改进乌鸦算法的二维Tsallis熵多阈值图像分割算法

针对二维Tsallis熵在多阈值图像分割算法中计算量大、计算时间长等问题,提出一种基于改进乌鸦搜索的二维Tsallis熵多阈值图像分割算法。在乌鸦位置更新过程中引入Levy飞行机制,提高全局寻优能力;根据迭代次数自适应调整尺度系数,限制Levy飞行的搜索范围,加快算法收敛速度;将改进乌鸦搜索算法与二维Tsallis熵结合,减少计算时间、提高分割精度。以经典伯克利分割数据库中的图像为例进行分割实验,结果表明,与其他经典算法相比,改进乌鸦搜索算法分割图像收敛速度快、计算时间短、分割准确度更高。     

基于蛙跳算法与Otsu法的图像多阈值分割技术

 为了快速准确地确定多阈值图像分割中的最佳阈值,提出了一种基于蛙跳算法与Otsu法相结合的多阈值图像分割方法.该方法将多阈值求解看作一种多变量的组合求解优化问题,利用多阈值Otsu法设计分割目标函数,将新兴的仿生学优化求解算法——蛙跳算法引入到图像分割技术中,通过蛙跳算法中全局搜索和局部搜索相结合的搜索机制并行求解多个阈值.实验结果表明,该方法与基于人工鱼群算法的图像多阈值分割方法相比,明显提高了图像分割速度和分割质量.     

基于混沌粒子群优化算法的二维熵图像分割方法

针对二维熵图像分割方法在求取最佳阈值时存在计算量大及微粒群算法容易陷入局部最优且速度较慢等等问题,提出了基于混沌粒子群优化算法的二维熵图像分割方法。该方法考虑了图像中像素点灰度——邻域灰度均值对作为阈值对图像进行分割;利用混沌运动随机性、遍历性和初值敏感性,将混沌粒子群优化算法与阈值法相结合在二维空间作全局搜索。实验结果表明了基于混沌粒子群优化算法的二维熵图像分割法用于阈值寻优减少了搜索时间,提高了收敛率。     

基于Renyi熵与PSO算法的图像多级阈值分割

在图像阈值分割方法中,Renyi熵法因其显著效能而得到大量应用.为了更好地发挥Renyi熵在图像分割中的应用,提出把Renyi熵法扩展到图像多级阈值化问题.然而,由于计算时间复杂度上的高要求,很难把这种有效的技术推广到复杂图像多级阈值化问题.为减少本方法的计算时间,应用粒子群优化算法实施最佳阈值的搜索.实验结果表明,本方法能有效地对图像进行多级分割,并且显著降低计算时间.     

基于自适应布谷鸟搜索算法的Tsallis熵阈值图像分割

针对现有图像分割算法中计算复杂度大的问题,提出一种基于自适应布谷鸟(adaptive cuckoo search,ACS)算法的Tsallis熵阈值图像分割方法,能够改善学习过程和收敛速度,减少分割时间.该方法使用Tsallis熵作为ACS的适应度函数值,实现无参数搜索过程,在搜索空间中使用当前位置的知识来自适应步长,最后使用ACS最大化Tsallis熵来获得最优阈值,得到分割图像.实验结果表明,该文方法能够有效实现图像分割,且分割时间低于粒子群优化算法、布谷鸟搜索算法和改进布谷鸟搜索算法,结构相似性(Structural Similarity, SSIM)和收敛成功率高于其他算法.     

基于改进蜉蝣算法优化多阈值图像分割

针对图像多阈值分割中存在分割效率低、计算时间长以及精度不高等问题,提出了一种基于改进蜉蝣算法的多阈值图像分割算法。首先,在初始化阶段引入类随机采样方法中的 Sobol 序列,增强种群的遍历性和多样性;其次,提出一种自适应非线性惯性权重,平衡了全局与局部寻优能力,提高了算法的收敛效率,利于种群向最优解逼近;最后,采用指数熵作为计算适应度的目标函数,通过改进蜉蝣算法对图像分割的多阈值组合进行寻优,确定最优分割阈值。为了验证该改进算法的有效性,选择了伯克利图像来进行分割验证,并与其他智能算法进行比较。实验结果表明：该改进算法在分割准确性、计算时间、SSIM和PSNR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,具有较强的工程实用性。     

