一种改进的印刷电路板缺陷检测分割算法

针对印刷电路(PCB)板缺陷检测分割中存在分割效果差、运行速度慢以及适用范围小的问题,提出一种改进的基于遗传算法的二维最大类间方差法的快速迭代算法。首先利用改进的遗传算法来确定分割中的最优阈值,再将这个最优阈值应用到二维最大类间方差法快速迭代算法中来确定最终的阈值最优解,从而完成分割。仿真实验表明,该算法分割的PCB图像,更加接近于人工标注的结果,最终的精度和Kappa系数达到了98.68%和0.970 6,具有广泛的应用前景。     

基于灰度迭代阈值的高分辨率影像分割研究

图像分割技术为遥感图像解译和分类的一种重要方法,目前主要应用在中分辨率影像中,由于高分辨率影像的信噪比低,直接进行图像分割,效果不佳．对2010年3月湖北省襄阳市高分辨率的快鸟影像,进行降噪处理及改进阈值策略来改善灰度迭代阈值法的图像分割效果．首先运用数学形态学的闭运算对影像进行降噪处理,然后采用灰度迭代阈值法和最大类问方差法的图像分割对影像进行分割对比研究．结果表明,灰度迭代阈值法在时间效率及影像分割效果方面优于最大类间方差法．     

基于图像二值化的柔性机构振动非接触测量方法

 针对目前机器视觉方法对柔性机构振动进行非接触测量时其结果易受环境干扰等问题，提出一种基于图像二值化的最大类间方差算法的非接触视觉测量方法。首先分析传统二维最大类间方差算法的错分与计算复杂等缺陷，采用二维直方图分块法和可变步长迭代法对传统二维最大类间方差算法进行改进，然后以Lena图像和柔性机械臂为例分别进行了仿真分析和振动位移测量实验验证。结果显示，基于改进二维最大类间方差算法的非接触视觉测量方法显著提高了图像分割效果，分割时间仅为传统二维最大类间方差算法的约10%；以仿真分析得到的柔性机械臂末端振动位移为评判标准进行测量准确性比较，基于改进二维最大类间方差算法的测量结果明显优于传统二维最大类间方差法和压电法，证明了基于图像二值化的最大类间方差算法的柔性机构振动非接触视觉测量方法的可行性和可靠性。     

基于最小类内方差的快速阈值分割算法

最小类内方差法分割图像时需要计算二次统计量,运算量大,效率不高。以减小运算量为目标,对最小类内方差的方法进行改进,提出一种基于最小类内方差的快速闪值分割算法。从图像的灰度直方图出发,推导出简单的迭代公式,然后利用基于最小类内方差的快速阈值分割算法求出阈值。该算法获取阈值速度快,实时性强,用所获取的阈值分割图像有较好的分割效果。理论分析和实验结果表明,该算法运算速度快,分割效果好,具有较高的实用价值。     

一种藻类养殖区自动化提取的Otsu优化算法

针对传统Otsu算法在藻类养殖区分布信息的自动化提取过程中存在欠/过分割、计算量大和运算效率低等问题,提出一种优化的藻类养殖区自动化提取Otsu算法(GA-Otsu).GA-Otsu算法在最大类间方差的基础上,引入类内方差,共同参与阈值选取,提高藻类阈值选取的准确性,并用遗传算法代替遍历法快速搜索最优解,实现藻类养殖区...     

基于最大熵的灰度阈值选取方法

图像分割是图像处理中的一个重要问题。在最大类间方差法和一致性准则法的基础上,运用最大熵原理来选择灰度阈值对图像进行分割。实验结果表明,本算法确定的阈值具有更佳的分割效果。     

白腐真菌的培养及其在染料污水脱色中的应用

阈值法是图像分割最为常用的方法之一,然而基于一维直方图的阈值方法分割结果容易受噪声的影响.基于二维直方图的二维Fisher准则能够克服一维阈值法缺陷,具有较好的分割性能.但是二维Fisher准则阈值法在求取最优阈值时需要大量的计算,运算速度非常慢.常用的二维Fisher准则阈值优化计算方法如粒子群算法和遗传算法容易陷入局部最优.杜鹃搜索算法是新近提出的一种元启发优化算法,一些经典的函数优化问题测试结果表明杜鹃搜索算法全局寻优能力优于粒子群算法和遗传算法.在介绍杜鹃搜索算法的基础上,提出一种基于杜鹃搜索算法改进的二维Fisher准则阈值分割方法.实验结果证明,提出的方法降低了基本二维Fisher准则阈值法最优阈值的寻找时间,提高了图像分割的实时性,是一种性能良好的图像分割方法.     

基于二维直方图的otsu图像分割算法改进

分析了灰度图像传统的二维最大类间方差otsu法,在此基础上改进了传统的阈值分割方法,提出了新的阈值分割输出函数,并通过压缩二维直方图预搜索的方法,使运算量大大降低.理论分析和实验结果表明,该方法不仅增强了识别能力,而且大大提高了分割效率.     

