基于改进模糊指数熵双阈值的3维人体图像分割优化算法

由于3维人体图像数据量大,导致分割耗时严重;人体组织间灰度差异相对较小,致使分割效果不佳。针对上述3维分割的两大难点问题,提出了改进的模糊指数熵函数来改善分割结果,并以加权免疫遗传算法(WIGA)对阈值进行优化搜索,从而提出了一种基于改进模糊指数熵双阈值的3维图像分割优化算法。真实人体胸部数据的分割结果表明,与传统熵函数及模糊隶属度函数相比,改进的最大模糊指数熵函数得到的阈值分割效果更好,且提出的WIGA算法的耗时仅为传统穷尽搜索法的14%。在与简单遗传算法(SGA)和免疫遗传算法(IGA)耗时基本相同的情况下,100次阈值计算结果表明,本文算法更加精确、稳定。     

改进的最大熵算法在图像分割中的应用

研究图像分割优化问题,要求图像分割速度快,清晰度高.针对传统的熵值法在理论上存在的不足,同时抗噪能力差,速度慢,图像模糊等缺陷,造成图像分割过程耗时长,分割效率低等问题.为了提高图像分割效率和精确度,提出一种改进的遗传算法和最大熵算法相结合的图像分割新方法.首先依据图像二维直方图信息来对图像进行特征提取,最后通过遗传算法的选择、交叉和变异操作搜索最优阈值,从而获得最优阈值来对图像进行分割.仿真结果表明,改进的算法与传统最大熵值的图像分割算法相比,分割效率明显提高,同时图像分割的精度也大大提高,加快了图像分割的速度,为设计提供了依据.     

基于粒子群优化算法和模糊熵的多级阈值图像分割算法

针对现有阈值分割算法利用穷举搜索寻找最优阈值而造成的计算成本较大的问题,提出了一种基于粒子群优化算法和模糊熵的多级阈值图像分割算法。图像分割是图像分析中非常重要的预处理步骤,在提出的方法中,首先选择香农熵和模糊熵作为优化技术的目标函数;然后建立一种基于粒子群优化算法的多层次图像阈值分割,通过最大化香农熵或模糊熵进行图像分割。最后从图像分割数据库中选取Lena、baboon和airplane作为测试图像进行性能分析（包括鲁棒性、效率和收敛性）,并与现有的几种阈值分割算法进行比较。结果显示,提出的算法得到了更高PSNR值和更少的分类误差,证明了该算法是一种高效的多级阈值图像分割算法。     

自动图像阈值分割算法

该文提出了一种新的图像阈值分割算法。该算法通过求取最大模糊熵准则下,灰度均值直方图的最佳模糊划分参数来确定两个模糊集A和B,图像分割阈值即选取为两个模糊集的交点。该算法用Zadth的模糊熵定义适应度函数,采用改进的遗传算法寻求最佳模糊参数。该文对遗传算法的改进包括,给出了缩短染色体码长的编码方法和性能良好的改进的单点交叉算子和均匀变异算子。实验结果表明,该算法的分割效果与二维模糊熵算法接近,而计算时间还没有用到二维模糊熵算法的一半。     

广义模糊熵图像阈值分割参数选取的ADE方法

针对广义模糊熵图像阈值分割参数不能自动选取,提出自适应差分进化（Adaptive Differential Evolution,ADE）的广义模糊熵图像阈值分割方法。利用自适应差分进化算法作为优化工具来选取广义模糊熵阈值分割所需要的最佳参数,引入自适应变异算子和提出交叉概率自适应函数对优化过程进行控制,通过把参数带入广义模糊熵的补函数得到图像的阈值,进而得到图像最优分割。为验证其有效性与可行性,分别同基本图像质量评价准则的模糊熵图像阈值分割算法和粒子群优化广义模糊熵图像阈值分割算法相比较,实验表明,针对不同细节的图片,该算法所得分割结果多数情况下背景信息更少,目标信息更清晰,用时更短,分割更稳定且效果良好。     

