基于蚁群算法的图像分割方法

蚁群算法是一种具有离散性?并行性?鲁棒性和模糊聚类能力的进化方法?根据数字图像的离散性特点,首先从模糊聚类角度出发,将蚁群算法引入图像分割中,综合考虑像素的灰度?梯度及邻域特性进行特征提取?然后,针对蚁群算法循环次数多,计算量大的问题,设置启发式引导函数和初始聚类中心进行改进?详细阐述特征提取?初始聚类中心设置和模糊聚类流程?实验证明改进蚁群算法可以快速准确地分割出目标,是一种有效的图像分割方法     

蚁群模糊聚类的图像分割

蚁群算法的离散性、并行性、鲁棒性、正反馈性特点,非常适合于图像分割.但基本蚁群算法中蚂蚁运动的随机性使得算法进化速度慢且易于陷入局部最小等缺陷.提出了一种基于改进的蚁群模糊聚类的图像分割方法,给出了多种信息素的更新方式.针对算法循环次数多,计算量大的问题,综合考虑图像中像素的灰度,邻域平均灰度,梯度等特征来设置初始聚类中心进行蚁群模糊聚类.实验结果表明,该方法在图像分割中的确能够得到较好的分割结果.     

基于二维直方图和改进蚁群聚类的图像分割

图像分割是图像处理和图像分析的重要基础。基本蚁群算法蚂蚁的搜索是随机的,计算量大,不利于算法的收敛。因此,文中提出了一种基于二维直方图和改进的蚁群聚类算法的图像分割方法,改进了应用传统分割方法分割图像效果不佳的问题。蚁群聚类算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法。文中基于此传统算法,通过二维直方图设置初始聚类中心来减少蚁群算法循环次数,定义了一种新的引导函数,并通过改进信息素更新机制提高蚁群聚类的速度。实验证明,该算法是一种比较准确、快速的图像分割方法。     

基于二维直方图和改进蚁群聚类的图像分割

图像分割是图像处理和图像分析的重要基础。基本蚁群算法蚂蚁的搜索是随机的,计算量大,不利于算法的收敛。因此,文中提出了一种基于二维直方图和改进的蚁群聚类算法的图像分割方法,改进了应用传统分割方法分割图像效果不佳的问题。蚁群聚类算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法。文中基于此传统算法,通过二维直方图设置初始聚类中心来减少蚁群算法循环次数,定义了一种新的引导函数,并通过改进信息素更新机制提高蚁群聚类的速度。实验证明,该算法是一种比较准确、快速的图像分割方法。     

基于蚁群算法的医学图像分割研究*

通过对蚂蚁信息激素释放、路径转移的重新定义,并将图像空间的模糊连接关系引入蚂蚁的觅食过程中,进而转换为蚂蚁搜寻食物的准则,实现了医学影像图像的分割,并进一步分析了算法实现中相关影响因素参数选择的问题。     

基于动态自适应蚁群算法的MRI图像分割

MRI图像分割在医学图像分析中具有极其重要的理论和应用价值.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法.对目标边界模糊、目标灰度不均匀及目标不连续等情况的图像(如医学图像)分割,蚁群算法是一个比较好的选择.本文针对基本蚁群算法容易出现早熟和停滞现象的特性,提出了一种动态自适应蚁群算法,通过自适应的初始聚类中心调整策略和动态更新局部信息素浓度,使其收敛性和稳定性有一定的提高.实验证明改进的蚁群算法能够有效地分割MRI图像.     

基于局部蚁群算法的图像分割

为了解决光照不均匀、有噪声,或者背景灰度变化较大时,采用单一阈值不能兼顾图像各个像素的实际情况,提出一种利用局部蚁群算法对图像进行阈值分割的改进算法。对图像进行分块,在每块内分别设定阈值进行分割,可以有效减少像素错误归类的现象。该算法对图像的不同区域设置不同的迭代次数和蚂蚁走的步数,获得了更好的分割效果。实验表明该算法可以提高分割的精度,缩短程序运行的时间。     

基于蚁群和带空间约束FCM的荔枝图像分割算法

准确地提取荔枝果实的完整轮廓对采摘机器人自动识别与采摘至关重要。以蚁群和模糊C均值（FCM）聚类为理论基础,选用符合荔枝颜色特性的L*a*b*颜色空间,提出一种基于蚁群和带空间约束FCM的荔枝图像分割算法。该算法利用L*a*b*颜色空间的a*通道正轴代表红色和负轴代表绿颜色进行初始分割,然后利用蚁群聚类算法全局性和鲁棒性的优点确定FCM的聚类中心,用引入空间约束的FCM完整地分割出荔枝果实。实验结果表明此方法实现了荔枝图像完整地分割,并且满足了采摘机器人后续的荔枝识别与采摘,对成熟荔枝分割的正确率达到了87%。     

