜索方法一样，它可能过早陷入局部或在困难问题上收敛缓慢。研究者提出了改进的粪金龟优化算法（IDBO），改进了这些虚拟甲虫探索和集中搜索有前景区域的方式。

三项升级以提升搜索效果

该新方法引入了三项关键升级。首先，采用称为拉丁超立方采样的技术，将初始甲虫位置均匀分布在搜索空间中，避免簇聚和被忽视的区域。第二，混合运动策略允许甲虫在搜索过程中基于变化的决策规则在广泛探索和精细搜索之间平滑切换，并引入一种简单的“竞争”机制，使部分甲虫根据其他甲虫调整路径。第三，基于具有短跳与偶尔长跳特性的数学函数的局部调整步骤，帮助甲虫在摆脱小的局部陷阱的同时微调最佳位置。这些步骤共同旨在比原始设计更快、更稳定地找到更好的解。

在基准和真实图像上的测试

为了检验IDBO是否真正有效，作者首先在一组用于比较优化方法的标准数学问题上对其进行了测试。在多种函数和维度下，IDBO通常比包括早期粪金龟版本和其他流行群体方法在内的竞争算法更快达到更好的解，且不同运行间的差异更小。接着，他们将IDBO集成到K-means流程中，用于选择更好的初始聚类中心以进行图像分割。在经典测试图像上——如水面的天鹅、摄影师、米粒和一朵花——经IDBO增强的K-means产生了更清晰的边界、较少过亮或洗出细节的区域，以及更忠实的纹理。失真和信噪比等数值指标也证实了这些视觉上的改进。

这对日常图像意味着什么

简而言之，该研究表明，用更周到的、受甲虫启发的搜索来引导K-means能够大大降低其接受较差分割方案的风险。相反，它更倾向于找到在复杂光照和纹理条件下仍能保留边缘和结构的分割结果。尽管该方法仍需要计算资源，并可能需要针对超大规模或实时任务进一步调优，但它指明了这样一个前景：智能搜索策略在幕后悄然改进机器的视觉能力。

引用: Li, N., Luo, Y., Feng, Z. et al. Optimized K-means algorithm for image segmentation based on improved dung beetle algorithm. Sci Rep 16, 11187 (2026). https://doi.org/10.1038/s41598-026-38438-2

关键词: 图像分割, 聚类, 群体智能, 优化算法, 计算机视觉