基于二维模糊熵和遗传算法的图像阈值分割

针对目标和背景两类图像分割,考虑二维灰度直方图,采用了一种更符合图像空间分布特点的隶属函数,建立了对应的二维图像模糊熵,分别采用标准遗传算法和改进的自适应遗传算法对二维图像模糊熵的各个参数进行优化,根据最大模糊熵准则,确定目标和背景的最佳分割阈值。实验结果表明,基于改进的自适应遗传算法的二维最大模糊熵阈值分割法具有较好的分割性能和较快的分割速度,且对噪声具有一定的抑制能力。     

应用最大熵和思维进化算法的阈值分割

在指数熵的基础上给出了模糊指数信息熵的定义及其性质,避免了对数中无定义点的问题,并用此概念和条件概率定义图像模糊划分的熵,根据熵最大原理进行图像自动分割。为了降低计算复杂度,提高计算速度,改进了思维进化算法（MEA）,设计了自适应趋同和小概率随机异化操作,优化模糊隶属参数,搜索最优分割阈值。实验结果表明,该方法能够自动、有效地选取阈值,分割效果优于Otsu等其他算法,并能保留原始图像的主要特征。     

基于改进的指数交叉熵和萤火虫群优化的工业CT图像分割

为了进一步提高工业CT图像分割的精确度和运行速度,提出基于灰度-梯度二维指数交叉熵和混沌萤火虫群优化的阈值图像分割方法。运用最小指数交叉熵进行阈值分割,解决了Shannon熵在零点处无定义的问题。采用灰度-梯度二维直方图能更加准确地实现目标和背景的划分,提高算法的抗噪性。此外,为了更好地进行阈值的全局搜索,利用立方映射生成的混沌序列来初始化萤火虫的位置;采用基于立方映射的混沌萤火虫群优化算法搜寻最佳的二维阈值,以进一步提升运算速度。最后,与基于萤火虫算法的二维熵法、基于遗传算法的二维最小交叉熵法作了比较。实验结果表明,该方法在分割效果和处理速度上有明显优势。     

基于改进PSO的三维Tsallis熵图像分割

针对二维Tsallis熵图像分割不精确以及优化图像阈值分割函数的元启发式优化算法容易陷入局部最优这两个问题,提出了一种新的三维Tsallis熵阈值分割法以及一种新的改进粒子群优化算法。通过引入均值、中值、梯度三种因素,构建出三维直方图,并结合Tsallis熵理论提出了一种三维Tsallis熵阈值分割法。为了避免粒子群优化算法陷入局部最优,通过引入综合学习策略并改进粒子群优化算法的迭代方式,提出了综合学习改进粒子群优化算法。将提出的三维Tsallis熵阈值分割法与综合学习改进粒子群优化算法结合进行图像分割。与其他元启发式算法相比,综合学习改进粒子群优化算法能在低维环境下有效避免局部最优。实验结果表明相比于二维Tsallis熵阈值分割法,三维Tsallis熵阈值分割法分割效果更好,且具有更好的抗噪性能。由此可以表明综合学习改进粒子群优化算法结合三维Tsallis熵进行图像分割可以取得更好的结果。     

改进的元启发式优化算法及其在图像分割中的应用

元启发式算法自20世纪60年代提出以后,由于其具有可以有效地减少计算量、提高优化效率等优点而得到了广泛应用.该类算法以模仿自然界中各类运行机制为特点,具有自我调节的特征,解决了诸如梯度法、牛顿法和共轭下降法等这些传统优化算法计算效率低、收敛性差等缺点,在组合优化、生产调度、图像处理等方面均有很好的效果.提出了一种改进的元启发式优化算法——NBAS算法.该算法通过将传统天牛须算法（BAS）离散化得到二进制离散天牛须算法（BBAS）,并与原始天牛须算法进行混合得出.算法平衡了局部与全局搜索,有效地弥补了算法容易陷入局部最优的不足.为了验证NBAS算法的有效性,将NBAS算法与二维K熵算法结合,提出了一种快速、准确的NBAS-K熵图像分割算法.该方法解决了优化图像阈值分割函数的优化算法易陷入局部最优、算法寻优个体数多、设计复杂度高所导致的计算量大、耗时长等问题.NBAS-K熵算法与BAS-K熵算法、BBAS-K熵算法、遗传K熵算法（GA-K熵）、粒子群K熵算法（PSO-K熵）和蚱蜢K熵算法（GOA-K熵）在Berkeley数据集、人工加噪图像以及遥感图像上的实验结果表明,该分割方法不仅具有较好的抗噪性能,而且具有较高的精度和鲁棒性,能够较为有效地实现复杂图像分割.     

