基于改进遗传算法的车牌图像分割

为了解决简单遗传算法存在的早熟、收敛到全局最优解难问题,提出了适应度标定公式,提高选择压力;定义相似度概念,保留相似性差的个体,剔除相似性个体.在不增加群体规模的前提下,增加了群体的多样性.改进遗传算法能够避免简单遗传算法所存在的问题.为了解决车牌图像识别率低问题,提出基于改进遗传算法的车牌图像分割方法,进行车牌图像识别.实验证明利用此方法进行车牌图像识别效果较好.     

一种改进的自适应遗传算法在指纹图像分割中的应用

本文提出了基于改进的自适应遗传算法与方向图法相结合的指纹图像分割方法，采用群体的最大适应度、最小适应度、适应度平均值这3个变量来衡量群体适应度的集中程度，能自适应地变化整个群体的交叉概率pc和变异概率pm。采取最优保存策略来保证最优个体不被大的pc和pm破坏掉。并用无放回余数随机选择算子(RSSR选择算子)对基本选择算子进行了改进，选择误差比较小。在自动指纹识别中，指纹图像分割不仅能够对图像信息进行压缩，保留脊谷线的主要信息，同时能够去除大量的粘连，加速后续处理的速度和提高指纹特征提取和匹配的精度。最后给出了实验结杲。     

一种基于改进遗传算法的图像分割方法*

为了自动确定图像分割的最佳阈值,提出了一种基于改进遗传算法的图像分割方法,即利用这种改进遗传算法对二维Otsu图像分割函数进行全局优化,该方法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,最后得到图像分割的最佳阈值,克服了传统遗传算法的收敛性差、易早熟等问题。在理论分析和仿真数据实验中,与二维Otsu图像分割法和基于基本遗传算法的图像分割法相比,使用该方法得出的阈值范围更加稳定,阈值计算时间有极大的提高,更能满足图像处理的实时性要求。     

基于改进鱼群算法的多阈值图像分割

为了实现图像的有效分割,提出了一种基于改进鱼群算法的多阈值图像分割方法。引入领域搜索的思想对基本人工鱼群算法做了进一步改进;然后对最大熵函数进行全局优化,改进后的算法能够根据人工鱼的个体适应度大小和种群的分散程度自动调整鱼群控制参数,在保证群体多样性的同时加快了算法的收敛速度;最后得到分割图像的最佳阈值,克服了基本鱼群算法后期收敛性差、易陷入局部最优等问题。实验结果表明,所提算法能够获得较稳定、快速和准确的图像分割。     

改进遗传算法在最小错误图像分割法中的应用

传统自适应遗传算法有可能使问题求解陷入局部最优解,而求得错误的图像分割阈值。为了得到最优的图像分割阈值,提出了改进遗传算法在最小错误图像分割法中的应用。改进的算法重新构建了交叉率和变异率的计算公式,使得交叉率和变异率在任何情况下都不为零。算法使用误差最小函数作为适应度函数,采用选择、交叉、变异等遗传操作搜索最优分割阈值。实验结果表明,改进遗传算法应用到最小错误图像分割法中,减少了运算时间,提高了分割准确度。     

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.     

一种基于改进小生境遗传算法的图像分割方法

利用经典的Otsu算法和基本遗传算法相结合进行图像分割存在有算法效率低、容易提前形成伪解的问题,对于上述问题,提出一种基于改进小生境遗传算法的图像分割算法(IVNGAMS)。算法全局优化了二维Otsu图像分割函数,可以按照个体适应度大小自动控制遗传参数。并通过引入模拟退火算法,进一步提升算法的局部搜索能力。实验结果表明,改进的图像分割方法能更好提升算法的全局搜索能力,能够更加稳定快速的收敛到最佳的分割阈值,并且得到了更好的图像分割效果。     

求解多极值点函数的改进遗传算法

给出的适应值标定公式能够解决对个体选择压力和标定后适应值非负问题，对多极值函数的遗传算法所提出的改进措施可以增加群体的多样性，避免算法“早熟”，过早陷入局部最优。     

