改进樽海鞘群优化K-means算法的图像分割

目的 针对樽海鞘群算法寻优精度低、易陷入到局部最优,以及K-means算法进行图像分割容易被初始聚类中心干扰等缺点,提出改进樽海鞘群优化K-means算法的图像分割。方法 首先利用Circle映射来对樽海鞘种群进行初始化;其次引入莱维飞行到领导者和追随者位置更新公式中,使得樽海鞘种群的多样性得到提高,克服算法陷入到局部最优。最后,对改进樽海鞘群算法先采用8个基准函数进行性能测试;再将改进樽海鞘群算法优化K-means进行图像分割。结果 改进算法在寻优精度、稳定性、收敛速度以及跳出局部最优的本领得到了提高。同时,改进樽海鞘群优化K-means算法进行图像分割,有效地提高了图像分割质量。结论 改进算法改善了原始樽海鞘群算法的寻优精度低、易陷入到局部最优的缺点,很好地优化了K-means算法对图像进行准确分割,在图像分割领域具有一定的参考意义。     

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域.但K-均值聚类容易陷入局部最优,影响图像分割效果.针对K-均值的缺点,提出一种基于随机权重粒子群优化（RWPSO）和K-均值聚类的图像分割算法RWPSOK.在算法运行初期,利用随机权重粒子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部搜索能力,实现算法快速收敛.实验表明：RWPSOK算法能有效地克服K-均值聚类易陷入局部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法（PSOK）相比,RWPSOK算法具有更好的分割效果和更高的分割效率.     

基于生化反应速率的图像阈值分割算法

提出了一种改进的DNA遗传算法,以解决遗传算法用于图像分割时收敛速度慢、易早熟的缺点。利用碱基互补的DNA编码方式增加种群多样性,防止陷入局部极值;设计了基于DNA分子操作的置换自适应交叉算子和密码子变异算子,从而提高遗传算法的搜索能力,有效加快了算法的收敛速度和效率,并将此算法用于寻找二维Arimoto熵的最佳阈值,最后对图像进行分割。普通图像和医学图像的分割结果验证了改进DNA遗传算法用于图像分割的有效性。     

量子蚁群模糊聚类算法在图像分割中的应用

针对模糊C-均值算法对初始值的依赖,容易陷入局部最优值的缺点,本文提出将量子蚁群算法与FCM聚类算法结合,首先利用量子蚁群算法的全局性和鲁棒性以及快速收敛的优点确定图像的初始聚类中心和聚类个数,再将所得结果作为FCM聚类算法的初始参数,然后用FCM聚类算法对医学图像进行分割。实验结果表明,该方法有效解决了FCM算法对初始参数的依赖,克服了FCM算法及蚁群算法容易陷入局部极值的的缺点,而且在分割速度和精度上得到了较大提高。     

增强图像细节和去噪能力的改进形态学分水岭算法

为了抑制分水岭算法过分割和滤波后保持图像细节,论文提出一种改进的形态学分水岭分割算法.首先,对图像进行多尺度小波分解得到低频系数和高频系数;对低频系数进行基于Perona-Malik扩散模型各向异性扩散滤波;对高频系数,引入神经网络中的sigrnoid函数改进自适应遗传算法的变异和交叉概率生成,并用父代的最优个体替换子代中最差的个体来保护最优个体不被破坏,克服遗传算法的局部最优现象,利用改进的自适应遗传算法增强和去噪.然后,对梯度图像做锐化处理以突出边缘,再做形态学运算并进行H-minima标记.最后,执行分水岭分割,实现改进的算法.实验结果表明,改进算法能够有效地抑制噪声的干扰,减轻过分割,分割精度也有所提高.     

基于局部增强和阈值分割的芯线彩色图像分割算法

不同颜色芯线的有效识别是制约数据线生产自动化的关键因素之一;阈值分割是一种简单有效地图像分割算法,但对于颜色信息较多的情况鲁棒性较差;基于指数函数的增强图像可以有效地放大和突出感兴趣的图像区域;本文提出了一种结合局部增强和阈值分割的分割算法,通过对图像进行局部增强以放大感兴趣灰度区域,然后再通过阈值分割的方式筛选出目标区域;该方法能够快速有效地分割出多种颜色区域,也具有良好的鲁棒性.     

