一种基于P系统的图像阈值分割方法

将P系统引入到图像阈值分割中,提出了一种基于P系统的图像阈值分割方法。采用一个两层膜的组织型P系统作为其计算框架,每个膜作为独立的并行计算单元,速度一位置模型作为进化规则,同时采用同向／反向转运规则交换和共享膜之间的对象。实验结果表明,这个基于P系统框架的阈值分割方法具有可用性和有效性,能为图像寻找最优的分割阈值。     

一种基于模型的自适应阈值分割算法

为了减少穷举式阈值分割方法中的重复计算，提出了连通域树（CCtTree)的结构与构造算法.在进行新阈值下的分割与连通域标记时，根据原阈值分割标记后得到的结果，结合新出现的连通域，以合并的方式得到新阈值分割下的连通域来减少多余的计算过程.给出了在CCTree中利用树搜索算法进行模型匹配区域搜索的方法.实际的图像库实验表明，在保证同样的模型匹配区域检出效果的基础上，基于CCTree的方法在运行时间上明显优于ETL，并能迅速有效地筛除重叠区域，获得更好的匹配区域.利用CCTree方法可以准确而快速地获得基于模型匹配的阈值分割结果.     

基于均方根阈值的PCNN图像分割算法研究

为了改善脉冲耦合神经网络(PCNN)在图像分割过程中的性能，提出了一种将灰度均方根阈值与PCNN相结合的方法，称之为灰度均方根阈值PCNN (RMS-PCNN)。在简化方法中，只需确定一个参数；此外，在图像分割点火过程中，PCNN阈值只计算一次，展现了更好的分割性能和更快的计算速度。实验结果表明该简化方法是一种有效的图像分割方法。     

完全线性多阈值Otsu快速算法

针对经典多阈值Otsu算法在对图像进行分割的过程中采用穷举方法来寻找最优阈值,从而导致算法计算量庞大,并且随着阈值个数的增多时间复杂度呈指数增长的问题,本文提出了一种时间复杂度为O(n)的多阈值Otsu快速分割算法,即完全线性多阈值Otsu快速算法。该算法首先从理论上分析了导致多阈值Otsu算法计算量大、时间复杂度过高的主要因素。并在此基础上,从数值计算、多阈值的划分以及对于最优阈值的搜索三个主要方面,对经典的多阈值Otsu算法进行改进,采用动态规划的思想优化分割过程中的数值计算。然后对于多阈值的问题进行递归求解,将多阈值问题分解为多个单阈值问题。最后使用多种群粒子群(Multi-population PSO)算法对最优阈值进行搜索。实验结果表明,该算法大大降低了多阈值Otsu算法的时间复杂度,能够较好地应用于实时性环境。     

最大熵阈值的红外图像人体目标分割方法

为了有效地分割红外图像中的人体,提出了一种基于最大熵阈值的红外图像人体目标分割方法.对红外图像进行滤波处理消除噪声干扰,分别计算图像的目标熵和背景熵,最大化目标与背景熵的和,在目标和背景的分布中获得最大信息,以此为准则选择分割阈值.利用形态学方法进行后处理进一步消除噪声干扰.实验结果表明:与经典的阈值分割方法相比,文中方法效果更好,且运算速度快.     

基于二维属性直方图和遗传算法的图像阈值化

给出了二维属性直方图的概念,在此基础上提出了一种基于二维属性直方图和遗传算法的图像自动阈值化方法.该方法对二维阈值进行编码,根据二维属性直方图的Otsu算法确定适应度函数,通过遗传计算确定最佳分割阈值.将该方法用于一种海底小目标图像阈值化,经过240次适应度函数的计算即可得到最佳分割阈值.结果表明,该方法适用于直方图不是理想双峰形状的图像,比基于二维属性直方图的Otsu算法速度更快.     

一种基于边界和区域的MRI脑图像分割方法

应用一种基于多分辨率边缘检测、区域选择和取灰度阈值相结合的方法实现了MR I(磁共振成像)脑图像的分割,得到了脑白质(WM)、脑灰质(GM)和脑脊液(CSF)的组织结构.并且针对该方法对模糊、不均匀的MR I脑图像分割时可能出现的问题进行了分析,提出采用动态阈值法对其进行改进,实验结果表明改进方法对模糊和不均匀图像,能得到较好的分割结果.     

应用改进布谷鸟算法优化多阈值图像分割

针对传统多阈值图像分割方法在寻找最优阈值过程中存在计算量大、计算时间长的问题,提出了一种基于改进布谷鸟算法的多闽值图像分割方法.首先,将教与学搜索策略引入布谷鸟算法,提高了算法的局部搜索能力;其次,选择当前种群中适应度值较优的精英解构建精英库并随机选择精英解指导搜索方向,强化优势经验的学习;最后,引入模拟退火机制选择鸟巢位置,有效避免了个体在寻优过程中陷入局部最优.选择了多幅不同类型的复杂多目标图像进行分割实验,并与布谷鸟算法、蛙跳算法、教与学优化算法及广义反向粒子群与引力搜索混合算法的分割结果进行对比分析.实验结果表明,该方法在分割准确性、计算时间和收敛性上均优于对比算法,能快速有效地解决复杂多目标图像的多阈值分割问题.     

基于模糊熵的GLLE熵阈值分割方法

图像分割是计算机视觉中基础且重要的一个问题.熵阈值图像分割作为一种有效的分割方法,被广泛应用于模式识别和图像处理中.传统的图像分割方法并不能获得足够有效的图像特征.为解决这个问题且进一步探究熵阈值在图像分割中的应用,引入一种GLLE(Gray Level and Local Entropy)二维直方图改进熵阈值图像分割模型,并提出了基于模糊熵的方法计算所建立的二维直方图模型.通过标准实验数据集上的对比实验表明,基于模糊熵的GLLE熵阈值分割方法可以得到更加准确的阈值,提高了分割精度.同时在处理不同类型图像的表现上优于往常的算法,具有更强的鲁棒性.     

基于粒子群优化算法的多阈值图像分割

为确定图像分割的最佳阈值,基于粒子群优化算法提出了一种多阈值图像分割方法.由最大熵或最大类间方差法得到优化的目标函数,用粒子群算法对其进行优化,得到分割的最佳阈值,并用该阈值对图像进行分割.将分割结果与遗传算法的多阈值分割结果相比较可以看出,该算法不仅可实现正确的图像分割,并可使分割速度大大提高.