基于改进模糊指数熵双阈值的3维人体图像分割优化算法

由于3维人体图像数据量大,导致分割耗时严重;人体组织间灰度差异相对较小,致使分割效果不佳。针对上述3维分割的两大难点问题,提出了改进的模糊指数熵函数来改善分割结果,并以加权免疫遗传算法（WIGA）对阈值进行优化搜索,从而提出了一种基于改进模糊指数熵双阈值的3维图像分割优化算法。真实人体胸部数据的分割结果表明,与传统熵函数及模糊隶属度函数相比,改进的最大模糊指数熵函数得到的阈值分割效果更好,且提出的WIGA算法的耗时仅为传统穷尽搜索法的14%。在与简单遗传算法（SGA）和免疫遗传算法（IGA）耗时基本相同的情况下,100次阈值计算结果表明,本文算法更加精确、稳定。     

改进的最大熵算法在图像分割中的应用

研究图像分割优化问题,要求图像分割速度快,清晰度高.针对传统的熵值法在理论上存在的不足,同时抗噪能力差,速度慢,图像模糊等缺陷,造成图像分割过程耗时长,分割效率低等问题.为了提高图像分割效率和精确度,提出一种改进的遗传算法和最大熵算法相结合的图像分割新方法.首先依据图像二维直方图信息来对图像进行特征提取,最后通过遗传算法的选择、交叉和变异操作搜索最优阈值,从而获得最优阈值来对图像进行分割.仿真结果表明,改进的算法与传统最大熵值的图像分割算法相比,分割效率明显提高,同时图像分割的精度也大大提高,加快了图像分割的速度,为设计提供了依据.     

自动图像阈值分割算法

该文提出了一种新的图像阈值分割算法。该算法通过求取最大模糊熵准则下,灰度均值直方图的最佳模糊划分参数来确定两个模糊集A和B,图像分割阈值即选取为两个模糊集的交点。该算法用Zadth的模糊熵定义适应度函数,采用改进的遗传算法寻求最佳模糊参数。该文对遗传算法的改进包括,给出了缩短染色体码长的编码方法和性能良好的改进的单点交叉算子和均匀变异算子。实验结果表明,该算法的分割效果与二维模糊熵算法接近,而计算时间还没有用到二维模糊熵算法的一半。     

基于二维模糊熵和遗传算法的图像阈值分割

针对目标和背景两类图像分割,考虑二维灰度直方图,采用了一种更符合图像空间分布特点的隶属函数,建立了对应的二维图像模糊熵,分别采用标准遗传算法和改进的自适应遗传算法对二维图像模糊熵的各个参数进行优化,根据最大模糊熵准则,确定目标和背景的最佳分割阈值。实验结果表明,基于改进的自适应遗传算法的二维最大模糊熵阈值分割法具有较好的分割性能和较快的分割速度,且对噪声具有一定的抑制能力。     

基于链式竞争遗传算法的KSW熵的图像分割

针对最佳熵阈值图像分割算法过程中计算复杂度高的问题,提出了一种基于链式竞争遗传算法的最佳熵阈值确定法(KSW熵法)的图像分割算法.通过将3个邻域的链式竞争引入到常规遗传算法框架下,实现特征选择过程;将改进的遗传算法应用到最佳阈值图像分割算法中,完成对阈值的寻优过程.仿真实验结果与分析表明:算法在分割速度和效果上均优于传统的最佳阈值图像分割算法和单纯的遗传优化最佳阈值图像分割算法.     

基于改进的指数交叉熵和萤火虫群优化的工业CT图像分割

为了进一步提高工业CT图像分割的精确度和运行速度,提出基于灰度-梯度二维指数交叉熵和混沌萤火虫群优化的阈值图像分割方法。运用最小指数交叉熵进行阈值分割,解决了Shannon熵在零点处无定义的问题。采用灰度-梯度二维直方图能更加准确地实现目标和背景的划分,提高算法的抗噪性。此外,为了更好地进行阈值的全局搜索,利用立方映射生成的混沌序列来初始化萤火虫的位置;采用基于立方映射的混沌萤火虫群优化算法搜寻最佳的二维阈值,以进一步提升运算速度。最后,与基于萤火虫算法的二维熵法、基于遗传算法的二维最小交叉熵法作了比较。实验结果表明,该方法在分割效果和处理速度上有明显优势。     

