基于改进PSO算法的Otsu快速多阈值图像分割

为了确定图像分割的最佳阈值,基于改进粒子群优化算法,提出了一种快速多阈值图像分割方法。首先引入独立峰值将直方图划分为若干区域,然后在各个区域使用最大类间方差法得到优化的目标函数,用具有非均匀变异特性和雁群飞行启示的线性递减惯性权重粒子群算法对目标函数进行优化,得到分割的最佳阈值,并用该阈值对图像进行分割。将分割结果与常规最大类问方差法的多阈值分割结果相比较,证明该算法不仅可以正确地实现图像分割,并可使分割速度大大提高。     

自动阈值选取的两种算法

介绍了阈值分割法的特点，阈值选取在阈值分割中的重要性，最佳阈值选取的原则，最频值法，以及基于最频值法提出的两种阈值选取算法。该算法用于医学细胞图像的自动分割，获得快速而良好的分割效果。     

基于克隆粒子群算法的图像分割方法

最大熵阈值法是目前图像分割中应用最广泛的方法之一。为了快速准确地自动确定图像分割阈值,把克隆选择算法和粒子群算法相结合,提出克隆粒子群优化算法。利用这种改进方法对最大熵图像分割函数进行全局寻优。克隆选择算法和粒子群算法的结合克服了各自的缺点,克隆选择的多样性补偿了粒子群的多样性差的缺点,粒子群的快速性补偿了克隆选择的收敛速度慢的缺点。克隆粒子群方法克服了传统遗传算法易出现早熟、陷入局部最优等的问题,加快了图像分割函数收敛速度,最后能够快速准确地得到图像分割的最佳阈值。实验表明,改进后的算法分割速度较快,易于收敛到最优解,并且得到的分割阈值更加稳定。     

基于高性能计算平台的图像分割技术

该研究建立基于高性能计算平台的PSO粒子群图像分割算法模型,充分发挥了硬件优势,极大地提高了图像处理中关键一步图像分割的效率。PSO算法是一种随机寻优算法,在各个粒子相互作用的同时寻找最佳的阈值,缩短图像分割的时间。因此,该研究提出的基于高性能计算平台的PSO粒子群图像分割算法具有一定的准确性和稳定性,并且有较好的时间复杂度表现。     

基于模糊判决改进的Otsu图像分割算法

在图像分割中,阈值的选取是十分重要的.提出了一种基于模糊判决的Otsu图像分割算法,通过对Otsu算法中阈值的模糊判决处理,采用重心法来求取阈值,使所求阈值更加接近实际最佳阈值,从而能更好地分割图像.实验结果表明,与当前的一维Otsu算法和二维Otsu算法相比,改进算法有着更好的图像分割效果.     

基于粒子群优化的Otsu肺组织分割算法

为减少肺组织分割算法的运算时间,提出了一种基于粒子群优化的Otsu肺组织改进自动分割算法。针对传统粒子群优化的二维Otsu算法中二维直方图计算量大、粒子搜索容易陷入局部最优解的缺陷,使用灰度级-梯度二维直方图减少二维直方图的计算量,并减小粒子搜索范围,采用基于粒子空间对称分布的改进粒子群获取最佳阈值。算法实现过程中利用孔洞填充算法去除背景,基于形态学操作去除噪声、修补病变区域产生的孔洞。仿真实验结果显示,本文算法对图像尺寸为512像素×512像素CT图像的阈值分割时间约为0.2s,比基于灰度级-邻域均值二维直方图的粒子群优化的Otsu算法的阈值分割速度提高了约16%。较好地实现了胸腔CT图像的肺组织自动分割,与传统算法相比较,本算法在保证分割精度的基础上分割速度明显提升。     

多阈值和标记分水岭相融合的肺部CT图像分割方法

针对肺部CT图像因各组织灰度不均匀、结构复杂等因素造成双肺边界难以准确分割的问题,提出了一种多阈值和标记分水岭相融合的肺部分割方法。首先采用多阈值法对肺部CT图像进行粗分割,并去除图像中气管与主支气管;然后采用标记控制分水岭方法进行精分割,并利用形态学运算对肺实质边缘修补,最后采用临床肺CT图像在Matlab 2012平台上对算法性能进行仿真测试。结果表明,本文方法可以较好保留肺部CT图像的边界信息,提高了肺部CT图像分割精度,误分和错分概率大幅度下降,取得了十分理想的分割结果,为肺部疾病临床医学诊断提供了有价值的参考信息。     