基于改进遗传算法的最佳阈值分割方法及其性能评价

针对常规二维最佳熵法计算复杂,运行时间长,收敛性差等不足,提出基于改进遗传算法的二维最佳熵阈值分割方法。通过对选择、交叉、变异等因子的优化设计,使阈值搜索的鲁棒性与收敛性有了很大改善,并对图像的分割效果进行评价。分析与仿真结果表明,改进算法在大大减少阈值搜索时间的同时,保持了良好的分割性能。     

基于Curvelet变换和多目标粒子群的混合熵MRI图像多阈值分割

针对因噪声干扰多、灰度不均匀、目标边界模糊导致的核磁共振成像（MRI）图像难以精确分割的问题,提出了一种基于Curvelet变换和多目标粒子群（MOPSO）的混合熵MRI图像多阈值分割算法。首先,对待分割MRI图像进行Curvelet分解,提取低频子带和高频细节子带构建概貌-细节灰度级矩阵模型,以提高算法的目标细节表示能力;其次,同时考虑目标与背景的类间差异性与类内均匀性,将提出的二维多阈值倒数熵和倒数灰度熵组合定义为混合熵,作为多目标粒子群算法的目标函数,协同搜索得到最优的分割多阈值,以实现MRI图像的精确分割;最后,为提高算法的求解速度,提出了二维倒数熵和倒数灰度熵多阈值选取的梯度算法。实验结果表明：与二维tsallis熵、自动细菌觅食分割法（ABF）和改进的Otsu多阈值分割算法相比,所提方法对灰度不均和含噪的MRI图像具有更好的适应性,分割结果更为精确。     

基于链式竞争遗传算法的KSW熵的图像分割

针对最佳熵阈值图像分割算法过程中计算复杂度高的问题,提出了一种基于链式竞争遗传算法的最佳熵阈值确定法(KSW熵法)的图像分割算法.通过将3个邻域的链式竞争引入到常规遗传算法框架下,实现特征选择过程;将改进的遗传算法应用到最佳阈值图像分割算法中,完成对阈值的寻优过程.仿真实验结果与分析表明:算法在分割速度和效果上均优于传统的最佳阈值图像分割算法和单纯的遗传优化最佳阈值图像分割算法.     

动态权重的蝙蝠算法在图像分割中的应用研究

传统的最小交叉熵阈值分割法（MCET）采用穷举的搜索形式，存在计算复杂度大、分割效率低的缺点，在很大程度上限制了该方法的应用。针对最小交叉熵分割法存在的不足，提出采用改进蝙蝠算法（BA）来搜索阈值的最优解。对BA算法中的权重参数做自适应调整，将随着迭代次数变化而变化的时变惯性权重策略应用于BA算法更新公式，给出三种不同的改进策略解决原始BA算法在靠近最优解时收敛速度下降的问题。将改进后的最优BA算法（IBA）应用于最小交叉熵多阈值图像分割中，与基本BA算法、改进的粒子群优化算法（IPSO）、模糊聚类方法（FC）三种方法进行对比性实验。实验结果表明，提出的IBA算法运算速度和分割精度效果明显提升。     