遗传算法在自动阈值图像分割中的应用研究

本文在分析最大类间方差法原理的基础上,提出一种简捷的自动阈值选取的图像分割算法,该方法把图像分割最佳阈值选取转换成优化问题,利用遗传算法的寻优高效性,将遗传算法引入求解最佳阈值,实现图像分割。实验证明,新算法不仅分割质量好,而且高效可靠,极大地缩短了寻优时间。     

基于Otsu理论的灰度图像分割算法研究和改进

Otsu算法是利用最大类间方差准则对图像像素进行阈值分割.二维Otsu算法是在一维Otsu算法的基础上提出的,但是其计算量大,且只有当图像每个类的像素数目接近彼此时才能得到满意的结果.对二维直方图重新划分,改变阈值的求解范围,提高分割准确率和减少阈值计算时间.实验结果表明该方法提高分割效率,对含噪声的图像分割效果较好.     

基于灰度直方图的快速K—MEAN图象分割算法

K-MEAN图象分割算法本质上是一种迭代运算,分割结果虽不受初始类中心的影响,但分割处理速度明显依赖于初始类中心的选择.对此,本文根据K-MEAN图象分割算法的原理,提出了基于灰度直方图的快速K-MEAN图象分割算法,该算法直接在灰度直方图上进行迭代运算,不仅减少了数据处理量,且无需人工确定初始类中心,图象分割只需简单的门限判别.理论分析和实验结果证实了该算法能明显加快迭代过程和提高处理速度.     

局部C V主动轮廓模型快速图像分割算法

经典的C V模型分割算法在处理较大尺寸图像时存在需多次迭代、运算时间长的缺点。在分析图像尺寸和初始逼近图像与获得稳定解的迭代次数与运算时间的关系的基础上,提出了一种改进的基于阈值分割及快速连通域标记算法的局部C V图像分割算法,对大尺寸图像进行处理。采用OTSU算法对图像进行初步的阈值分割,再利用快速非递归连通域标记算法进行连通域的标记及图像的局部分片。对分片后的小块图像以其阈值分割的结果作为初始逼近图像采用C V算法进行分割处理。算法分析及仿真结果证实,与经典C V算法相比较,改进的算法能够以很少的迭代次数和很短的运算时间达到稳定解,能够对含有丰富轮廓细节的大尺寸图像进行快速有效的处理。     

基于蚁群算法的最佳熵图像分割阈值方法

最佳熵阈值是最常用的图像分割算法之一,但是需要大量的运算时间,限制了其实际的应用范围.蚁群算法是一种新兴的仿生进化算法,已成功的应用于大批组合优化问题的处理.将最大熵算法视为组合优化问题并引用蚁群算法加以处理,实验结果表明蚁群算法不仅可以实现最优阈值的确定,而且可以提高图像分割效率.     

自适应步长下多阈值彩色图像的全局分割方法

针对传统多阈值彩色图像分割方法将步长设为小于距离参数的定值, 有时会因步长过大而越过最优结果的问题, 提出一种自适应步长下多阈值彩色图像全局分割方法. 首先, 对彩色图像进行预处理, 在不降低彩色图像质量的前提下缩减颜色总数, 以提高分割效率; 然后, 根据多阈值彩色图像全阈值分割目标函数, 将混沌优化理论与粒子群优化算法相结合, 通过混沌粒子群优化算法对多阈值彩色图像全局分割目标函数进行求解; 最后, 结合自适应步长下多阈值彩色图像全局分割方法, 得到最优彩色图像阈值分割结果. 实验结果表明, 该方法的分割效果、 精度、 稳定性和收敛性均较好.     

一种改进的基于柔性形态学的图像边缘检测方法

在介绍柔性形态学的基础上,提出先利用迭代算法得到图像分割的最佳阈值,以增强图像的边缘.再利用多尺度柔性边缘检测算子得到图像的边缘,该方法根据不同尺度边缘图像所含信息量的多少确定边缘的合成,所以能实现图像的自适应边缘检测.实验结果证明:该方法与传统边缘检测算子提取的结果比较,可以更好地抑制噪声,得到的边缘在连续性和平滑方面均得到了提高.     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于Kinect遮挡条件下行人的深度图像分割

针对Kinect深度图像中有遮挡条件下的多个行人进行分割算法的实时性和应用研究,提出一种双峰法和迭代法的自适应阈值改进算法,并融合平面位置关系消除重复目标的新算法。在提取遮挡行人目标的连通域后,在连通域的遮挡条件下,对行人有不同深度数据的特性计算出多个阈值,快速、有效地分割行人,对分割后深度图像用改进的消除多余目标算法使分割深度图像的结果更为准确。实验结果表明,在使用该新阈值分割和消除重复目标算法后,行人量大和行人量小时处理一帧需要60ms—70ms,正确识别率为94.8%—97.3%。从结果得出,新深度图像分割算法具有更好的实时性和鲁棒性,能良好地应用于Kinect深度图像分割中。     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.