基于改进PSO的三维Tsallis熵图像分割

针对二维Tsallis熵图像分割不精确以及优化图像阈值分割函数的元启发式优化算法容易陷入局部最优这两个问题,提出了一种新的三维Tsallis熵阈值分割法以及一种新的改进粒子群优化算法。通过引入均值、中值、梯度三种因素,构建出三维直方图,并结合Tsallis熵理论提出了一种三维Tsallis熵阈值分割法。为了避免粒子群优化算法陷入局部最优,通过引入综合学习策略并改进粒子群优化算法的迭代方式,提出了综合学习改进粒子群优化算法。将提出的三维Tsallis熵阈值分割法与综合学习改进粒子群优化算法结合进行图像分割。与其他元启发式算法相比,综合学习改进粒子群优化算法能在低维环境下有效避免局部最优。实验结果表明相比于二维Tsallis熵阈值分割法,三维Tsallis熵阈值分割法分割效果更好,且具有更好的抗噪性能。由此可以表明综合学习改进粒子群优化算法结合三维Tsallis熵进行图像分割可以取得更好的结果。     

基于三维指数灰度熵的快速图像分割算法

针对现有阈值分割法通常只考虑图像直方图的统计信息,而忽略了图像目标和背景类内灰度分布的均匀性,提出指数灰度熵分割算法,并推广得到三维指数灰度熵分割算法。给出了一维指数灰度熵阈值法及三维指数灰度熵阈值法的原理,在三维直方图上,将降维处理和优化搜索策略相结合,得到最优分割阈值。理论证明,阈值搜索复杂度由原来的[O(L3)]降至[O(L12)]。实验结果表明,与现有的多种阈值法相比,所提算法抗噪性能更强、分割效果更优,且运算时间大为减少。     

基于改进的PCNN多目标图像分割算法

脉冲耦合神经网络(Pulse-coupled neural network,PCNN)可有效地用于图像分割.为获得满意分割效果,PCNN需要选取适当的参数,目前其参数往往通过反复试凑确定.针对这一问题,基于改进的PCNN模型,提出结合图像灰度直方图,以最大交叉熵函数作自适应遗传算法的适应度函数,采用自适应遗传算法搜索最优门限阈值函数的图像分割算法.实验结果表明,该算法可以有效地实现多目标图像分割,且分割效果优于多阈值Ostu算法.     

基于粒子群优化算法和模糊熵的多级阈值图像分割算法

针对现有阈值分割算法利用穷举搜索寻找最优阈值而造成的计算成本较大的问题,提出了一种基于粒子群优化算法和模糊熵的多级阈值图像分割算法。图像分割是图像分析中非常重要的预处理步骤,在提出的方法中,首先选择香农熵和模糊熵作为优化技术的目标函数;然后建立一种基于粒子群优化算法的多层次图像阈值分割,通过最大化香农熵或模糊熵进行图像分割。最后从图像分割数据库中选取Lena、baboon和airplane作为测试图像进行性能分析（包括鲁棒性、效率和收敛性）,并与现有的几种阈值分割算法进行比较。结果显示,提出的算法得到了更高PSNR值和更少的分类误差,证明了该算法是一种高效的多级阈值图像分割算法。     

基于遗传算法的肝脏CT图像分割算法研究

遗传算法是一种基于生物选择与遗传机制所形成的一种全局优化、随机搜索算法,对处理一些传统搜索算法解决有难度的复杂问题比较适合,具有巨大发展潜力。论文首先介绍了遗传算法的基本原理以及它的主要特点和性质,重点叙述了基于遗传算法的图像分割方法,并通过应用遗传算法选取合适的阈值,进而采用最大熵原则对人体肝脏CT图像进行了分割算法处理,得到图像分割处理的实验结果,并对实验结果进行了分析。     

基于遗传算法的原位根系CT图像的模糊阈值分割

原位根系CT图像的精确分割是实现植物根系3维重建和定量分析的重要基础。为了对原位根系CT序列图像进行准确、有效的分割,针对原位根系CT序列图像固有的模糊性特征,设计了一种基于遗传算法的模糊多阈值图像分割方法。该方法首先通过直方图分析确定了原位根系3维分割的初始阈值范围;然后通过设计一种模糊隶属度函数, 将图像模糊划分为若干个不同的区域; 最后采用最大模糊熵准则,并借助遗传算法寻找确定了一组序列图像的最佳分割阈值。编程实验结果证实,该算法不仅能更加准确、有效地对植物根系原位CT序列图像进行分割,并可提高图像阈值分割的精度和效率。     

一种新的混合免疫算法

免疫算法是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法。文章针对目前人工免疫算法在收敛于全局最优方面存在的缺陷,提出了一种模拟退火免疫算法,引入Boltzmann退火选择算子,利用模拟退火算法可选择性接受恶化解的特点克服传统免疫算法的缺陷,并通过实验证明了该混合免疫算法的优越性能。     

基于最大模糊熵和微粒群的双阈值图像分割

基于最大模糊熵准则和微粒群算法,提出了一种新的双阈值图像分割方法.该方法通过定义3种模糊隶属度函数,将图像模糊划分为暗、灰和亮3个不同的区域.同时采用微粒群算法搜索最大模糊准则下模糊参数的最优组合,进而确定图像的两个最佳分割阈值.仿真结果表明,该算法具有良好的分割效果和较强的实时处理能力.     

