灰度图像最小误差阈值分割法的二维推广

一维最小误差阈值法假设了目标和背景的灰度分布服从混合正态分布. 考虑到噪声等因素对图像质量的影响, 本文在二维灰度直方图上, 基于二维混合正态分布假设, 给出一维最小误差阈值法的二维推广表达式. 为了提高算法的运行速度, 也给出了快速递推算法. 实验表明, 二维最小误差阈值法是一个有效的图像分割算法, 能够更好地适应目标和背景方差相差较大的图像及噪声图像的分割问题.     

结合改进遗传算法与局部阈值法的指纹图像分割

在改进型遗传算法和局部阈值法的图像分割技术基础上,提出一个相互融合的方法。与融合前的2种算法相比,改善了由于图像边界分割不完全和局部模糊不清造成无法分割的问题。实验结果表明:这种融合的方法比单独使用1种方法分割效果更好。     

改进遗传算法在最小错误图像分割法中的应用

传统自适应遗传算法有可能使问题求解陷入局部最优解,而求得错误的图像分割阈值。为了得到最优的图像分割阈值,提出了改进遗传算法在最小错误图像分割法中的应用。改进的算法重新构建了交叉率和变异率的计算公式,使得交叉率和变异率在任何情况下都不为零。算法使用误差最小函数作为适应度函数,采用选择、交叉、变异等遗传操作搜索最优分割阈值。实验结果表明,改进遗传算法应用到最小错误图像分割法中,减少了运算时间,提高了分割准确度。     

3维自适应最小误差阈值分割法

为解决现有算法无法有效解决被多种噪声干扰的图像的阈值分割问题,本文提出了3维最小误差阈值法。该方法充分考虑图像像元点之间的灰度相关信息,结合图像灰度、均值和中值信息,构造出3维观测空间。然后基于相对熵定义出3维最佳阈值判别式。同时为了提高算法的处理速度,提出基于分解的快速实现方法,将3维阈值的求解分解成三个1维阈值的求解,其时间复杂度降为O(L),空间复杂度降为S(L)。实验结果分析表明,在不同噪声环境及非均匀光照条件下,尤其对多种噪声干扰的图像,与现有方法相比,文中算法均取得了更好的分割效果。     

采用最小误差阈值分割算法的基因芯片图像分析

为了能够较好地处理芯片图像,尽可能准确地提取出描述基因样点的数据信息,采用了最小误差阈值的分割算法.该方法在假设目标和背景的分布服从混合正态分布的前提下,设定了最小误差分类目标函数,通过求得使目标函数值最小的最佳分割阈值,实现基因样点和背景图像的分割.针对分割出来的基因样点图像提取特征数据,最后对这些数据进行聚类分析,进而对实验样点进行分类.在实验中应用该方法分析了2组基因芯片图像,基因样点的分类效果较好,验证了该基因芯片分析方法的可行性.     

自适应最小误差阈值分割算法

对二维最小误差法进行三维推广, 并结合三维直方图重建和降维思想提出了一种鲁 棒的最小误差阈值分割算法. 但该方法为全局算法, 仅适用于分割均匀光照图像. 为 提高其自适应性, 本文采用Water flow模型对非均匀光照图像进行背景估计, 以此获 得原始图像与背景图像的差值图像, 达到降低非均匀光照对图像分割造成干扰的目的. 为进 一步提高分割性能, 本文对差值图像采用γ 矫正进行增强, 然后采用鲁棒最小误差 法进行全局分割, 从而完成目标提取. 最后本文对均匀光照下以及非均匀光照下图像进行了 实验, 并与一维最小误差法、二维最小误差法、三维直方图重建和降维的Otsu阈值分割 算法、灰度波动变换自适应阈值方法以及一种改进的FCM方法在错误分割率和运行时间上进 行了对比. 实验结果表明, 相对于以上方法, 本算法的分割性能均有明显提升.     

粒子群优化在图像最小误差阈值化中的应用

提出了一种基于粒子群优化（PSO）的图像最小误差阈值化方法。将粒子群优化算法应用于图像最小误差阈值化中,克服了常规最小误差阈值化计算量大的缺点。实验证明该算法能有效降低常规图像最小误差阈值化的计算量,与遗传算法相比,该方法有更好的收敛性和稳定性。     

基于遗传算法的图像阈值选取

阈值分割是图像分割中的一种常用的方法,传统的OTSU阈值化方法对信噪比较低的图像分割效果不理想,而二维最大类间方差法充分利用像素与领域的空间相关信息,能够产生较为满意的分割结果,但运算量大大增加,文中采用遗传算法,通过编码、选择、交叉、变异等操作对二维最大类间方差法进行了优化,试验结果表明,遗传算法可以大大提高运算速度,对算法的优化效果十分明显。     

一种改进的二维最小误差闭值分割方法

二维最小误差(TME)阈值法是一种有效的图像分割方法,但该方法计算复杂度高,难以实时处理,且该算法受噪声影响较大.针对此问题,提出了一种改进的TME阈值分割方法.首先,将传统的3×3模板分成互补的两个模板:十字模板和4-角域模板,并用这两个模板分别对原图像进行中值滤波得到两幅图像;然后,用两幅图像创建二维直方图并对其进行分割,以获得更好的分割性能;最后,对TME阈值选取公式进行简化得到最简公式,并利用此最简公式和其在二维直方图上的计算特性构建新型的快速算法,以便降低计算复杂度.仿真实验结果表明,与当前TME 阈值分割方法相比,所提方法不仅分割效果更好、稳定性更强,而且运行速度更快,占用的存储空间更少.     

