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。     

基于改进量子粒子群优化的多阈值图像分割算法

为提升工程应用中图像分割的质量,在变异量子粒子群算法的基础上进行改进,并结合最大类间方差法提出了一种基于改进量子粒子群优化(QPSO)的多阈值图像分割算法.该算法结合贝叶斯定理与粒子搜索过程中的历史信息构建了一个记忆向量,然后根据记忆向量对每个粒子的行为进行预测,并以此自动设置各粒子的变异概率,使算法在保持一定局部开发能力的同时提升全局搜索能力.在Berkeley数据集上的仿真实验结果表明,与两种基于粒子群的图像分割算法相比,文中算法能获得更为稳定且清晰的图像分割结果.     

基于改进粒子群的模糊聚类超声图像分割

医学超声图像由于存在斑点噪声等模糊和不确定性的特点使得分割一直是一个难题。模糊C-均值聚类算法是一种结合无监督聚类和模糊集合概念的技术,广泛应用于图像分割,但存在着受初始聚类中心和目标函数高度非线性影响,极易收敛到局部极小的缺点。将集群智能的粒子群优化算法(PSO)与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。实验结果表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。     

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.     

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.     

基于改进遗传算法的二维模糊熵图像分割算法

 图像分割是图像分析的基础。实际应用中,待分割图像的可变性较大,且时常混杂噪声,因此在很多情况下,基于一维直方图的经典图像分割算法常束手无策。近年来,基于二维直方图的二维图像分割算法已逐渐成为图像分割的热点。本文针对基本遗传算法在优化二维模糊熵图像分割算法中存在的易于早熟的不足,提出了一种改进的遗传算法。提出的改进遗传算法通过定义适应度极值距离,实现了进化过程中“代内”和“代间”的模糊评价。较之基本遗传算法,改进算法对个体的评价更加合理、客观和科学,而且算法整体收敛性能和全局搜索能力显著提升。实验结果表明,将其应用于二维模糊熵图像分割算法的优化,可显著提高算法的执行速度。由于引入模糊评价,本文提出的算法虽然较之基于基本遗传算法的二维模糊熵图像分割算法在时间开销方面虽略有增加,但获得的分割效果更佳。     

一种差分进化二维熵的KFCM图像分割算法

为改进传统模糊C均值(FCM)聚类算法在图像分割过程中存在线性不可分问题,使得样本与样本之间的差异小,出现处理能力弱的缺点,提出了一种将差分进化二维熵算法和核模糊C均值聚类相结合的图像分割算法,使用差分进化二维熵得到最优阈值,并用于FCM算法的初始聚类中心,解决了对初始值敏感和计算速度慢的问题,最后利用KFCM算法完成有效分割,实现了线性可分.经过实验验证,本方法运行时间短,得到了较好的分割结果.     

一种基于熵优化的区域生长图像分割方法

提出了一种基于熵优化的结合区域生长的图像分割算法,它利用边缘检测和区域生长算法对图像进行一次预分割,然后再沿着图像中每个类的边缘试探性地调整分割,以熵的大小作为优化分割的指标逐步优化图像的分割．实验结果证明了该算法的有效性,而且比其他一些常用的灰度图像分割算法更准确．     

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.     

一种增强熵值的粒子群优化絮体分割算法

对比了图像切割算法直方图法、迭代法和熵值法的阈值选取原理,指出以上算法在处理絮体图像中的不足.给出图像采集系统的基本组成,结合絮体自身无规则运动的特点和水处理过程中实效性的要求,提出了一种结合粒子群优化与熵值的絮体图像分割算法,即先用灰度拉伸增加图像的对比度,然后用粒子群优化的自适应特点选取分割阈值.实验表明该算法实现了对絮体图像快速、准确的分割,达到了快速计算絮体数量和等效粒径的要求.     

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.     

