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.     

基于二维Tsallis熵的改进PCNN图像分割

为了改善图像分割的性能,采用改进的脉冲耦合神经网络(PCNN)进行分割,通过对其内部活动项进行空不变的单阈值化分割,来达到对原图像空变阈值化分割效果.另外分割准则也作了修正,通过计算图像二维直方图的Tsallis熵,得到二维Tsallis熵,以此作为图像分割准则.最后,修正了动态门限项的下降速度,使得PCNN收敛更快.实验证明二维Tsallis熵准则优于最大Shannon熵准则与最小交叉熵准则,且改进的PCNN模型比传统PCNN模型收敛更快.     

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.     

基于二维灰度直方图的最小模糊熵分割方法

本文在一维最大模糊熵分割方法的基础上，根据图像目标和背景内部像素灰度值的一致性和集中性，提出了一种新的图像分割隶属度函数，从而得到最小模糊熵分割方法．本文还针对传统的基于一维灰度直方图的模糊熵分割方法不能反应图像的空间信息，抗噪声能力差的缺点，提出了基于二维灰度直方图的模糊熵分割算法．本实验结果证明，最小模糊熵分割方法对于某些图像的分割效果要好于最大模糊熵分割效果，而二维分割方法对于绝大多数图像，都具有很强的鲁棒性和抗噪能力，分割效果明显优于一维的方法，而且方便地推广到其他的一维熵分割方法中。     

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.     

差分变异本质粒子群的模糊熵图像分割

基本本质粒子群算法存在易陷入局部最优以及过早收敛的缺点。在基本本质粒子群算法的基础上,借鉴差分进化中利用差分量对种群进行变异操作的思想,提出了差分变异本质粒子群优化算法。结合图像模糊熵,得到了基于差分变异粒子群优化的模糊熵图像分割算法。算法利用差分变异本质粒子群来搜索使图像模糊熵最大的参数值,得到分割阈值对图像进行分割。通过与其它两种本质粒子群算法的分割结果比较表明该算法取得了令人满意的分割结果,算法运算时间很小,能够满足对煤尘浓度实时精确测量的要求。     

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。     

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。     

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.     

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.     

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.     

基于二维灰度直方图的模糊熵分割方法

传统的基于一维灰度直方图的模糊熵分割方法不能反应图像的空间信息，抗噪声能力差，因此提出了基于二维灰度直方图的模糊熵分割算法．此算法根据像素点灰度值和其邻域灰度均值，建立二维灰度直方图，并在对应目标和背景的像限内构造像素点对目标和背影的隶属度函数，从而去除噪声和边缘像素对图像分割的影响．最后通过求模糊熵的极值，得到二维图像分割点．实验结果证明，该方法具有很强的鲁棒性和抗噪能力，分割效果明显优于一维的方法，而且可以方便地推广到其他一维熵分割中．     

基于局部像素特征分类的图像分割算法

图像分割是模式识别、计算机视觉等领域的重要研究内容,也是图像信息处理的难点和热点之一.以孪生支持向量机(TSVM)与极坐标复指数变换(PCET)理论为基础,提出了一种基于局部像素特征分类的图像分割算法.该算法首先对局部像素窗口进行PCET,并将PCET系数幅值作为图像的像素级特征;然后利用指数交叉熵阈值技术确定训练样本,并进一步训练出TSVM分类模型;最后利用已获得的TSVM分类模型对原图像像素进行分类处理,从而获得图像的最终分割结果.实验结果表明,该算法可以获得较好的图像分割结果.     

一种基于模糊熵和遗传算法的图像分割方法

图像阈值分割技术在图像分析和图像识别中具有重要意义.作者将模糊数学理论和遗传算法结合在一起,利用最大模糊C组分类熵原则确定分割阈值.该方法可以将图分成两类或多类.实验结果表明该方法是有效的.     

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。     

一种改进的阈值分割算法在复合材料图像处理中的应用

针对纤维增强复合材料微观结构图像的特点,提出了一种改进的基于模糊思想的阈值分割算法,该算法利用整体阈值、局部阈值和像点梯度信息之间的关系,构造了一个双输入单输出的模糊逻辑系统,合理计算出像点的最佳分割阈值.实验结果证明了算法的有效性.     

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.