基于遗传算法的图像分割阈值选取

图像分割是图像处理和计算机视觉的重要研究领域.基于图像的灰度级特征,以目标和背景最大程度地分开为判据,文章提出了一种简捷的自动识别最优阈值的方法,该方法将遗传算法引入图像分割,利用遗传算法具有的快速寻优特点,优化了求解阈值的过程,对更多图像都可以给出最佳的阈值,达到较好的图像分割效果,大大缩短了计算时间.     

An efficient method for multilevel color image thresholding using cuckoo search algorithm based on minimum cross entropy

Among various thresholding methods, minimum cross entropy is implemented for its effectiveness and simplicity. Although it is efficient and gives excellent result in case of bi-level thresholding, but its evaluation becomes computationally costly when extended to perform multilevel thresholding owing to the exhaustive search performed for the optimum threshold values. Therefore, in this paper, an efficient multilevel thresholding technique based on cuckoo search algorithm is adopted to render multilevel minimum cross entropy more practical and reduce the complexity. Experiments have been conducted over different color images including natural and satellite images exhibiting low resolution, complex backgrounds and poor illumination. The feasibility and efficiency of proposed approach is investigated through an extensive comparison with multilevel minimum cross entropy based methods that are optimized using artificial bee colony, bacterial foraging optimization, differential evolution, and wind driven optimization. In addition, the proposed approach is compared with thresholding techniques depending on between-class variance (Otsu) method and Tsalli’s entropy function. Experimental results based on qualitative results and different fidelity parameters depicts that the proposed approach selects optimum threshold values more efficiently and accurately as compared to other compared techniques and produces high quality of the segmented images.     

一种基于改进遗传算法的图像分割方法*

为了自动确定图像分割的最佳阈值,提出了一种基于改进遗传算法的图像分割方法,即利用这种改进遗传算法对二维Otsu图像分割函数进行全局优化,该方法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,最后得到图像分割的最佳阈值,克服了传统遗传算法的收敛性差、易早熟等问题。在理论分析和仿真数据实验中,与二维Otsu图像分割法和基于基本遗传算法的图像分割法相比,使用该方法得出的阈值范围更加稳定,阈值计算时间有极大的提高,更能满足图像处理的实时性要求。     

一种改进微粒群算法的图像阈值分割方法

以Kittler和Illingworth准则函数作为评价函数,提出了一种利用最小误差法和改进微粒群算法对图像进行阈值分割的方法IPSO（Improved Partical Swarm Optimization）。为了改善PSO算法,特别是在收敛速度方面的局限,IPSO算法引入遗传算法的择优思想对基本微粒群算法进行改进,使得改进后的IPSO算法具有快速的全局搜索能力。实验结果表明,对于灰度分布较复杂的图像,改进的IPSO算法不仅降低了运算开销,而且获得了满意的图像分割效果。     

改进的遗传算法在医学图像中的应用

针对标准的遗传算法（ GA）在优化Otsu法求取图像阈值时出现收敛速度慢、易早熟等问题,提出了一种改进的GA用于图像分割。该算法根据种群不同的进化代数和个体适应度的大小,动态地调整精英选择策略和遗传算子,从而提高了算法的收敛速度、得到了范围稳定的图像分割阈值,且保持了种群多样性。将该算法应用于医学图像分割,实验结果表明：该算法可以对医学图像进行分割且效果明显。     

一种基于遗传算法的最小交叉熵阈值选择方法

最小交叉熵阈值法(MCET) 在二级阈值中是有效的, 但在多极阈值的穷尽搜索中却要付出昂贵的时间代价. 鉴于此, 提出一种基于遗传算法(GA) 的MCET选择方法: 在执行图像分割(IS) 任务之前, 先将IS 转化为在一定约束 条件下待优化的问题; 在寻找待优化问题最优解的计算过程中引入一种回归设计技巧以存储中间结果; 使用这种回 归设计技巧, 在一组标准测试图像上利用GA搜索待优化问题的最优解. 实验结果表明, 利用所提出的方法获得的多 个阈值非常接近于穷尽搜索获得的结果.

     

基于IGA与GMM的图像多阈值分割方法*

为了实现图像的有效分割,提出了一种自适应多阈值图像分割方法,能够自动获得最佳分割阈值数目和阈值。该方法对灰度直方图进行合适尺度的连续小波变换,将小波变换曲线中幅值为负的波谷点构成阈值候选集;再应用免疫遗传算法从阈值候选集中选取准阈值,准阈值的个数对应为最佳分割类数;根据准阈值构建灰度直方图的高斯混合模型,由最小误差准则求得分割阈值。仿真实验表明,该方法能够实现图像的自动多阈值分割,能够得到很好的分割结果且分割效率高,在多目标图像分割中能够得到很好的应用。     

灰度图像二维Otsu折线阈值分割法

Otsu法是一个应用较为广泛的阈值分割方法。为实现图像较为精确的分割,充分考虑边界的影响,从二维线阈值分割替代传统的点阈值分割思想出发,提出了折线阈值型Otsu法。该方法以对边界信息的迭代分割的手段获得实际用于分割的二维折线阈值。仿真结果表明,该方法能够获得优于原始Otsu法的分割效果,特别适用于边缘丰富的图像分割,具有较好的分割普适性。