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.     

基于细菌群体趋药性的双阈值图像分割

文章提出了一种基于细菌群体趋药性的双阈值图像分割算法。由最大类间方差双阈值法得到优化的目标函数,然后用细菌群体趋药性算法(Bacterial Colony Chemotaxis,BCC)对目标函数进行优化,得到图像分割的最佳阈值,最后用该阈值对图像进行分割。实验结果表明,该算法不仅可以实现正确的图像分割,并有效提高了图像的分割速度。     

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。     

基于遗传算法的超声检测图像分割识别方法

基于钎焊电触头焊接质量超声成像无损检测的原理，针对超声图像分割过程中阀值难以确定的问题，以灰度图像的直方图熵作为评价标准，把图像阈值分割问题定义为一个优化问题，利用遗传算法寻优的高效性；搜索到能使分割质量达到最优的分割参数－－图像分割阈值，据此阈值可以区分出超声图像中的缺陷部分与焊合区域，因此对于后续的焊接缺陷识别具有重要的意义，实验结果表明，该算法分割切实可行，有效地缩短了寻找阈值的时间。     

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.     

遗传优化阈值选取加速算法研究

根据遗传优化原理提取图像分割阈值，虽然减少图像目标大小和噪声的影响，算法简单、稳定性强，但是图像目标识别的速度和精确度一直是人们关注的首要问题，没有得到很好的解决．笔者提出了一种基于遗传优化阈值选取加速算法．实验结果表明，与传统遗传优化阈值选取方法相比可减少30％左右的运算量．     

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.     

基于飞蛾火焰算法的AUV三维全局路径规划

针对存在静态地形障碍和不规则海流的复杂海洋环境下的自主水下航行器（autonomous underwater vehicle，AUV）全局路径规划问题，采用飞蛾火焰优化（moth-flame optimization，MFO）算法搜索获得能耗最优的无碰路径。首先，将搜索空间栅格化后随机生成一组满足避碰需求的初始路径作为初始飞蛾种群；然后，根据MFO算法更新飞蛾位置，实现AUV路径的自主规划；最后，结合AUV巡航能耗模型和静态海流分布模型作为适应度函数，迭代搜索得到最优路径。为验证方法的有效性和优越性，进行了一系列仿真试验。试验结果显示，该算法在AUV全局自主路径规划中的规划效果相较于传统蚁群算法的规划结果具有明显优势，所得路径平滑，且在不同环境中均表现出极佳的全局收敛能力。     

基于注意力机制的U-Net脑脊液细胞分割

为解决脑脊液病理图像中部分细胞膜较为模糊，与图像背景难以区分的问题，采用了基于注意力机制的U-Net深度学习方法对脑脊液病理图像做全自动分割.在深度学习网络中加入注意力机制对细胞进行定位，抑制无关信息，提高语义的特征表达，提高对细胞整体分割的精确性.通过镜像、旋转等操作对数据集进行扩充预处理.采用VGG16预训练模型进行迁移学习，交叉熵与Dice损失相结合作为损失函数，分别在脑脊液临床图像与公开数据集2018 Data Science Bowl上进行验证；并与Otsu， PSPnet， Segnet， DeeplabV3+， U-Net进行对比，结果表明， 本文方法在各项指标上均优于其他分割方法.     

基于Split Bregman算法的MRI图像重建参数分析

压缩感知理论已应用在MRI成像中,作为压缩感知的非线性重建算法的重要分支,以Split Bregman算法为代表的凸松弛法将信号重建问题转化为凸优化问题求解,其计算效率高.对Split Bregman算法的正则化参数功能和调节机制进行了理论研究,分析了正则化参数对该算法收敛精度和收敛速度的影响.仿真结果表明了3个正则化参数对MRI图像重建效率和精度的影响程度.     

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.     