机械零件边缘检测方法的研究

为了实现机械零件的有效检测,针对零件具有比较明显的轮廓特点,提出了一种机械零件图像的边缘检测算法.首先对零件图像进行去噪和灰度化处理,利用图像灰度直方图分布信息,构造求解最佳分割阈值的数学模型,在此基础上设计了边缘检测的最佳阈值分割算法.最后通过实例给出了用经典算法Sobel算子分割的效果图和采用本算法取得的效果图,通过对比充分说明了本算法的可行性和有效性.     

基于自由搜索算法的图像分割研究

针对最大熵阈值分割法在图像分割中计算量大、多阈值的优化组合难于确定的问题,现提出基于自由搜索算法的最大熵阈值分割改进算法,利用自由搜索算法的优化能力,实现了多阈值的确定,并具有计算量少、收敛速度快、准确率高等优点。实验仿真结果表明,改进算法能够更快地确定出最佳多阈值组合,并且这些阈值能够获得更好的图像分割效果。     

基于遗传算法的最大熵阈值的图像分割

图像阈值分割技术在图像分析和图像识别中具有重要的意义.最大熵方法具有很多优点,但同时也存在弱点:需要大量的运算时间,特别是在计算多阈值时.因此需要引入优化算法.文中将遗传算法用于最大熵阈值的图像分割方法中,分别对一维及二维阈值分割的情况进行讨论,并提出了一种基于改进型遗传算法的最大熵阈值图像分割方法. 通过对几幅经典图像的分割结果对比,表明了基于遗传算法的最大熵阈值的图像分割方法可以有效地提高最大熵图像分割的计算速度,提高图像处理的实时性.     

改进海鸥算法的多阈值图像分割算法北大核心CSCD

为进一步提高图像分割精度,改善传统多阈值图像分割方法计算量大、分割慢的问题,提出了改进海鸥算法(improved seagull optimization algorithm,ISOA)的多阈值图像分割方案。针对原始海鸥算法(seagull optimization algorithm,SOA)存在早熟、寻优精度不足的问题,首先,采用cubic混沌映射优化初始解,提高搜索效率;其次,引入鹰栖息优化算法(eagle perching optmizer,EPO)的缩放因子和疯狂算子进行扰动,并与麻雀搜索算法(sparow search algorithm,SSA)警戒者的位置更新相结合,优化寻优精度和收敛速度,避免陷入局部最优。利用6种基准测试函数对ISOA进行寻优性能测试。最后,将ISOA与图像分割的最优阈值选取相结合,进行基于Otsu的多阈值图像分割,并与现有分割算法进行对比。仿真结果表明,ISOA在基于Otsu的图像分割中,100%取得了最优值,且80.9%的结果优于其余算法,使图像的分割精度和质量均得到了优化。     

阶段变异萤火虫群算法及在DR图像增强中应用

针对基本萤火虫群算法收敛速度慢、求解精度低的缺点,提出一种阶段变异方法来改进基本萤火虫群算法,即阶段变异萤火虫群算法.医学DR图像存在对比度低、边缘模糊等问题,对其增强以分段灰度变换为模型,6个分段控制参数为寻优变量,提出一种递归Otsu分割算法对寻优变量进行预设修正,采用阶段变异萤火虫群算法求解寻优变量值.实验结果表明,该增强方法具有自适应性,可以提高图像的分辨率和对比度,使图像细节更加丰富、清晰.     

基于信息熵和改进粒子群算法的医学图像分割方法研究

针对传统的医学图像分割算法存在组织边缘模糊、灰度不均匀和图像噪声高的问题,将信息熵和改进的粒子群算法相结合,提出了一种基于信息熵和改进的粒子群算法的医学图像分割方法,在确保信息熵最大的条件下,实现医学图像的最佳阈值分割.将信息熵最大化作为适应度函数,通过改进的粒子群算法优化获得最佳分割门限,实现医学图像的最佳阈值分割.选择不合噪声和含噪声的脑部图像为研究对象,通过直观分析、客观分析和分割速度分析发现,提出的新方法在很大程度上克服了传统医学图像分割算法存在的缺陷,分割速度和精度得到显著提升;与此同时,新的算法具有很强的鲁棒性和抗噪声能力.     

