基于改进人工蜂群算法的多阈值红外图像分割

针对传统的多阈值红外图像分割中多阈值选取存在的效率低、计算重复等问题,提出了一种基于改进人工蜂群算法的多阈值红外图像快速分割算法.首先,在阈值选取时引入人工蜂群算法,实现多阈值的选取.然后,针对原始人工蜂群算法存在的收敛速度慢、容易陷入局部最优的缺点,分别从引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,使其更快、更准地收敛于最优解.实验表明,相比于原始人工蜂群算法,改进后的算法在精度相同时速度更快,迭代次数相同时结果更接近最优解.该算法能够在保证精度的前提下高效地对红外图像进行多阈值分割,是一种可行的红外图像分割方法.     

一种基于Levy-人工蜂群的三维Otsu阈值分割算法

针对图像分割过程中三维Otsu算法运算时间长、计算量大的问题,提出了一种基于Levy-人工蜂群算法的三维Otsu阈值分割算法。首先,以像素灰度值-邻域均值-邻域中值的三维类间方差作为人工蜂群算法的适应度函数;其次,采用Levy飞行模式评价像素的适应度,对其种群更新及邻域搜索过程进行优化,以增强其全局搜索能力;最后,利用改进后的算法得到的分割阈值对图像进行分割。仿真实验结果表明,与传统三维Otsu阈值分割算法相比,所提算法能够有效降低图像存储空间,处理时间降低了30.8%,具备更好的抗噪性能,分割效果也更为理想。     

一种改进的Otsu图像阈值分割算法

Otsu法是图像阈值化分割法中的经典算法之一,在图像处理中有广泛的应用。本文针对红外吊舱图像的特点,在对Otsu法进行分析的基础上,提出了一种改进的Otsu图像阈值分割算法。首先,采用整幅图像的平均灰度值作为初始阈值对图像进行分割;然后,推导出了Otsu法四个参数的递推公式;最后,在缩小的灰度级范围内用递推的Otsu法来计算最终的分割阈值T。实验仿真结果表明,改进的Otsu算法在图像分割效果方面和时间效率方面明显优于Otsu法。     

改进海鸥算法的多阈值图像分割算法北大核心CSCD

为进一步提高图像分割精度,改善传统多阈值图像分割方法计算量大、分割慢的问题,提出了改进海鸥算法(improved seagull optimization algorithm,ISOA)的多阈值图像分割方案。针对原始海鸥算法(seagull optimization algorithm,SOA)存在早熟、寻优精度不足的问题,首先,采用cubic混沌映射优化初始解,提高搜索效率;其次,引入鹰栖息优化算法(eagle perching optmizer,EPO)的缩放因子和疯狂算子进行扰动,并与麻雀搜索算法(sparow search algorithm,SSA)警戒者的位置更新相结合,优化寻优精度和收敛速度,避免陷入局部最优。利用6种基准测试函数对ISOA进行寻优性能测试。最后,将ISOA与图像分割的最优阈值选取相结合,进行基于Otsu的多阈值图像分割,并与现有分割算法进行对比。仿真结果表明,ISOA在基于Otsu的图像分割中,100%取得了最优值,且80.9%的结果优于其余算法,使图像的分割精度和质量均得到了优化。     

改进人工蜂群算法在图像分割中的应用

作为图像处理技术的一个分支,多阈值图像分割技术已经越来越吸引人们的注意.然而,很多阈值分割技术计算时间较长,且其随着维数的增加而呈指数性增长.因此,为了提高分割的效率,引入基于改进人工蜂群优化算法的多阈值图像分割技术.在分析了标准人工蜂群算法缺陷的基础之上,从雇佣蜂和观察蜂的搜索公式进行改进,使其能够更有效率地收敛至全局最优,同时采用最大类间方差法(Otsu)作为测试改进算法性能好坏的标准.实验证明,改进后的算法更好地平衡了全局搜索和局部寻优能力,在加快收敛速度的同时提高了寻优精度,获得了良好的图像分割效果.     