改进FCMS算法及其在颅内肿瘤图像分割的研究

为了提高脑部肿瘤的磁共振成像(MRI)在肿瘤分割方面的精度和分割效率,提出了自适应阈值蚁群模糊聚类算法(TSAG_PnFCMS)。针对传统的模糊c均值聚类(FCMS)算法对噪声敏感,以及MRI图像中存在属性不同的样本点,在聚类过程中,将不同属性样本点的相关系数作为权重融入到欧氏距离的计算,提高聚类精度;针对蚁群算法容易陷入局部最优,提出一种自适应阈值蚁群算法,提高算法的全局搜索能力,将自适应阈值蚁群算法与改进的模糊聚类算法相结合,提高系统的分割精度和抗噪声性能,使得最终的分割效果达到最优。通过轮廓系数、目标函数收敛结果以及迭代时间进行实验仿真对比,表明改进算法的有效性,可见算法为颅内肿瘤图像的分割提供了可靠的技术手段。     

修正与融合的肺部分割算法

为了能在适当的计算复杂度下获得较好的分割效果，在总结现有方法优缺点的基础上提出了将简单方法进行修正与融合的肺部分割方法.首先使用聚类的方法将CT图像中的像素点分为亮与暗两类，获得灰度值不同的小区域，然后区分出初始肺部的大致区域，最后根据CT图像的具体特性，使用识别出的初始肺部区域边界附近像素点的梯度以及灰度信息对边界进行修正.使用上述综合方法对CT图像的处理结果表明，在计算复杂度不是太大的情况下能获得较好的分割效果.     

基于改进BET的MRI脑组织自动提取算法

提出一种基于改进BET(brain extraction tool)的MRI脑组织自动提取算法.首先，该算法结合图像梯度信息能够估计出更为准确的脑重心(center of gravity，COG)；其次，该算法构建了新的脑表面形变力，在垂直于脑表面切线的扩张力中引入了边缘力，该力很好地抑制了脑组织的边界泄漏和过度分割问题.使用本文方法对MRI脑影像进行了自动脑组织提取，实验结果表明，本文算法能够自动获得更加准确的脑组织提取结果，特别是在脑组织边缘处，本文算法与BET算法相比，提取结果更准确.     

综合管廊电力仓动态运维的解空间分割算法#br#

为解决综合管廊电力仓温度控制调配管理问题，有效提高其温控调配效果，提出了一种新的综合管廊电 力仓运维作业优化算法。该算法基于解空间分割原始思想，设计解空间分割处理机制，并应用其对当前综合管 廊电力运维下，不同等级电压进行测评，计算得到管廊电力仓磁场。基于电磁场数据，对自然对流微分方程、 能量方程联立求解，计算得到管廊电力运维作业的传导数据，获取电力仓温度的对接分布情况。最后对得到的 电力仓磁场计算数据和对流分析数据参数分别划分子空间，明确划分个数和空间个体数，获取最优解，实现运 维升级。实验数据证明，局部最高温度降低了将近 27%，绝对温度降低了 32%，电力仓温控调配效果显著。     

基于全卷积网络迁移学习的左心室内膜分割

为了避免过拟合现象，提出了基于全卷积网络迁移学习的左心室内膜分割方法.该方法在已用自然图像训练好的VGGNet模型的基础上对参数进行微调;其次，利用了心室内膜位于MRI图像中心处的先验信息作为选取准则来优化分割结果.将该方法对2009 MICCAI数据集的45个病例进行测试，其DICE指数、APD距离和GC率分别为0.91，1.73mm和97.81%.测试结果表明该方法对于心脏MRI图像的左心室内膜的分割结果较好，当引入一定的先验信息后可以优化测试结果.     

改进的FCM在人脑MR图像分割中的应用

为解决模糊C-均值聚类(FCM)算法在图像分割尤其是医学图像分割中存在的计算量大、运行时间过长的问题,提出了一种改进方法。利用收敛速度快的K均值聚类法得到的聚类中心作为FCM算法的初始聚类中心,减少FCM算法收敛所需的迭代次数;优化参与迭代运算的数据集,减少每次迭代过程的运算时间。该方法使FCM算法的运算速度提高了将近10倍,而且不会影响算法的分割效果。