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.     

EM与PSO算法在图像统计模型拟合中的应用

针对期望最大值算法(EM)对图像统计模型初始值敏感和容易陷入局部极值的弱点,结合粒子群优化算法(PSO)全局寻优的特点,提出一种有效解决此问题的EM-PSO混合算法.该算法将粒子分为最优种群和进化种群,分别用EM算法和PSO算法进行更新.然后选取最优粒子群作为EM算法的初始值.仿真结果表明,用EM-PSO算法拟合图像统计模型比用EM算法拟合图像统计模型更准确.     

基于2维鲸鱼优化加权的WGG-Otsu算法的钢板表面缺陷图像分割

相对于1维Otsu算法,2维灰度级-梯度Otsu算法的抗噪声能力有所增强,但对受噪声影响较大的钢板表面缺陷图像的分割精度仍不高,且分割效率较低.为提高钢板表面缺陷图像分割的精度和效率,提出2维鲸鱼优化加权的灰度级-梯度Otsu算法. 2维鲸鱼优化加权的灰度级-梯度Otsu算法能增大分布概率较低的阈值类间方差,减少背景与目标间差异对分割的影响.仿真实验结果表明,4种算法中,2维鲸鱼优化加权的灰度级-梯度Otsu算法的分割精度及效率均最高.     

基于高斯混合模型的腹主动脉图像分割

为了有效地分割腹主动脉图像,提出了基于适度空间约束的高斯混合模型分割算法.该算法将三维空间邻域信息融入高斯混合模型中,利用最大期望算法(EM)获取腹部血管灰度图像的估计参数,从而分割出血管图像.实验结果表明:所提出的方法不仅能准确地分割腹主动脉的血管分支图像,而且对于图像噪声的抑制有较好的效果.     

图像灰度级相关图及应用

以目标背景相近的图像分割为例,分析图像中的各灰度级像素点分布信息与灰度级的关系,研究该信息的获取和累加方法,提出一种基于该信息的分割方法,该方法对目标和背景峰重叠的图像分割是有效的.     

基于二维灰度熵及混沌粒子群的图像阈值选取

为了同时考虑直方图的概率信息和类内灰度级的均匀性,提出了基于灰度级-梯度二维直方图的Shannon灰度熵及Tsallis灰度熵阈值选取方法.给出了Shannon灰度熵和Tsallis灰度熵的定义及其一维阈值选取方法,导出了二维Shannon灰度熵及Tsallis灰度熵阈值选取公式及其快速递推算法,并利用混沌粒子群算法寻求两种阈值选取方法的最佳阈值.实验结果表明,与基于改进的二维最大熵及粒子群递推的阈值选取方法相比,所提出方法的分割图像能更准确地反映原始图像的边缘、纹理及细节信息.     

基于QPSO的图像分割算法

文章将具有量子行为粒子群优化(QPSO)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QPSO算法自适应选取分割阈值;仿真实验针对Lena图像分割问题,将标准粒子群优化(PSO)算法与QPSO算法分别独立运行,仿真结果表明,基于QPSO优化的图像分割算法不仅克服了PSO容易过早陷入局部最优值的缺点,而且分割速度更快,是一种更有效的分割方法.     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

基于最大区域互信息量的生物细胞图像分割

针对基于互信息量的阈值分割算法没有考虑像素的空间结构信息以及分割后图像与原图像之间关系的问题,提出了一种基于最大区域互信息量的图像分割算法.以区域互信息量作为目标函数,综合考虑图像各像素的邻域数据以及图像内在空间信息,利用粒子群算法找出图像分割的最佳阈值,克服了基于最大互信息量分割方法的不足.     

基于择优对称粒子群优化的 Otsu肺实质分割算法

为了提高肺实质分割算法的运行效率,提出了一种基于择优对称粒子群优化的Otsu肺实质分割算法.首先在传统粒子群优化的Otsu算法基础上,引入自然选择机制,保留适应度较好的优秀粒子,其次对适应度较差的粒子采用对称分布的方式进行修正,从而优化粒子群的空间分布状态,使算法能够更高效地收敛到全局最优解,最后实验结果表明,改进后的粒子群算法寻优精确度和运算效率均得到提高,与Otsu算法相结合后,在传统粒子群优化的Otsu算法的基础上,进一步提高了肺实质分割效率.     