二维Tsallis熵阈值法中基于粒子群优化的参数选取

针对二维Tsallis熵阈值分割法中参数q的选取问题,提出一种粒子群优化算法自适应选取参数q的方法.该方法基于一种图像分割质量评价指标—均匀性测度,利用粒子群优化算法对参数q在参数空间进行优化搜索,从而实现了二维Tsallis熵阈值分割法的自动阈值选取.实验表明,所提出的方法可以根据具体的图像有效地选取参数q,获得理想的图像分割结果.     

模糊2-划分熵阈值法的快速迭代算法

基于模糊划分熵的图像阈值化分割方法因具有良好的分割性能已成为图像分割广泛应用的方法之一.但是,随其需要确定的隶属函数参数个数的增加,导致其搜索空间快速增大,不利用模糊划分熵阈值法在诸如机器视觉、目标检测等众多实时性要求较高场合的应用.提出了搜索模糊2-划分熵最佳分割阈值的快速迭代算法,使其计算复杂性从O(L3)降低为O(L).大量实验结果表明,提出的模糊划分熵阈值法所对应的快速迭代是可行的.     

递推人工蜂群的模糊划分熵多阈值分割算法

针对图像分割中模糊划分熵算法在多阈值选取时存在的效率低、计算重复的问题,提出了一种递推人工蜂群的模糊划分熵多阈值分割算法(RAFPEA).首先选择附加边界条件及灰度权重的隶属函数来构建图像的模糊熵模型,并将该模型中不同变量的组合计算转化为递推过程,进而保存此过程中不重复的瞬间递推值,然后引入人工蜂群算法,利用预存的递推结果来计算蜂群寻优时的个体适应度值,从而减少重复计算,达到快速寻优的目的.实验结果表明:RAFPEA的均一度与精确的穷举模糊划分熵法相同,但运行时间仅为穷举、遗传的模糊划分熵算法的5％;随着阈值数量的增加,运行时间稳定不变,在确保精度的前提下,可高效地对图像进行多阈值分割.     

基于分割图像最大信息量的阈值化算法

简述了目前利用熵的原理对图像进行阈值化分割的几种方法,把图像假设为L个符号的信息源,图像的分割类比于数据信号通过有扰信道过程,分割后的图像具有一定信息量,提出使分割后的图像具有最大信息量的阈值化方法。将图像背景与目标的条件概率假设为正态分布,利用贝叶斯公式估计出其后验概率,搜索使分割后的图像具有最大信息量的阈值,比较了新算法与其它基于香农熵算法的特点和分割性能。     

基于二维Arimoto灰度熵的图像阈值分割快速迭代算法

现有的Arimoto熵阈值法仅依赖于灰度直方图分布,且计算最佳阈值时需搜索整个解空间,效率不高.为此,文中提出了一种二维Arimoto灰度熵阈值分割的快速迭代算法.首先,提出了一维Arimoto灰度熵阈值选取的快速迭代算法;然后,考虑图像目标和背景的类内灰度均匀性,导出了基于灰度-平均灰度级直方图的Arimoto灰度熵阈值法,并给出了中间变量的快速递推公式;最后,提出了二维Arimoto灰度熵阈值选取的快速迭代算法,推导了相应的公式,大大减少了运算量.实验结果表明,文中所提算法运行速度快,分割性能优于现有的5种同类阈值分割算法,分割后图像中的目标完整,边缘纹理清晰,细节更为丰富.     