改进狼群优化算法的Otsu图像分割法北大核心CSCD

为减少算法的运行时间,对狼群算法和二维Otsu算法进行分析研究,提出改进狼群优化算法的Otsu图像分割法,将PSO算法中求解当前局部最优的思想引入到狼群算法的游走、召唤行为中,使狼群间实现信息交互,提高搜索最佳阈值的准确度;采用自适应化围攻行为,加快算法寻优速度;利用混沌法对得到的次优解进行优化,避免陷入局部极值.仿真结果表明,该算法既降低了分割时间,又提高了分割精度.     

基于最佳熵的三维Otsu图像分割算法

针对三维Otsu分割算法运算量大的问题,本文提出了一种基于最佳熵的三维Otsu图像分割算法。文章中,我们首先采用最佳熵方法初步提取图像的目标区域,并根据目标区域的平均灰度确定三维Otsu图像分割算法的背景区域搜索范围,然后采用三维Otsu算法并结合遗传算法对原图像进行分割。实验结果表明,与三维Otsu阈值分割方法的递推算法相比,该方法能够进一步减少运算时间。     

基于改进蜂群优化的图像分割算法

针对图像分割算法各个性能不均衡的问题,提出一种基于蜂群优化与多颜色空间特征提取的图像分割算法.首先,对CIE颜色空间的L分量使用Gabor滤波器提取图像的纹理特征,并且在图像的HSV颜色空间计算图像的局部一致性,共提取图像的7个特征,组成特征向量;然后,本文对蜂群搜索算法进行优化,设计了一个有效的局部搜索算法,使得蜂群可高效地收敛至较优的帕累托最优解;最终,使用改进的蜂群算法对种子区域生长法进行改进与优化,指定种子的最优位置,决定每个种子点一致性准则的最优阈值,并将多准则作为多目标优化的问题,使用蜂群优化搜索帕累托最优解,最终获得分割结果.对比实验结果表明,该分割算法的时间效率、一致性误差以及类内散布度等性能较为均衡,具有较好的实用价值.     

基于遗传模拟退火算法的Otsu图像分割研究

针对目前基本遗传算法在优化图像分割算法中存在的易于早熟、陷入局部最优的不足,以最大类间方差函数为适应度函数,提出了一种基于改进遗传算法的图像阈值分割算法.对交叉、变异算子进行自适应改进,同时将模拟退火算法融入到遗传算法中,使得对个体的评价更合理,既能克服种群退化现象,又改善算法的全局搜索能力,避免遗传算法陷入局部最优.实验结果显示,与Otsu图像分割法以及基于遗传算法的图像分割方法相比,使用该方法得出的阈值范围更加稳定,执行效率更高,在图像分割中获得的分割效果更佳.     

基于粒子群优化的Otsu肺组织分割算法

为减少肺组织分割算法的运算时间,提出了一种基于粒子群优化的Otsu肺组织改进自动分割算法。针对传统粒子群优化的二维Otsu算法中二维直方图计算量大、粒子搜索容易陷入局部最优解的缺陷,使用灰度级-梯度二维直方图减少二维直方图的计算量,并减小粒子搜索范围,采用基于粒子空间对称分布的改进粒子群获取最佳阈值。算法实现过程中利用孔洞填充算法去除背景,基于形态学操作去除噪声、修补病变区域产生的孔洞。仿真实验结果显示,本文算法对图像尺寸为512像素×512像素CT图像的阈值分割时间约为0.2s,比基于灰度级-邻域均值二维直方图的粒子群优化的Otsu算法的阈值分割速度提高了约16%。较好地实现了胸腔CT图像的肺组织自动分割,与传统算法相比较,本算法在保证分割精度的基础上分割速度明显提升。     