手背静脉图像二值化阈值算法

因为传统分割算法对图像细节特征信息不敏感,分割效果不理想,提出了一种确定阈值的改进方法。该算法在阈值图像法的基础上,采用迭代计算平均值的方法,动态地获得每个像素点位置的最佳阈值,以获取一幅与原图像大小相同的阈值图像,利用该阈值图像对原静脉图像进行二值化处理,增强了图像的局部细节特征信息。仿真实验证明了该改进算法的有效性。     

一种改进的多方位结构元素形态学和互信息量的图像分割算法

提出了一种改进的基于多结构元素形态学与互信息量相结合的图像分割算法。算法首先利用相邻像素差分运算标记出图像中存在梯度变化的像素点,然后对这些像素点进行多结构元素形态学运算,确定一个初始阈值;然后以互信息量为目标函数,在小范围内计算分割图像与原图像的互信息量,以确定最优阈值。通过对大量路面破损图像进行的实验表明,该改进算法所得到的分割图像目标边缘特征保持完好,具有很强的抗噪能力,且处理速度很快。     

红外图像的动态阈值分割

在深入探讨目前图像分割算法的基础上，针对实际红外图像的分割提出了一种新的方法－－动态阈值分割算法。它利用局部空间阈值适度调整全局统计最优阈值，因而其分割阈值是动态的。实验表明该算法能够突出图像中感兴趣的细节，单动态阈值的分割效果相当于常规固定双域值的分割。     

DNA遗传算法的改进二维最大熵图像分割

传统的二维最大熵图像分割算法在求解阈值时将二维直方图的噪声和边缘区域近似为零,降低了分割精度。针对这一问题,本文提出了一种基于DNA遗传算法的改进二维最大熵快速图像分割算法。利用梯度-均值灰度直方图得到有用区域,并以改进的二维最大熵作为优化函数,采用DNA计算遗传算法得到二维最优阈值。实验表明该算法对图像分割去噪能力强,分割效果好,以及快速有效处理能力。     

基于最优化维纳估计算法的多光谱图像重构

目的提高光谱反射率重构精度,更好实现图像颜色再现。方法选择4种不同的训练样本,比较不同的改进的维纳估计算法重构光谱反射率精度。分别把Color Checker Color Rendition Chart(RC-24色)和Color Checker SG(140色)以及Panton色卡、孟塞尔色卡(Munsell-1269)4种不同颜色数量的哑光色卡作为训练样本,用伪逆算法、维纳估计算法、自适应维纳估计算法和最优化维纳估计算法分别对多光谱图像进行重构,并进行精度对比。从均方根误差、色差等方面评价这些光谱重构方法。结果最优化维纳估计算法重构均方根误差为0.000 41,色差为0.7874,均小于其他几种算法。结论最优化维纳估计算法能更好实现颜色再现。     

不同算法模型对光谱重构精度的影响

目的研究光谱颜色复制中原稿图像的光谱信息,并对目标色的光谱反射率进行重构,探究影响重构光谱精度的因素。方法通过选取Munsell Color Matt(1269色块)和Color Checker Classic(24色块)2种色卡作为光谱反射率数据样本,建立不同的主成分分析线性重构模型,选取不同的基向量个数分别重构光谱,并对其精度进行评价,取Classic色卡模拟多光谱图像中重建光谱反射率的目标色,研究比较光谱重构模型和基向量数目对重构精度的影响。结果实验表明,降维模型1最终恢复的数据在RMSE,GFC和色差上均优于模型2,随着基向量数目的增加,2种降维模型差距在减小,当基向量数目达到13以后,2种模型基本没差异。结论文中提到光谱重建模型1和7个基向量是重构光谱图像的最佳方案。     

样本特征对光谱图像重构影响的研究

目的以光谱图像作为检测样本讨论不同训练样本数量、分布对光谱图像重构的影响。方法选择ColorCheckerSG(140色)和ColorCheckerColorRenditionChart(24色)以及Munsell(1269色)等3种色卡作为训练样本,对其光谱反射率进行主成分分析,利用提取的主成分对光谱图像进行重构。结果采用ColorChecker Color Rendition Chart(24色)色卡的7个主成分重构光谱图像对图像的再现精度最高,其色差比其他2种色卡小,且最大色差小于3。结论在同一重构条件下,光谱图像的重构精度并不随着训练样本数量增多以及分布范围增大而提高,3种训练样本对红紫色的重构精度相对较低。     

基于不同色块数量的光谱重构对比

分别对24色块、140色块、1 269色块3种不同颜色数量的哑光色卡光谱反射率进行主成分分析(PCA),利用分析所提取的最大6个特征向量重构光谱,并使用均方根误差值(RMSE)和CIE1976色差值对结果进行评价。实验结果表明:同等条件重构后,140色卡在累计贡献率和色差方面均优于另外2种数量的色卡,均方根误差也仅次于1 269色卡,表明不同色块数量的训练样本会影响光谱重构精度;重构后的光谱反射率均在对应黄色、绿色、蓝色等的中间波段,再现效果最好,蓝紫色相对较弱,橙色-红色表现最差。     

