结合灰色理论和粒子群算法的归一化图像分割*

为了对多目标图像进行有效分割,使用灰色关联分析来衡量像素点间的相似性,并将normalized cut准则推导为双闽值分割准则,最后使用粒子群算法优化该准则,得出最佳的分割阈值.实验表明该方法计算速度快,能有效分割多目标图像.     

粒子群算法优化归一化划分的彩色图像分割

为克服谱聚类算法求解归一化彩色图像划分时计算复杂度高、寻优能力差的不足,先对彩色图像各通道进行模糊C均值聚类,综合各通道聚类结果获得待分割图像,构造无向带权图;再使用二进制离散化粒子群算法替代谱聚类算法求解归一化划分准则的最小值,最后通过最优粒子获得分割结果。实验表明该方法耗时少,能完整准确地提取彩色图像中的目标。     

基于归一化割的自适应多阈值图像分割方法

基于图谱理论的图像闽值分割方法是一种基于全局的单阈值分割方法,其对复杂图像的分割效果不明显,而且其采用的权值计算公式中含有两个需手动调整的参数,这些都限制了该算法的通用性.据此提出基于归一化割的自适应多阈值图像分割方法,它通过几个阈值来分割复杂图像,并且采用了一个自适应权值计算公式,提高了该方法的通用性.大量的实验结果表明该方法具有很好的分割效果,可以保留更多的图像细节.     

基于分解的二维renyi熵阈值分割方法中参数自适应选取

针对基于分解的二维renyi熵阈值分割方法中参数α的取值问题,根据均匀性测度这一图像分割质量评价指标,利用粒子群搜索方法,提出了一种自适应选取α的方法。实验表明,所提出的方法不但可以针对不同的图像有效地选取参数α值,得到理想的图像分割结果,而且还可以将二维renyi熵参数自适应选取算法的计算复杂度由O(L6)降为O(L2),计算时间约为二维renyi熵参数自适应选取分割算法的1/10000。     

一种新颖的Ostu图像阈值分割方法

二维Ostu方法同时考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法.针对二维Ostu方法计算量大的特点,采用含维向量变异量子粒子群算法,计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异:让所有粒子在该维上的位置重新均匀分布在可行区域上,来搜索最优二维阈值向量,每个粒子代表一个可行的二维阈值向量,通过各个粒子的飞行来获得最优阈值.结果表明,所提出的方法不仅能得到理想的分割结果,而且计算量大大减少,达到了快速分割的目的,便于二维Ostu方法的实时应用.     

基于改进粒子群算法的二维阈值图像分割

二维Otsu方法同时考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法。针对二维Otsu方法计算量大的特点,采用量子粒子群算法来搜索最优二维阈值向量, 每个粒子代表一个可行的二维阈值向量,通过各个粒子的飞行来获得最优阈值。结果表明,所提出的方法不仅能得到理想的分割结果,而且计算量大大减少,达到了快速分割的目的,便于二维Otsu方法的实时应用。     

基于量子粒子群算法的Ostu图像阈值分割

二维Ostu方法同时考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法.针对二维Ostu方法计算量大的特点,采用量子粒子群算法来搜索最优二维阈值向量,每个粒子代表一个可行的二维阈值向量,通过各个粒子的飞行来获得最优阈值.结果表明,所提出的方法不仅能得到理想的分割结果,而且计算量大大减少,达到了快速分割的目的,便于二维Ostu方法的实时应用.     

基于混合PSO CS算法的彩色图像多阈值分割

彩色图像分割是数字图像处理的一个难点。本文研究群体智能算法对彩色图像的分割,针对布谷鸟算法莱维飞行寻优的跳跃性带来的缺陷,在每次莱维飞行结束后引入一种改进的粒子群位置变异方程引导寻优,并对发现概率和步长因子分别提出新的自适应方程,在此基础上提出一种混合粒子群布谷鸟算法（HPCS）,以此混合算法进行彩色图像多阈值分割。实验结果表明,本文提出的HPCS算法在彩色图像分割的效率和质量方面均比较理想。     

基于粒子群优化算法的阈值图像分割研究

研究将群体智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值.仿真实验针对Lena图像分割问题,将遗传算法与粒子群优化算法分别独立运行,对得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标.统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短.仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的.     