基于鲁棒Otsu的红外无损检测缺陷分割算法

在红外无损检测获取的图像中,缺陷区域与非缺陷区域所占面积比例悬殊,且图像经过序列增强处理之后仍然存在阴暗区域,导致缺陷分割准确性受损。为此,结合局部阈值分割法的相对阈值思想,提出一种基于鲁棒Otsu的缺陷分割算法。首先,引入邻域均值与邻域总梯度作为表征像素点的所属类别与空间状态的重要参数。然后,采用基于像素点-块区的统计调整模型对红外图像缺陷区和非缺陷区的灰度值进行动态调整。最后,采用基于灰度-邻域偏差的改进二维直方图及其区域划分方法,通过自动选取邻域边长的遗传算法搜索最佳阈值,实现红外图像的缺陷分割。结果表明:该算法不仅改善了Otsu算法的鲁棒性,且能够提高红外无损检测缺陷分割的准确性。     

一种快速递归红外舰船图像分割新算法

针对背景复杂、对比度低的红外舰船目标分割问题,提出了一种红外舰船图像分割的新算法.由于二维最大类间方差法不仅反映了图像的像素点灰度分布信息,还反映了邻域空间相关信息,因此有较好的抗噪能力.但是由于其解空间维数的增加,计算量的变化是以指数增长的,而粒子群优化算法可实现高效并行、随机、自适应群体搜索.基于这一特点,提出了基于粒子群优化的二维最大类间方差局部递归分割方法,有利于实现红外图像的实时处理.该方法同样适用于复杂背景下的其他红外目标图像的分割.     

基于模糊阈值和水平集的红外图像分割方法

针对阈值法分割红外图像易产生误分割和水平集分割方法受初始曲线限制大,提出了一种结合模糊阈值与水平集的自适应红外图像分割方法。该方法首先采用二维Otsu方法计算阈值,利用该阈值获取模糊阈值分割法中的窗口宽度,使模糊阈值分割法具有自适应性;然后采用此自适应模糊阈值分割法预分割红外图像,利用预分割结果自动获取水平集初始曲线;最后将Chan-Vese方法与Shi方法结合提出改进的水平集方法,并用此方法分割红外图像。实验结果表明,本文方法具有较好的分割效果和较强的鲁棒性。     

基于区域生长法和BP神经网络的红外图像识别

针对变电站巡检机器人远程监控系统中红外图像识别存在的问题,提出一种基于改进区域生长法和BP神经网络的红外图像目标设备分割与识别的方法。利用最小二乘法拟合出红外图像中亮度与温度之间的线性关系,建立基于像素的图像温度场;根据设定温度范围确定区域生长法的种子点位置,利用Otsu法确定截屏窗口最优分割阈值,并结合灰度相似性阈值作为区域生长法的分割准则,实现该窗口目标设备精确分割;将分割出的设备二值图像的Hu不变矩作为设备形状特征向量,并对其进行不变性和类间区分度验证;采用引入附加动量法和自适应调整学习率的BP神经网络实现多种电气设备的识别,实验数据表明优化后的BP神经网络具有迭代收敛快,误差波动性小,分类准确度高等特点。     

基于新遗传算法的Otsu图像阈值分割方法

最大类间方差（Otsu）图像分割法是常用的一种基于统计原理的图像阈值分割方法。为了改善Otsu耗时较多、分割的精度低、易产生图像误分割等不足,将猴王遗传算法与Otsu算法结合,运用猴王遗传算法的原理,寻找图像灰度的最大类间方差,即最佳阈值。结果表明,结合后的方法不仅提高了图像的分割质量、缩短了运算时间,而且非常适合图像的实时处理。     

基于改进的自适应差分演化算法的二维Otsu多阈值图像分割

针对常规最大类间方差法在多阈值图像分割中存在的运算量大、计算时间长、分割精度较低等问题,该文提出一种基于改进的自适应差分演化(JADE)算法的2维Otsu多阈值分割法。首先,为增强初始化种群的质量、提升控制参数的适应性,将混沌映射机制融入到JADE算法中;进而,通过该改进算法求解2维 Otsu 多阈值图像的最佳分割阈值;最终,将该算法与差分进化(DE), JADE,改进正弦参数自适应的差分进化(LSHADE-cnEpSin)以及增强的适应性微分变换差分进化(EFADE) 4种算法的2维Otsu多阈值图像分割进行比较。实验结果表明,与其它4种算法相比,基于改进JADE算法的2维Otsu多阈值图像分割在分割速度以及精度上均有较明显的改善。