基于最大方差法和改进遗传算法的图像分割

针对应用标准遗传算法对一幅灰度图像寻找最优阈值时经常陷入局部寻优的问题,提出了一种利用最大方差法和新的改进遗传算法相结合对图像进行分割的方法.以灰度图像的最大方差作为适应度函数,把图像分割问题变成一个优化问题.利用遗传算法的寻优高效性,搜索到能使分割质量达到最优的分割阈值.实验结果表明,采用新的改进遗传算法和最大方差法相结合对图像搜索全局阈值时能收敛至全局最优解,并且大大缩短寻找最优阈值的时间.     

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.     

基于改进差分进化算法的多阈值图像分割

阈值法是一种简单有效的图像分割技术.但是阈值法也有着明显的缺点,即阈值求解的计算量随阈值的增加而指数级增长.为克服多阈值图像分割计算量大、运算时间长的缺点,引入改进的差分进化算法,提出新的变异策略,采用自适应的缩放因子和交叉系数,并新增扰动策略.改进的算法将多阈值分割模型视为优化问题,将最大类间方差法作为目标函数,实现多阈值分割.实验结果表明,和其它算法相比,该算法不仅可以取得正确的分割结果,而且分割速度更快.     

广义模糊熵图像阈值分割参数选取的ADE方法

针对广义模糊熵图像阈值分割参数不能自动选取,提出自适应差分进化（Adaptive Differential Evolution,ADE）的广义模糊熵图像阈值分割方法。利用自适应差分进化算法作为优化工具来选取广义模糊熵阈值分割所需要的最佳参数,引入自适应变异算子和提出交叉概率自适应函数对优化过程进行控制,通过把参数带入广义模糊熵的补函数得到图像的阈值,进而得到图像最优分割。为验证其有效性与可行性,分别同基本图像质量评价准则的模糊熵图像阈值分割算法和粒子群优化广义模糊熵图像阈值分割算法相比较,实验表明,针对不同细节的图片,该算法所得分割结果多数情况下背景信息更少,目标信息更清晰,用时更短,分割更稳定且效果良好。     

结合灰度均衡和改进遗传算法的图像阈值分割

图像分割是图像处理、模式识别、计算机视觉等领域的重要技术。为实现高质量的数字图像分割,提出了一种结合图像灰度均衡和改进遗传算法的数字图像阈值分割方法。创新点在于一方面采用结合了最大类间方差法的改进遗传算法,并对遗传算法性能加以改进;另一方面,对图像进行了灰度均衡的图像前处理,使得算法具有更广泛的适应性。实验显示,方法克服了常见的图像阈值分割方法在处理灰度图像时出现的图像细节难以保留的问题,能够稳定地获得图像的最优阈值,实现保留图像细节的分割效果。     

图像分割中算法的应用研究

研究图像优化分割问题,最佳阈值选取直接影响到图像分割的清晰度质量。传统采用经验法进行分割,难以获得最佳阈值,导致分割准确率低,易产生图像误分割。为了提高图象分割准确率,提出一种基于遗传算法的Otsu图像分割。首先对图像进行去噪处理并绘制直方图;然后直方图信息选取适当灰度值作为遗传算法中的初始种群,最优阈值作为目标函数,最后通过选择、交叉和变异等遗传操作得到图像分割最优阈值,并进行图像分割。实验结果表明,遗传算法的Otsu图像分割加快了速度,减少了计算量,提高了图像分割准确率,证明适应于图像实时处理。     

基于DCIWPSO在谷底边缘泡沫图像分割的应用*

矿物浮选过程中,为了预测矿物品位,需要提取大量泡沫图像特征参数,其中泡沫大小是十分重要的图像特征参数。图像分割就是把泡沫图像分割成若干气泡区域的处理技术。谷底边缘分割算法是泡沫分割中一种重要的算法,其中分割阈值是非常重要的量,标准粒子群算法对阈值计算容易陷入局部最优值,难以计算全局最优值,采用改进的粒子群算法,动态改变粒子群中的惯性权重值来得到适合边缘分割的阈值,达到了正确分割泡沫图像的目的。     

基于二维模糊熵的GA在SAR图像分割中的应用

SAR图像中目标和背景的分割是SAR图像分割中的重要内容，阈值方法是其中比较简单实用的方法。阈值分割的核心问题是如何选择合适的阈值，最简单和常用的方法是从图像的灰度直方图出发，得到各个灰度级的概率分布密度，依据某一准则选取一个或多个合适的阈值，以确定每个像素点的归属。该文借助遗传算法工具，对基于二维直方图的模糊熵法做了改进和设计，提出了寻找最优阈值的分割算法，经MSTAR数据测试，对于含噪SAR图像目标和背景的分割具有很好的效果，抑噪功能强。     

基于遗传算法的最佳直方图熵图像分割算法研究

图像分割是图像处理的一个重要领域.阈值法是一种最简单、最基本的图像分割方法.确定最佳阈值是阈值分割法的关键,利用遗传算法的特点来快速准确地确定灰度图像直方图熵的最佳分割阅值,实现图像分割.通过仿真试验验证,分割效果明显,该算法具有很好的应用前景.     