面向红外视频图像的火焰识别

针对红外图像的火焰识别,采用基于粒子群优化算法的二维最大熵阈值选取方法,选取最佳阈值对红外图像进行分割,使可疑区域从背景中分离出来.选择物体的高度作为特征量,采用标准模板序列,设计两层模糊分类器分析物体的高度变化和灰度分布,给出可疑目标隶属于火焰的评价.实验证明,这种结合火焰动、静特性的算法鲁棒性强,识别率及灵敏度较高,适用于广范围的火灾监控.     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

Fuzzy entropy image segmentation based on particle swarm optimization

Particle swarm optimization is a stochastic global optimization algorithm that is based on swarm intelligence. Because of its excellent performance, particle swarm optimization is introduced into fuzzy entropy image segmentation to select the optimal fuzzy parameter combination and fuzzy threshold adaptively. In this study, the particles in the swarm are constructed and the swarm search strategy is proposed to meet the needs of the segmentation application. Then fuzzy entropy image segmentation based on particle swarm optimization is implemented and the proposed method obtains satisfactory results in the segmentation experiments. Compared with the exhaustive search method, particle swarm optimization can give the same optimal fuzzy parameter combination and fuzzy threshold while needing less search time in the segmentation experiments and also has good search stability in the repeated experiments. Therefore, fuzzy entropy image segmentation based on particle swarm optimization is an efficient and promising segmentation method.     

一种基于PSO-ABC的全局优化算法

针对粒子群算法和蜂群算法在寻优中存在的一些早熟和收敛速精度不高等问题,论文分别时粒子算法和蜂群算法的更新策略以及更新公式进行了改进,利用改进的粒子群算法和改进的蜂群算法同时对一个粒子位置进行部分算术更新的方法,提出了一种新混合的优化算法.并将其在12个多极值基准函数进行全局最优化测试,实验结果表明,笔者提出的混合优化算法收敛的速度和收敛精度大大提高了,其性大大优于改进的粒子群算法（CLPSO算法）和人工蜂群算法,对于高、低维复杂函数的优化均适用.     

一种基于粒子群优化的K-均值彩色图像量化算法

目的利用粒子群优化算法和K-均值方法研究彩色图像的量化问题。方法针对K-均值聚类量化算法对初始值比较敏感,易陷入局部极小值从而使得算法得不到全局最优解,为局部搜索算法,以及粒子群优化算法是一种全局寻优方法的特征,把K-均值聚类方法和粒子群优化算法结合起来,将K-均值聚类方法中的聚类函数作为粒子群优化算法中的粒子适应度函数,对彩色图像进行聚类量化。结果实验表明新算法在峰值信噪比和均方根误差评判准则下可以得到更好的量化结果。结论新方法有效地克服了K-均值聚类方法和粒子群优化算法的不足。     

基于遗传粒子群的图像融合算法及应用

为改善传统图像融合方法对细节信息的丢失,提出了一种基于遗传粒子群算法（geneticalgorithmofparticleswarmoptimization,GAPSO）的图像融合方法,该算法应用于像素级的图像融合,使图像融合问题归结为最优化问题．该算法结合遗传算法和粒子群算法的优点,对标准粒子群算法进行了改进,将交叉与变异算子引入到标准粒子群算法,提高了该算法的收敛性能和全局求解能力．实验结果表明,该算法获得的评价指标都优于遗传算法和PSO算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量．     

基于粒子群优化的独立分量分析算法研究

在分析独立分量分析算法的基础上,给出了一种基于粒子群优化的独立分量分析算法。该算法以互信息量最小化为目标函数,通过对粒子群位置矢量和速度矢量更新的改进,得到全局最优值,从而得到分离矩阵。仿真实验表明,基于粒子群优化的独立分量分析算法是一种非常有效的盲源分离算法。     

基于粒子群优化算法的宽带频谱感知方案设计

针对宽带频谱感知问题,构建了系统优化模型.该模型通过寻找最优的权重系数,提高最大化系统吞吐量.考虑到优化模型目标函数的非凸性,提出基于粒子群算法的求解方法.对比分析了次级用户数目、采样点数目以及子频段数目等参数对宽带频谱感知算法性能的影响,仿真结果验证了该算法的有效性.     

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.