三维FMF的HFCM水声数据分割

针对三维水声数据背景复杂、受噪声干扰严重等特点,提出一种结合三维FMF的HFCM水声数据分割算法,以提高水声数据分割的精度和效率。该算法首先选取三维滤波窗口,利用最大熵阈值法计算出模糊阈值;再结合半高斯模糊隶属度函数对水声数据进行模糊中值滤波;最后采用HFCM算法对滤波后的数据进行分割。对两组不同的三维水声数据进行分割处理的结果表明该算法能够有效地降低噪声干扰,分割效果要优于未滤波的HFCM以及均衡FMF的HFCM分割算法,并且在分割效率上要明显优于传统的模糊C均值算法。     

基于模式记忆的免疫遗传算法

免疫遗传算法在传统遗传算法的全局随机搜索的基础上,借鉴生物免疫机制中的抗体的多样性,能有效提高群体的多样性,同时其具有记忆功能能够有效地提高搜索效率。但是在函数优化问题的解决上,免疫记忆功能一直没有能很好的实现。该文提出在免疫遗传算法中引入模式控制的方法来解决复杂函数优化的问题。基于免疫遗传机制,利用免疫记忆库记忆优秀免疫遗传模式,它能有效地加速优化过程,并且克服通常函数优化无缺乏记忆的功能。通过一个复杂函数的仿真实例证明了该方法的有效性。     

混合遗传算法和蚁群算法在HP模型中的应用

遗传算法和蚁群算法在HP模型中已经有了大量的研究及成果,蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。提出了一种先用遗传算法生成信息素分布,再利用蚁群算法求优化解的新的混合算法。将该算法用于二维HP模型中,计算结果显示该算法在寻优能力和收敛速度上都比单一的遗传算法和蚁群算法有所提高。     

Kapur’s entropy based optimal multilevel image segmentation using Crow Search Algorithm

Image segmentation is an essential part of image analysis, which has a direct impact on the quality of image analysis results. Thresholding is one of the simplest and widely used methods for image segmentation. Thresholding can be either bi-level, which involves partitioning of an image into two segments, or multilevel, which partitions an image into multiple segments using multiple thresholds values. This paper focuses on multilevel thresholding. A good segmentation scheme through multilevel thresholding identifies suitable threshold values to optimize between-class variance or entropy criterion. For such optimizations, nature inspired metaheuristic algorithms are commonly used. This paper presents a Kapur’s entropy based Crow Search Algorithm (CSA) to estimate optimal values of multilevel thresholds. Crow Search Algorithm is based on the intelligent behavior of crow flock. Crow Search Algorithm have shown better results because of less number of parameters, no premature convergence, and better exploration–exploitation balance in the search strategy. Kapur’s entropy is used as an objective function during the optimization process. The experiments have been performed on benchmarked images for different threshold values (i.e. 2, 4, 8, 16, 32 thresholds). The proposed method has been assessed and performance is compared with well-known metaheuristic optimization methods like Particle Swarm Optimization (PSO), Differential Evolution (DE), Grey Wolf Optimizer (GWO), Moth-Flame Optimization (MFO) and Cuckoo Search (CS). Experimental results have been evaluated qualitatively and quantitatively by using well-performed evaluation methods namely PSNR, SSIM, and FSIM. Computational time and Wilcoxon p-type value also compared. Experimental results show that proposed algorithm performed better than PSO, DE, GWO, MFO and CS in terms of quality and consistency.     

Fuzzy entropy based optimal thresholding using bat algorithm

Image segmentation is a very significant process in image analysis. Much effort based on thresholding has been made on this field as it is simple and intuitive, commonly used thresholding approaches are to optimize a criterion such as between-class variance or entropy for seeking appropriate threshold values. However, a mass of computational cost is needed and efficiency is broken down as an exhaustive search is utilized for finding the optimal thresholds, which results in application of evolutionary algorithm and swarm intelligence to obtain the optimal thresholds. This paper considers image thresholding as a constrained optimization problem and optimal thresholds for 1-level or multi-level thresholding in an image are acquired by maximizing the fuzzy entropy via a newly proposed bat algorithm. The optimal thresholding is achieved through the convergence of bat algorithm. The proposed method has been tested on some natural and infrared images. The results are compared with the fuzzy entropy based methods that are optimized by artificial bee colony algorithm (ABC), genetic algorithm (GA), particle swarm optimization (PSO) and ant colony optimization (ACO); moreover, they are also compared with thresholding methods based on criteria of between-class variance and Kapur's entropy optimized by bat algorithm. It is demonstrated that the proposed method is robust, adaptive, encouraging on the score of CPU time and exhibits the better performance than other methods involved in the paper in terms of objective function values.