基于光强加权梯度算子的图像过渡区算法

本文分析了基于梯度算子的过渡区算法存在的缺陷,提出了一种基于光强加权梯度的过渡区检测方法,该方法利用过渡区的梯度信息,又利用过渡区的灰度信息,因而对噪声的适应能力在较大的提高。实验结果表明,基于光强加权梯度算子的图像过渡区算法是有效的。     

基于K-均值与蚁群混合聚类的图像分割

针对单一聚类算法在图像分割中容易陷人局部最优或有过分割现象,造成分割精确度低等问题,文章提出了基于K-均值聚类和蚁群聚类相结合的新算法.新算法先将K-均值算法作快速分类,根据K-均值分类结果更新蚂蚁各路径上的信息素,指导其他蚂蚁选择,以提高蚁群聚类算法的运行效率.实验结果证明,新算法在图像分割处理的精确度上较单一的K均...     

自适应蚁群算法优化红外图像分割*

由于基本蚁群算法中信息素挥发系数为常数,可能会导致算法过早收敛或停滞,为此,采用自适应更新机制,使其收敛性和稳定性有了一定的提高。将该动态蚁群算法应用于红外图像的分割,并以小窗口为对象实施算法。通过仿真实验,验证了该算法大大地减少了计算量,具有较高的执行效率,并得到了良好的分割效果。     

混沌蚁群算法在图像边缘检测中的应用

运用混沌蚁群算法进行图像的边缘检测是针对混沌蚁群算法具有随机性、遍历性、正反馈性,通过更新信息素矩阵来计算图像阈值,从而获得图像边缘信息,能够更全面、迅速地找到图像的边缘,避免过早陷入局部最优,提高了图像边缘检测的连续性和准确性。计算机仿真实验表明,通过混沌蚁群算法获得的图像边缘更加完整和清晰,取得了较好的效果。     

基于多态蚁群算法的回转窑图像分割方法

为了解决回转窑图像背景噪声干扰较大且背景灰度变化较小,采用经典的算法不能有效分割出窑内黑把子区域的情况,提出了一种基于多态蚁群算法和小波变换相结合的图像分割方法。利用小波将图像变换,对低频系数进行分块,采取新的阈值选取方法并对每块进行分割,从而改善了黑把子区域的分割效果。实验结果表明,该算法提高了分割精度,缩短了程序运行的时间。     

基于改进的边缘检测蚁群算法的大米轮廓检测

在蚁群算法的基础上针对大米轮廓检测提出了一种改进的边缘检测蚁群算法。该算法能有效地检测出米粒的边缘信息,解决了传统大米颗粒检测方法的不稳定和不精确等问题。与此同时,还将其结果与原蚁群算法、Roberts、Sobel和Prewitt等边缘检测算子对图像处理的结果进行了研究对比,实验结果表明,采用改进的边缘检测蚁群算法对大米粒形的检测效果较好,正确率较高,且具有适应性强、效率高等特点。     

基于多链量子蜂群算法的模糊聚类图像分割

针对传统模糊C-均值聚类算法对初始值和噪声敏感的缺点,提出了一种基于多链量子蜂群算法的模糊C-均值聚类算法。首先,将多链拓展编码方案应用到量子蜂群算法中,提出了多链量子蜂群算法;其次,利用多链量子蜂群算法来优化模糊C-均值聚类的初始聚类中心;最后,设计一种新的利用多链量子蜂群算法优化模糊C-均值聚类中心的图像分割算法。实验结果表明,所提出的基于多链量子蜂群算法的模糊C-均值聚类图像分割算法是有效的,相对于传统模糊C-均值聚类算法及基于模糊的人工蜂群算法,所提算法在分割正确率、分割速度及鲁棒性上均更有效。     

基于模糊集的蚁群聚类算法的改进

改进了LF算法,提出了一种基于模糊集理论的蚁群聚类新方法。首先定义了平均距离,其次在“相似”的概念上引入模糊集理论,定义了数据对象与其邻域内对象相似程度的隶属函数,最后该数据对象的拾起或放下由隶属度与置信水平λ相比较来决定。该算法避免了LF算法中不相似的数据对象本该被拾起而可能未被拾起,相似的数据对象本该被放下而可能未被放下的弊端,并简化了LF算法。     

基于蚁群的图像情感特征聚类算法的研究

随着图像检索系统的发展,合理地组织和管理图像数据库已经逐渐成为图像检索的关键。首次将蚁群聚类算法应用在基于图像特征的情感聚类分析中,并对原有的蚁群聚类算法进行了改进。该算法通过计算样本间的欧式距离确定起始蚂蚁,模拟蚂蚁对食物的捡起和丢弃行为,根据提取的图像主颜色特征,对图像情感进行聚类。实验表明该算法能够取得较好的聚类效果和较高的检索效率。