一种基于宽度学习的高精度光谱重建方法

目的 研究一种更有效的光谱重建方法,以提升光谱重建的精度。方法 文中提出一种基于宽度学习的光谱重建方法,以包含1 269个色块的孟塞尔亚光数据集和包含289个色块的Agfa IT8.2数据集为实验样本,利用商用彩色数码相机的模拟系统对所提方法进行验证,以光谱均方根误差、光谱拟合优度系数和2种色差公式为算法评价指标,并与现有的光谱重建方法进行了对比。结果 实验结果表明,该方法可实现的平均均方根误差低至0.4%,平均光谱拟合优度系数达到99.9%,平均色差低至0.147和0.112,光谱精度和色度精度都明显优于其他2种方法。结论 基于宽度学习的光谱重建算法可以有效地提高光谱重建的精度,能够实现更高精度的光谱颜色表征和再现的要求。     

一种基于LMS加权的残差补偿光谱降维模型研究

目的在PCA算法的基础上提出一种基于LMS锥响应加权的残差补偿光谱降维模型。方法介绍以LMS为加权函数对源光谱加权以及用残差光谱对模型补偿的基本框架。以Munsell色卡作为训练样本,以多光谱图像和SG色卡为检测样本,用文中算法与主成分分析算法分别对其进行降维、重构。结果在不同维数下,采用文中算法重构都具有较高的色度精度,该算法有效提高了主成分分析算法的色度精度,且在变光源情况下仍具有较高的色度稳定性。结论该降维算法采用LMS加权并对残差光谱补偿是一种精度较高的光谱降维模型。     

基于加权欧氏距离的光谱重构训练样本选择

目的研究光谱反射率重建过程中训练样本的选取,以提高光谱反射率的重建精度。方法根据检验样本与训练样本间的欧氏距离判断两者的相似度,并将样本向量各维度分量"标准化"到均值、方差相等,使得各维度分别满足标准正态分布,同时将其方差的倒数作为权重赋予训练样本。实验以Munsell色卡为总的训练样本集,经Mohammadi方法、Cao方法以及文中方法选择出的样本作为最终的训练样本,用Color Rendition Chart 24色卡为检验样本,采用伪逆法分别对选择出来的训练样本进行光谱反射率重建。结果通过Matlab软件仿真实验,文中方法的平均色差为0.7918△E_(ab)~*,最大色差为1.7148△E_(ab)~*,平均均方根误差为0.0060,最大光谱均方根误差为0.0127。结论基于加权欧氏距离的训练样本选择可以有效地提高光谱的重建精度,能更好地实现颜色再现。     

基于PSO和LSSVM回归的摄像机标定

针对摄像机非线性显式标定时很难精确地建立其复杂的数学模型,本文提出了基于粒子群优化算法(PSO)和最小二乘支持向量机(LSSVM)回归的摄像机非线性隐式标定方法.该方法采用最小二乘回归机精确逼近图像坐标与世界坐标之间复杂的非线性成像关系;利用PSO算法搜索LSSVM回归模型的最优参数,提高LSSVM回归的收敛速度和泛化能力.通过运用标准BP神经网络、遗传算法、LSSVM及粒子群优化的LSSVM回归方法对圆阵列图案标定模板进行标定,实验结果表明:基于PSO和LSSVM回归的标定方法具有标定精度高、收敛速度快、泛化能力强等优点.     

基于人工神经网络的光谱反射率重建

目的研究基于BP神经网络法和FNN神经网络法重构图像光谱反射率的精度。方法以SG标准色卡作为训练样本,分别使用BP和FNN神经网络法,对测试样本DC标准色卡的光谱反射率进行预测,并利用CIEL*a*b*色差公式、均方根误差(ERMS)和光谱匹配精度(GFC)对结果进行评价。结果 BP和FNN神经网络重构的光谱反射率平均色差(ΔEab)分别为2.997和3.071,平均均方根误差(ERMS)分别为0.056和0.049,平均光谱匹配精度(GFC)分别为0.987和0.991。结论 2种神经网络方法重构的光谱反射率具有相当优越的色度和光谱精度。相比于FNN神经网络,BP神经网络更加适合于光谱图像的获取领域。     

基于双层动态筛选训练样本的光谱重建算法

目的研究光谱重建过程中训练样本筛选方法对光谱重建精度的影响。方法利用违逆的方法对测试样本Munsell样本和Color Checker SG样本进行光谱重构,训练样本分别选择未经筛选的Munsell样本集、经过动态聚类筛选的和经过文中提出的双重动态筛选的Munsell样本集,然后比较3种样本筛选方法得到的光谱重构精度。结果实验结果表明,经过双层动态筛选的训练样本重构精度无论是均方根误差(RMSE)、拟合优度(GFC)还是不同光源下(A,D50和F2)的色差,明显高于动态聚类分析的样本和未经筛选的样本。结论提出了一种新的样本筛选方法,该筛选方法效果良好,具有一定的先进性。