基于归一化边缘互信息与自适应加速粒子群的图像配准方法

传统的归一化互信息配准方法未利用图像的空间信息,当图像中混有一定噪声时,会出现误配准。边缘是图像最基本的特征之一,为了改进归一化互信息方法,提高图像配准的精度,加快收敛速度,将图像的边缘信息与灰度信息自适应地结合,形成归一化边缘互信息测度(NCMI),提出一种基于加速因子的自适应加速粒子群优化算法(AAPSO)来优化基于NCMI测度的图像配准。AAPSO算法通过对解排序,将指定数量的劣解进行进化加速来引导粒子的飞行,并对自适应惯性权重公式加以改进,提高了算法的收敛性,防止早熟收敛并增加优化解的多样性,同时加入加速因子来提高收敛速度。实验结果表明,该方法配准精度高,速度快,具有较强的实用性。     

基于鱼群算法优化normalized cut的彩色图像分割方法

为了克服传统的谱聚类算法求解normalized cut彩色图像分割时,分割效果差、算法复杂度高的缺点,提出了一种基于鱼群算法优化normalized cut的彩色图像分割方法.先对图像进行模糊C-均值聚类预处理,然后用鱼群优化算法替代谱聚类算法求解Ncut的最小值,最后通过最优个体鱼得到分割结果.实验表明,该方法耗时少,且分割效果好.     

差分演化优化Ncut准则的彩色图像分割

针对解Ncut准则的SM算法寻优能力不足的问题,提出一种基于差分演化优化归一化准则的彩色图像分割算法。首先对彩色图像进行爬山法预分割为多类,并构造类级间的无向完全图,之后再使用二进制差分演化算法求得Ncut准则最小化的图二分,最后通过映射获得图像的二值分割。实验结果表明,在相同预处理情况下,本文的寻优算法与SM算法相比,分割效果更为精准。     

基于灰色Tsallis熵的SAR图像快速分割*

针对SAR图像斑点噪声及分割速度慢的问题,提出一种基于灰色理论和Tsallis熵的SAR图像快速分割方法。该方法首先对待分割图像进行小波变换,将表征图像概貌信息的低频部分重构为概貌图像,表征图像细节和边缘的高频部分重构为细节图像,并建立了相应的概貌—细节共生矩阵模型;然后利用灰色理论和Tsallis熵设计了基于该共生矩阵的灰色Tsallis熵模型,用于求解最优分割阈值;同时,为加快阈值搜索速度,引入群体智能中的粒子群优化算法。实验结果显示,新方法在抗噪性、分割速度和灵活性三个方面均有明显提高。     

基于最小割的极化特征图像分割

针对极化合成孔径雷达(SAR)所固有的斑点噪声很难分割出精确结果的问题,提出了一种基于图论的极化SAR图像分割方法。该方法结合极化SAR的多个极化特征, 用K均值聚类算法得到像素的初始标号,然后建立一个关于标号的能量函数并构造相应的网络,用最小割方法求取网络中全局能量函数的近似最优解,由此得到每个像素点的恰当标号,最终完成图像的准确分类。该方法与传统的分割方法相比,能够充分考虑极化SAR图像的全局信息和极化特征对图像进行精确的分割。实验结果证明,该算法具有较好的分割效果。     

多尺度Retinex方法在车辆胎痕图像增强方面的应用

轮胎印痕图像增强是进行车辆胎痕图像特征点提取及匹配最为关键的预处理阶段。以一次事故中现场拍摄衣物上的轮胎痕迹为研究对象,针对一些传统的图像增强方法的不足,提出了基于多尺度Retinex轮胎痕迹增强方法。为了进行对比,实验中还引入单尺度Retinex算法。实验结果表明：算法能提高胎痕图像对比度且能显著增强图像细节,且较单尺度的Retinex算法,在实现压缩动态范围的同时具有较高的色彩保真度,得到了期望的图像效果。     

基于分数阶达尔文粒子群FODPSO算法的图像分割

图像分割主要用于提取用户感兴趣的目标,是图像分类和识别的基础。采用一种基于分数阶达尔文粒子群算法的图像分割方法,该算法采用分数阶微积分控制系统收敛性,能够对n尺度图像进行n-1个阈值寻优计算。实验结果表明,对比于APSO、CFPSO算法,该算法具有收敛速度快、稳定性强、精度高、全局寻优等特点,有效地克服了传统算法易陷入局部最优和收敛速度慢等缺陷,可满足实际工程需求。