蝙蝠优化的二维Tsallis熵多阈值SAR图像分割

针对智能优化SAR图像分割算法存在计算量大、易陷入局部最优、分割精度不够等问题,融合蝙蝠算法和二维Tsallis熵多阈值,提出了一种蝙蝠优化的二维Tsallis熵多阈值SAR图像分割算法。算法利用立方映射均匀化初始蝙蝠种群,引入Levy飞行特征加强算法跳出局部最优能力,使用Powell局部搜索加快算法收敛等3方面改进蝙蝠算法;同时将二维Tsallis熵单阈值分割方法扩展到多阈值分割,建立基于多阈值的选取方法,并结合改进的蝙蝠算法,将二维Tsallis熵多阈值应用于SAR图像分割中。仿真结果表明,与其他智能优化分割算法相比,本分割算法在边缘处理和分割精度上都有明显优势。     

基于改进人工蜂群算法的多阈值红外图像分割

针对传统的多阈值红外图像分割中多阈值选取存在的效率低、计算重复等问题,提出了一种基于改进人工蜂群算法的多阈值红外图像快速分割算法.首先,在阈值选取时引入人工蜂群算法,实现多阈值的选取.然后,针对原始人工蜂群算法存在的收敛速度慢、容易陷入局部最优的缺点,分别从引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,使其更快、更准地收敛于最优解.实验表明,相比于原始人工蜂群算法,改进后的算法在精度相同时速度更快,迭代次数相同时结果更接近最优解.该算法能够在保证精度的前提下高效地对红外图像进行多阈值分割,是一种可行的红外图像分割方法.     

最大倒数熵/倒数灰度熵多阈值选取

现有的基于Shannon熵的阈值选取方法存在无定义值和零值的缺陷,并且没有考虑目标和背景类内灰度的均匀性。为此,本文针对多目标（背景）图像分割问题,提出了基于最大倒数熵/倒数灰度熵和自适应双粒子群优化（Adaptive Chaotic Variation Particle Swarm Optimization, ACPSO）的多阈值选取方法。首先将最大倒数熵单阈值选取推广到多阈值选取;然后定义了倒数灰度熵,导出了基于最大倒数灰度熵的单阈值和多阈值选取公式;最后给出最大倒数熵/倒数灰度熵多阈值选取的ACPSO算法步骤,实现对多个阈值快速精确地寻优。实验结果表明,与现有的同类方法—基于最大Shannon熵和粒子群优化（Particle Swarms Optimization, PSO）的多阈值选取方法相比,本文提出的方法有明显的优势,已应用于红外弱小目标检测中的阈值分割和卫星云图识别中的数字云图分割,取得了极佳的分割效果。      

基于改进的自适应差分演化算法的二维Otsu多阈值图像分割

针对常规最大类间方差法在多阈值图像分割中存在的运算量大、计算时间长、分割精度较低等问题,该文提出一种基于改进的自适应差分演化(JADE)算法的2维Otsu多阈值分割法。首先,为增强初始化种群的质量、提升控制参数的适应性,将混沌映射机制融入到JADE算法中;进而,通过该改进算法求解2维 Otsu 多阈值图像的最佳分割阈值;最终,将该算法与差分进化(DE), JADE,改进正弦参数自适应的差分进化(LSHADE-cnEpSin)以及增强的适应性微分变换差分进化(EFADE) 4种算法的2维Otsu多阈值图像分割进行比较。实验结果表明,与其它4种算法相比,基于改进JADE算法的2维Otsu多阈值图像分割在分割速度以及精度上均有较明显的改善。     

基于Otsu法自适应阈值的图像分割研究

概述了基于一维Otsu 和二维Otsu 双门限的阈值分割法,提出了基于像素邻域平均灰度的改进的一维Otsu 多门限分割方法,兼有准确性和快速性的优点,并应用于MRI脑图像,实现了多个目标的自动分割,与普通的一维Otsu 法相比具有更好的分割效果.     

基于NSCT和Tsallis熵的SAR图像快速分割方法

针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型;然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳;同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。