一种结合遗传算法的图像分割方法

模糊聚类算法是一种解决图像分割的常见算法,Stelios在模糊C均值聚类算法的基础上提出了FLICM算法,极大地改进了图像分割的效果。基于此,经过分析证明FLICM算法存在的不收敛问题,在此基础上改进了FLICM算法,并提出了结合遗传算法来解决因目标函数复杂度高而无法给出"闭合"迭代公式的问题。从结果来看,该算法不仅克服了FLICM算法不收敛的问题,而且取得了更好的图像分割效果,使得图像细节得到更充分的保留。     

基于最大类间方差遗传算法的图像分割方法

分析了最大类间方差阈值图像分割算法的基本原理，结合遗传算法及其特点提出了一种自动阈值选取的图像分割算法，在本算法中对传统晨大类间方差图像分割的算法及遗传算法进行了改进，提高了传统算法的速度，改善了遗传算法的收敛速度与最优解的协调关系，最后从速度及性能上进行了分析比较，并对实际图像分割做了反复实验，结果表明，本遗传算法的图像分割方法在图像分割过程中具有速度快，效果好的特点。     

基于遗传算子改进阈值的遥感图像分割算法研究

针对复杂背景遥感图像分割准确率不高的问题,提出了一种基于遗传算子改进阈值的遥感图像分割算法。通过对遗传算法中选择、交叉、变异等算子的优化设计,增强变异的多样性,加快搜索的收敛速度,以获取遥感图像分割的最佳阈值。实验仿真结果表明:该算法降低了阈值搜索时间,同时取得了良好的图像分割结果。     

基于混合互信息和改进粒子群优化算法的医学图像配准

为提高医学图像辅助诊断的配准精度和收敛速度,提出了一种基于混合互信息和改进粒子群优化算法的医学图像配准算法,在每步迭代中,先用基于Renyi熵的互信息结合改进粒子群优化算法对图像进行全局搜索,然后对当前得到的最优解使用基于Shannon熵的Powell算法进行局部寻优。实验结果表明,该算法在收敛速度和精度方面都优越于其他配准算法。     

两阶段纹理图像分割

谱聚类是一种以图和相似性为基础的聚类新算法.当图像很大时,计算相似性矩阵及其特征值和特征向量十分耗时.为了将谱聚类算法应用于大规模聚类问题,该文提出一种两阶段纹理图像分割算法,采用改进的分水岭算法进行预分割,然后用特征值尺度化特征multiway谱聚类算法进行最终分割.为了检验算法性能,将其应用于纹理图像分割,分割结果令人满意.     

基于差分进化的二维熵图像分割

二维熵图像分割方法利用图像的局部空间信息,分割结果优于一维熵分割法,但计算效率较低.遗传算法和粒子群算法等最优化算法能提高二维熵图像分割方法的效率,却不能保证获得全局最优阈值.为此,提出一种基于差分进化算法的二维熵图像阈值分割法,用局部搜索策略提高搜索最优阈值的精度.实验表明,所提出的方法有良好的鲁棒性,能保证获得最优阈值.与基本的二维熵图像分割法相比,分割速度有很大的提高.     

一种改进的指纹图像分割算法

在基于灰度方差的指纹分割算法的基础上,本文针对低灰度等级占多数的低质量指纹图像,提出了一种改进的指纹图像分割算法．实验结果表明,相比于原来的基于灰度方差的指纹图像分割算法,我们改进的算法的分割效果更好,且具有较强的鲁棒性．     

一种改进的细胞图像分割迭代算法

图像分割是图像轮廓提取,纹理特征提取和形状特征提取等图像分析的重要基础。它也直接影响着图像更高级别的处理质量。提出一种改进的图像分割迭代算法,通过在一般的迭代算法中添加第二门限,以达到更精确的将各像素划分到所属区域降低误判概率的目的。在分析的基础上,给出了该算法与一般迭代分割算法的对比图像。为了观察分割效果,还给出了应用分割图提取边缘与Canny算子的对比图像。其结果均表明,噪声干扰下,改进算法的分割过程更为准确。     

改进的Snake算法在颅脑CT图像分割中的应用

尝试用一种改进的Snake算法创建模型,自动分割CT头颅断层图像的脑组织和脑脊液,用于后期辅助医生对患病部位的诊断和治疗,为临床提供更方便的工具。考虑到脑部CT图像和相邻的骨组织灰度差异较大,利用改进Snake算法对CT头颅图像进行自动分割,将分割的脑组织图像与专业医学影像医生手工分割的CT脑组织图像做对比,发现这种改进的Snake算法分割的CT颅脑图像从轮廓外形、灰度均值和方差值都和专业医生手工分割的CT颅脑图像非常接近,表明这种改进的Snake算法分割CT颅脑图像是可行的。     

Chan-Vese模型下的复合多相水平集图像分割

Chan-Vese模型(C-V模型)能够实现图像的二区域分割,但在多区域分割上存在局限. 目前解决C-V模型多区域分割问题有两种方案：一是采用多水平集同时收敛的并行多相分割;另一种是采用多水平集依次收敛的串行多相分割. 文中将两种方案结合起来,利用并行多相算法表示区域量大和串行多相算法分割效率高的特点,提出基于C-V模型的复合多相水平集分割算法,增加了串行结构下的分割区域量,也提高了并行结构下各水平集的实际分割效率. 实验结果表明,该方法可实现多区域分割,并能检测由弱边缘构成的子目标.