基于蜜獾算法的破片序列图像多阈值分割

针对静爆试验中拍摄的图像中破片目标小、背景复杂等情况,基于经典阈值分割法在破片图像分割的应用中存在不能将目标所在像素准确分离的问题,提出一种基于蜜獾算法(HBA)的多阈值图像分割方法,该方法引入HBA求解Tsallis相对熵的最小值作为目标函数值来计算最佳阈值,在分析经典阈值分割方法处理破片图像的不足后,选择合适的阈值数,将HBA与遗传算法(GA)、蝗虫优化算法(GOA)、麻雀搜索算法(SSA)三种优化算法进行性能对比,利用分离出的目标绘制破片轨迹图并确定有效破片。分析结果表明,阈值数为2时分割效果满足需求,HBA运行时间1.32 s,进行100次重复实验后其结果的标准偏差约为0,分割出的目标中有效破片达83.8%,说明该算法的实时性和稳定性强,分割效果可满足对破片群运动参数测试的需求。     

基于背景像素突变检测的交通标志图像分割

为了提高交通标志图像处理过程的效果与效率,根据交通标志图像色彩饱和度空间的灰度直方图中包含的点灰度与区域灰度信息,提出了一种有效确定交通标志图像全局分割阈值的算法。首先分析了基于交通标志图像色彩饱和度空间灰度直方图的一种倒溯标准差的变化规律;然后在此基础上提出了如何选取全局图像分割阈值的方法,并采集了大量交通标志图像进行实验验证,同时,与另外两种在HIS空间下常用的图像分割方法的分割效果进行了对比;最后对算法中的部分参数与实验结果进行了分析,并指出了下一步的研究方向。该算法是一种有效的交通标志图像阈值选取方法,可推广到图像处理其他方面的应用。     

基于分水岭算法的灵武长枣图像分割方法研究

传统分水岭算法常常会因阈值选择不当而导致图像分割出现各种各样的问题,尤其是过分割问题。在传统分水岭算法的基础上,以灵武长枣图像为研究对象,运用遗传算法对随机选取的阈值进行优化选择;对自然光照环境下的20幅灵武长枣图像,采用改进后的分水岭算法对其进行分割。首先在传统分水岭算法的基础上,利用遗传算法对阈值进行寻优,得到最优的图像分割阈值,再利用最大类间方差法和数学形态学等方法对图像进行后处理,最终得到分割图像,将分割图像与人工分割得到的图像进行比较,分割的正确率能达到89.99%,且分割效果远远优于传统分水岭算法。实验表明,该方法能够得到最优分割阈值并且能够满足机器识别对图像分割的要求。     

基于改进探路者算法的多阈值图像分割

针对多阈值图像分割方法中存在的计算量大、运行时间长等问题,在标准探路者算法的基础上,引入Tent混沌映射初始化和自适应t分布策略,提出一种基于改进探路者算法的多阈值图像分割方法,该方法以Kapur熵为目标函数对最优分割阈值进行搜索。为了验证算法的有效性,首先通过标准测试函数验证改进探路者算法的收敛精度和收敛速度,然后将改进探路者算法与Kapur熵结合后应用于Berkeley图像数据集进行多阈值分割,并与标准探路者算法、飞蛾扑火算法、灰狼优化算法和粒子群算法进行比较和分析。实验结果表明,提出的改进探路者算法收敛速度更快、求解精度更高,较其他对比算法有着更好的分割效果,且PSNR与SSIM都有更好的表现,能有效解决多阈值图像分割问题。     

基于遗传模糊C-均值聚类算法的地图分割

图像分割和对象提取是从图像处理到图像分析的关键步骤。经典的模糊C-均值聚类算法(FCMA)是将图像分割成C类的常用方法,但依赖于初始聚类中心的选择。该算法通常得到的是局部最优解而非全局最优解。遗传算法是一类全局优化搜索算法。通过将遗传算法(GA)与FCMA相结合,对彩色地图直接按红绿蓝(RGB)三色空间进行聚类,用遗传算法搜索全局最优解,有效地避免了模糊C-均值聚类算法收敛到局部最优的问题,并在此基础上实现了对彩色地图的分割,得到了比较满意的效果。     

基于微粒群算法的二维最大熵图像分割方法

该文研究了基于二维最大熵的图像分割方法,针对二维最大熵图像分割方法求取阈值时存在的计算复杂、时间长、实用性差等问题,提出了基于微粒群算法的二维最大熵图像分割方法.该方法运用微粒群算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度-区域灰度均值对作为阈值进行图像分割.实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了离散的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大的提高了计算速度,是一种实用有效的图像分割方法.     