基于直觉模糊熵的粒子群模拟退火算法

针对智能算法在解决大规模0-1背包问题时易陷入局部最优解、收敛速度慢的问题,提出一种基于直觉模糊熵的粒子群-模拟退火算法(IFEPSO-SA)。采用交换操作和模拟退火机制对粒子群算法中的局部最优解二次优化;然后,以种群直觉模糊熵(IFE)为测度,自适应改变惯性权重,并对种群进行变异操作。测试结果表明,IFEPSO-SA在解决大规模0-1背包问题时有较好的求解质量;仿真实验结果表明,IFEPSO-SA与基于直接模糊熵的粒子群算法(IFEPSO)相比,熵值波动较小,反映出IFEPSO-SA有更好的局部搜索能力,并且IFEPSO-SA在算法收敛速度和求解质量方面都优于IFEPSO以及经典的粒子群算法和模拟退火算法。     

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．     

基于一维Otsu的多阈值医学图像分割算法

针对传统医学图像分割算法时间复杂度高、 分割精度低等问题, 提出一种基于一维Otsu的自动多阈值分割算法. 考虑到医学图像信息的复杂性, 引入基于梯度、 灰度、 距离的综合信息直方图替代传统的灰度直方图, 并分别赋予这3个信息相应的权值. 采用kd-树作为框架快速自动确定阈值个数, 进而实现Otsu对医学图像的自动多阈值分割. 与最大熵、 基于粒子群优化的Otsu算法等进行对比实验的结果表明, 该算法的分割性能优于其他算法.     

基于改进粒子群优化算法的图像分割

针对当前主动轮廓模型难实现图像高精度分割的问题, 以获得更理想的图像分割结果为目标, 提出一种基于改进粒子群优化算法的图像分割方法. 首先分析传统主动轮廓模型, 指出其存在的局限性; 然后建立能量最小化控制点的泛化函数, 采用粒子群优化算法对泛化函数的最优值进行搜索, 根据所有的能量最小化控制点实现图像分割; 最后采用标准图像库与传统图像分割方法进行对比测试. 测试结果表明, 相对于传统方法, 该方法能更精准、 快速地分割图像, 并有效抑制图像中的噪声干扰, 可获得理想的图像分割效果.     

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.     

基于熵的混合粒子群算法在柔性调度中的应用

为了更好地求解大规模柔性车间调度问题,提高柔性车间调度算法的寻优性能,提出一种基于熵的混合粒子群算法.该算法把粒子群算法、遗传算法和模拟退火算法相结合,同时用种群熵自适应调节惯性系数和变异概率,以增强算法的寻优能力和克服算法的过早收敛.典型实例仿真结果表明,该算法能更好地求解柔性车间调度问题,与传统的优化算法相比,在优化精度上具有明显的优越性.     

基于改进麻雀搜索算法的森林火灾图像多阈值分割

为了减少森林火灾对人们的生活和生态环境带来巨大的损失和破坏,采用图像处理技术对森林火灾进行精准定位和预判,可以有效地降低火灾的扩大和蔓延。针对火灾图像大津法分割算法计算量大、运行时间长和阈值选取不够准确导致分割精度不高等缺点,提出精英反向学习-莱维飞行策略的麻雀搜索算法,并将其有效地应用到指数熵多阈值图像的分割中进行寻优,通过研究最佳阈值对森林火灾图像进行合理的分割,并与其他三种指数熵多阈值图像分割算法进行了对比分析。结果表明:改进麻雀搜索算法的森林火灾图像多阈值分割技术能够及时获得火灾图像分割的最佳阈值,其分割的准确性、实时性和抗噪性均明显优于现有的灰狼算法、粒子群算法和鲸鱼算法,能够为图像处理的工程应用提供一种较好的阈值分割技术。     

基于神经网络——粒子群优化算法的医学图像分割新方法

提出了一种基于神经网络——粒子群优化算法的医学图像分割新方法,将粒子群优化算法用于神经网络的学习训练,克服了神经网络收敛速度慢,以及容易收敛到局部最优解的缺点。并与遗传算法进行了比较,结果表明,该方法不仅能更快地收敛于最优解,而且在分割准确率、误差率以及运行时间上也都有了较明显的提高。