基于过渡区提取的多阈值图像分割

对基于过渡区提取的多阈值图像分割算法进行了研究．首先使用局部熵方法提取过渡区,然后构造对称非最大抑制滤波器检测过渡区直方图的多个峰值,最后使用考虑差异度与位面数的代价函数决定最优类别个数及多分割阈值．实验研究表明,算法得到的阈值准确、稳定,较好地解决了基于过渡区提取的图像分割方法中的多阈值分割问题,同时也为多阈值图像分割提供了一种新的思路．     

融合视觉模型和最大熵的阈值分割算法

针对传统二维最大熵阈值分割算法关于二维直方图的区域划分中存在的缺点(即图像的部分目标点和背景点错误划分为边缘点或噪声点,而把部分边缘点和噪声点划分为目标点和背景点)以及搜索最佳阈值向量的时间复杂度较高的缺点,提出了采用视觉模型构造二维直方图,并提出了一种二维直方图的新的区域划分方法,同时还提出了基于视觉模型的二维最大熵阈值分割算法,提出的阈值分割算法降低了计算复杂度的同时还具有很好的分割性能。根据一些图像分割的定量评价标准,做了一系列实验,与几种典型的二维阈值分割算法相比,提出算法的分割效果更好。     

基于遗传算法的阈值图像分割研究

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，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，提出了一种基于遗传算法的最大熵阈值图像分割方法。仿真实验表明，该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。     

基于改进遗传算法的FISH基因模糊自适应提取

为了快速准确地提取荧光原位杂交（FISH）图像中的荧光染色基因,提高临床医学上诊断病变的效率,针对FISH图像固有的模糊特征,提出了一种基于改进遗传算法的多维多阈值模糊自适应提取算法.首先根据灰度直方图的分布特性,提出相应的自适应窗宽选取算法,确定阈值搜索的范围;然后通过设计的模糊隶属度函数,将图像分割成若干不同的区域;最后采用最大模糊熵准则,并借助优化后的自适应遗传算法,寻找确保基因目标最大信息量的分割阈值.将分割结果与其他几种常用分割算法进行比较,并采用分类概率的数学测量方法定量分析,结果表明：在标准噪声干扰下,该算法的错误划分概率仅为0.042 1,可以更加准确和高效地对荧光基因进行提取.     

遗传算法在最大熵多阈值分割的应用研究

图像分割最大熵多阈值算法存在计算复杂度高的弊端,目前针对这个问题所提出的各类算法效果都不太理想。依据遗传算法种群多样性好、收敛速度快的特点,本文将遗传算法应用到图像分割中,提出了一种基于最大熵多阈值分割技术的图像分割算法。仿真实验表明,新算法不仅能够对图像进行准确的分割,而且运行时间明显少于传统的分割算法。     

改良遗传算法在图像多阈值分割中的应用

最大熵原则是图像阈值分割的一个重要方法、但是用此方法进行多阈值分割时，存在着计算开销巨大的问题．笔者在M．Srinivas的自适应遗传算法基础上提出一种改良的遗传算法，用于基于模糊最大熵图像多阈值分割，克服了此分割方法计算量大的问题．通过实验，比较了改良遗传算法和M．Srinivas自适应遗传算法及模拟退火算法，显示了改良遗传算法的有效性．     

遗传算法在最大熵多阈值分割的应用研究

图像分割最大熵多阈值算法存在计算复杂度高的弊端,目前针对这个问题所提出的各类算法效果都不太理想.依据遗传算法种群多样性好、收敛速度快的特点,将遗传算法应用到图像分割中,提出了一种基于最大熵多阈值分割技术的图像分割算法.仿真实验表明,新算法不仅能够对图像进行准确的分割,而且运行时间明显少于传统的分割算法.     

基于粗糙熵和K-均值聚类算法的图像分割

针对基于粗糙熵的图像分割算法不能满足复杂图像的多类目标提取的需要,本文先利用K-均值聚类算法对图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阈值分割的目的。通过对遥感图像进行分割处理,证明了改进后算法的有效性。     

基于RCPSO和灰度级-梯级二维Tsallis熵的图像分割

首先提出了基于灰度级-梯度二维Tsallis熵法,以提高分割结果的准确性,然后利用混沌粒子群优化算法寻找分割阈值,最后提出递推方法以减少迭代过程中适应度函数的大量重复计算.实验结果表明,基于递推混沌粒子群优化算法(RCPSO)和灰度级-梯级二维Tsallis熵法及不仅尽可能地考虑了所有目标点和背景点,使分割后的图像区域内部均匀、边界形状准确、特征细节清晰,而且粒子群处理的计算效率和收敛精度进一步提高.