基于混沌弹性粒子群优化与基于分解的二维交叉熵阈值分割

为了提升二维交叉熵阈值分割法运行速度,提出了基于混沌弹性粒子群优化（CRPSO）和基于分解的2种二维交叉熵阈值分割算法.前者利用CRPSO算法寻找二维交叉熵法的最佳分割阈值,并采用递推方式避免迭代过程中适应度函数的重复计算,使运算速度大大提高;后者将二维交叉熵法的运算转换到2个一维空间上,计算复杂度由O(L2)进一步降为O(L).实验结果表明,2种算法能够在保证分割效果达到或优于现有二维交叉熵阈值分割法的前提下,运行时间大幅减少.     

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.     

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.     

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。     

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.     

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。     

基于改进蜉蝣算法优化多阈值图像分割

针对图像多阈值分割中存在分割效率低、计算时间长以及精度不高等问题,提出了一种基于改进蜉蝣算法的多阈值图像分割算法。首先,在初始化阶段引入类随机采样方法中的 Sobol 序列,增强种群的遍历性和多样性;其次,提出一种自适应非线性惯性权重,平衡了全局与局部寻优能力,提高了算法的收敛效率,利于种群向最优解逼近;最后,采用指数熵作为计算适应度的目标函数,通过改进蜉蝣算法对图像分割的多阈值组合进行寻优,确定最优分割阈值。为了验证该改进算法的有效性,选择了伯克利图像来进行分割验证,并与其他智能算法进行比较。实验结果表明：该改进算法在分割准确性、计算时间、SSIM和PSNR上均优于对比算法,能快速有效地解决复杂多目标图像的多阈值分割问题,具有较强的工程实用性。     

一种基于多阈值迭代方法的图像分割算法

针对含有多个目标的灰度图像提出一种基于多阈值迭代方法的图像分割算法.首先使用非线性拉伸灰度直方图,并对图像不同灰度范围使用二值掩模进行处理,在此基础上采用迭代式阈值算法反复分割的图像分割算法.实验证明,这种综合分割算法能够有效降低单阈值穷举搜索算法的计算复杂度,分割效果也比较令人满意.     

基于模糊C均值与人工蜂群优化的灰度图像分割

提出了基于模糊C均值与人工蜂群优化的灰度图像分割算法,利用模糊C均值算法中的模糊隶属函数,快速计算人工蜂群优化算法中的最优聚类中心,使得图像分割速度加快,精度更高.选取合成的、经典的以及添加噪声的医学图像,分别使用多种分割算法进行分割并比较,在收敛性、时间复杂度、鲁棒性和分割精度方面表现更好.     

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.     

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。     

模糊人工蜂群算法在加工中心组成问题中的应用研究

研究成组技术中加工中心的组成问题。在满足各中心机器间相似系数最大的情况下,寻求最优组成方案。针对人工蜂群算法搜索缓慢、易出现早熟等问题,提出了一种模糊人工蜂群算法。该算法采用模糊位置矩阵表示问题的解,重新定义了候选解产生公式,并设计了新的选择概率公式。建立了模糊位置矩阵与问题可行解的映射关系。仿真结果表明,该算法是可行、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。     

一种基于模糊熵划分的边缘检测算法

基于信息论中最大熵原理,提出了一种基于梯度图像的模糊划分边缘检测算法。该算法首先根据图像边缘的特点和类型构造出新的梯度算子,再根据梯度图像自然划分以及2-划分的关系得到模糊2-划分条件熵,基于最大模糊条件熵原则实现梯度图像划分中最优阈值的自动选取,实现图像的边缘检测。仿真实验结果比较表明,该算法用于边缘检测能获得较好的效果。     

基于小生境人工蜂群算法的字符边缘图像提取

利用小生境技术增强算法对局部最优解的辨识能力和集聚能力, 改善人工蜂群算法的局部搜索能力及提高侦查蜂快速搜索全局最优值的特性, 提出一种基于小生境技术的人工蜂群算法, 并应用于提取转向架轮对轴端字符图像的边缘, 改善了字符边缘图像识别运算量大导致的识别速度慢、 识别效果差的缺点. 采用邻域灰度梯度值作为算法的适应度函数值, 利用小生境半径保持种群多样性, 以提高字符局部搜索能力, 最终获得了较高质量的字符图像边缘. 实验测试结果表明, 应用小生境算法后局部字符边缘点数量可增加1.66倍.     

人工蜂群粒子滤波信道估计算法研究

人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚,具有理论依据和现实意义.结合2种算法的优势提出了人工蜂群粒子滤波,采用人工蜂群算法确定粒子滤波的建议分布.仿真将Alpha稳定分布作为非高斯噪声模型,实现了粒子滤波及其改进算法的信道估计研究.结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.     

基于蚁群聚类算法的文本模糊聚类方法

针对模糊C-均值本文提出将基于蚁群算法的模糊聚类算法应用于文本聚类中,聚类采用二级结构,蚁群算法(ACA)作为一级结构,模糊C-均值聚类FCM用于二级结构。将此算法对文本集合进行聚类实验,并用分离系数、分离熵来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的聚类效果。