High-resolution SAR images segmentation using NSCT denoising and QIGA based parameters selection of PCNN model

The high-resolution synthetic aperture radar (SAR) images usually contain inhomogeneous coherent speckle noises. For the high-resolution SAR image segmentation with such noises, the conventional methods based on pulse coupled neural networks (PCNN) have to face heavy parameters with a low efficiency. In order to solve the problems, this paper proposes a novel SAR image segmentation algorithm based on non-subsampling Contourlet transform (NSCT) denoising and quantum immune genetic algorithm (QIGA) improved PCNN models. The proposed method first denoising the SAR images for a pre-processing based on NSCT. Then, by using the QIGA to select parameters for the PCNN models, such models self-adaptively select the suitable parameters for segmentation of SAR images with different scenes. This method decreases the number of parameters in the PCNN models and improves the efficiency of PCNN models. At last, by using the optimal threshold to binary the segmented SAR images, the small objects and large scales from the original SAR images will be segmented. To validate the feasibility and effectiveness of the proposed algorithm, four different comparable experiments are applied to validate the proposed algorithm. Experimental results have shown that NSCT pre-processing has a better performance for coherent speckle noises suppression, and QIGA-PCNN model based on denoised SAR images has an obvious segmentation performance improvement on region consistency and region contrast than state-of-the-arts methods. Besides, the segmentation efficiency is also improved than conventional PCNN model, and the level of time complexity meets the state-of-the-arts methods. Our proposed NSCT+QIGA-PCNN model can be used for small object segmentation and large scale segmentation in high-resolution SAR images. The segmented results will be further used for object classification and recognition, regions of interest extraction, and moving object detection and tracking.

     

PCB检测中图像分割技术研究

光学检测是进行印刷电路板(PCB)装配质量检验的重要手段,应用图像分割技术可以提取PCB中的目标物以进行检测。针对PCB图像分割,提出一种基于改进量子遗传算法的图像分割方法。该方法将基于阈值的图像分割方法转化为阈值优化问题,通过改进量子遗传算法的计算实现最优图像分割阈值的求取。仿真结果验证了该方法的可行性。     

复杂背景下的阈值插值方法

图像分割是进行图像处理的关键步骤。目前很多图像分割的技术都需要人工干预，而且是针对单纯的图像背景才能达到目标。为了解决有复杂背景的图像的分割问题，采用自适应阈值(阈值插值)的方法，并对其加以改进，用迭代阈值判断子图像的直方图是否是双峰分布，同时确定直方图有双峰的子图像的阈值；用双线性插值的方法确定直方图非双峰分布的予图像的阈值，使这种算法在实际中可行。实验证明这种方法适用于复杂背景的图像分割，且通用性比较好。     

改进的交互式Otsu红外图像分割算法

为提高红外图像中目标分割的精度和抗噪性能,提出了一种改进的交互式Otsu图像分割算法。采用图像信息熵特征和类间方差特征对经典Otsu算法的阈值判别函数进行改进,获得的最优阈值能较好地将目标从背景中分割出来,且具有良好的边缘保持效果,提高了算法的分割精度。同时,针对红外图像目标单一的特点,采用交互式粗分割的思路,先在红外图像中提取包含目标的局部封闭区域,进而在提取的区域内进行改进的Otsu分割。通过对红外图像激光光斑目标提取过程的实验结果表明：改进的Otsu分割算法大大降低了背景噪声对分割算法的影响,提高了抗噪性能与分割精度,且最大程度地减少分割算法的运算量,并较好地保持了目标模糊边缘,分割效果优于传统的Otsu算法和相关的改进Otsu算法。     

改进萤火虫优化算法的Renyi熵污油图像分割

针对传统Renyi熵方法在分割污油图像时存在图片差距大、无法根据不同图片进行最优分割的问题,提出改进萤火虫算法对二维Renyi熵分割算法中的α值进行寻优来解决上述问题。分析了采集的污油图片特点以及对污油图片进行分割的必要性;针对多目标寻优精度不高和后期收敛速度较慢的问题,对萤火虫算法进行了改进,并对初始萤火虫位置进行混沌优化处理,使结果达到全局最优;利用基于改进萤火虫算法的Renyi熵图像分割算法对采集的污油图片进行阈值分割实验,并与二维Renyi熵分割、粒子群算法(PSO)Renyi熵分割方法进行比较。实验结果表明:本文提出的算法可以有效地对污油区域进行分割,能够快速地实现复杂图像的精确处理。