基于三维指数灰度熵的快速图像分割算法

针对现有阈值分割法通常只考虑图像直方图的统计信息,而忽略了图像目标和背景类内灰度分布的均匀性,提出指数灰度熵分割算法,并推广得到三维指数灰度熵分割算法。给出了一维指数灰度熵阈值法及三维指数灰度熵阈值法的原理,在三维直方图上,将降维处理和优化搜索策略相结合,得到最优分割阈值。理论证明,阈值搜索复杂度由原来的[O(L3)]降至[O(L12)]。实验结果表明,与现有的多种阈值法相比,所提算法抗噪性能更强、分割效果更优,且运算时间大为减少。     

基于分散微粒群算法的二维模糊最大熵图像分割

该文研究了基于二维模糊信息熵的图像分割方法,针对二维模糊信息熵图像分割方法求取阈值时存在的计算复杂、时间长、实用性差等问题,提出了基于优化微粒群算法的二维最大熵图像分割方法。DPSO算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度-区域灰度均值作为阈值进行图像分割。同时,为了避免该算法收敛到局部最优解的问题,在算法中引入了变异策略。通过实验显示了该算法在收敛性和计算效率上较QPSO在内其它优化算法具有更好的优越性。     

NSCT变换与改进PSO算法在含噪图像分割中的应用

为提高含噪图像的分割效果和分割速度,将非下采样Contourlet变换和粒子群优化算法相结合,提出了一种有效的图像分割方法——IPSOC。该方法首先对待分割图像进行多尺度非下采样Contourlet变换,然后利用其最高级低频系数重构图像,计算重构图像与其均值图像的二维直方图中类间离散度矩阵的迹,并以之作为分割图像的目标函数来搜索最佳分割阈值。为加快阈值搜索速度,以改进的粒子群优化算法作为阈值分割的并行搜索策略,通过对基本粒子群优化算法进行个体及全局最优信息的实时更新,防止粒子停滞操作和阈值保持次数限定搜索终止条件等几个方面的改进,快速有效地获得分割图像。实验结果表明,该方法与基于遗传算法和人工鱼群算法的分割方法相比,明显提高了图像分割速度和分割质量。     

红外人体图像模糊Renyi熵快速分割

针对红外人体图像目标与背景对比度低、边缘模糊、细节分辨能力差等特点,以及通常情况下的实时性处理要求,提出了一种新的有效分割方法。基于Renyi熵原理,构造了一种广义模糊熵——模糊Renyi熵;为了较快地获得分割阈值,基于混沌理论设计了一种混沌模拟退火算法,用于最佳分割阈值的搜索;把提出的模糊熵与混沌模拟退火算法相结合用于红外人体图像分割,并与几种著名的图像阈值分割方法进行了比较。实验结果表明,用该方法对红外人体图像进行分割,能得到较满意的分割结果,与其他方法相比,鲁棒性较好;对具有256级灰度的图像进行分割,其CPU耗时约为0.8 s,满足了红外人体图像分割的精确、实时性要求。     

一种改进遗传退火算法的图像分割方法

图像分割是图像处理和分析的基础,本文通过分析遗传算法（Genetic Algorithm, GA）在图像分割中的应用优劣,提出利用模拟退火思想的改进遗传退火（Genetic Simulated Annealing Algorithm, GASA）的图像阈值分割算法,算法整个运行过程由冷却温度进度表控制,使用改进的最大类间方差公式作为遗传算法的适应度函数,从而求得灰度图像的一个最佳阈值用于图像分割。实验结果表明,基于改进遗传退火算法的最大类间方差图像分割方法能较好提高算法的全局搜索能力,避免遗传算法陷入局部最优,并且能更快速、更稳定收敛到最佳的分割阈值,得到更好的图像分割效果。     

遗传算法粒在二维最大熵值图像分割中的应用

研究图像分割,针对从图像中提取用户要求的特征目标,最优阈值的选取是图像准确分割的关键技术.传统二维最大熵值算法的最优阈值采用穷举方式进行寻优,耗时长,分割效率较低,易产生误分割.为了提高图像分割效率和准确性,提出一种遗传算法的二维最大熵值图像分割方法.先对原始图像进行灰度转换,绘制出图像的二维直方图.根据二维直方图信息...