一种改进遗传退火算法的图像分割方法

图像分割是图像处理和分析的基础,本文通过分析遗传算法（Genetic Algorithm, GA）在图像分割中的应用优劣,提出利用模拟退火思想的改进遗传退火（Genetic Simulated Annealing Algorithm, GASA）的图像阈值分割算法,算法整个运行过程由冷却温度进度表控制,使用改进的最大类间方差公式作为遗传算法的适应度函数,从而求得灰度图像的一个最佳阈值用于图像分割。实验结果表明,基于改进遗传退火算法的最大类间方差图像分割方法能较好提高算法的全局搜索能力,避免遗传算法陷入局部最优,并且能更快速、更稳定收敛到最佳的分割阈值,得到更好的图像分割效果。     

基于遗传算法的图像分割处理技术研究

旨在使用遗传算法对带有底部噪声的图像进行处理,并通过对遗传算法的改进实现处理效果的提升。结合图像分割阐述了遗传算法的工作机制,分析了适应度计算、选择、交叉和变异等主要模块的设计方法,阐明了代沟与优秀个体的关系、不同代间的个体替换关系、交叉点的选取方法与变异位置的选择、种群数量的保持等关键性问题,并给出了参数设置的具体值。使用该算法对带底部噪声的图片进行了处理,结果表明传统遗传算法可以将目标图像从存在噪声的背景中分离出来,但处理时间为7.416 s。为提高处理效率,利用进化代数和个体的适应度值自适应地调整种群的交叉概率和变异概率对传统算法进行了改进。使用改进的遗传算法对同一噪声图像进行了分割处理,结果表明改进后的遗传算法图像分割效果更佳,处理时间仅为0.751 s,效率提高了近10倍。     

动态权重的蝙蝠算法在图像分割中的应用研究

传统的最小交叉熵阈值分割法（MCET）采用穷举的搜索形式，存在计算复杂度大、分割效率低的缺点，在很大程度上限制了该方法的应用。针对最小交叉熵分割法存在的不足，提出采用改进蝙蝠算法（BA）来搜索阈值的最优解。对BA算法中的权重参数做自适应调整，将随着迭代次数变化而变化的时变惯性权重策略应用于BA算法更新公式，给出三种不同的改进策略解决原始BA算法在靠近最优解时收敛速度下降的问题。将改进后的最优BA算法（IBA）应用于最小交叉熵多阈值图像分割中，与基本BA算法、改进的粒子群优化算法（IPSO）、模糊聚类方法（FC）三种方法进行对比性实验。实验结果表明，提出的IBA算法运算速度和分割精度效果明显提升。     

基于形状先验和图割的彩色图像分割

基于图割理论的图像分割方法在二值标号问题中可以获取全局最优解,而在多标号问题中可以获取带有很强特征的局部最优解。但对于含有噪声或遮挡物等复杂的图像,分割结果不完整,效果并不令人满意,提出了一种基于形状先验和图割的图像分割方法。以图割算法为基础,加入形状先验知识,使该算法包含更多约束信息,从而限制感兴趣区域的搜寻空间,能够更好地分割出完整的目标,增加了算法的精确度。针对形状的仿射变换,运用特征匹配算法进行处理,使算法更加具有灵活性,能够应对不同类型的情况。实验表明了该算法的有效性。     

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.     

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。     

SAR image segmentation based on quantum-inspired multiobjective evolutionary clustering algorithm

The segmentation task in the feature space of an image can be formulated as an optimization problem. Recent researches have demonstrated that the clustering techniques, using only one objective may not obtain suitable solution because the single objective function just can provide satisfactory result to one kind of corresponding data set. In this letter, a novel multiobjective clustering approach, named a quantum-inspired multiobjective evolutionary clustering algorithm (QMEC), is proposed to deal with the problem of image segmentation, where two objectives are simultaneously optimized. Based on the concepts and principles of quantum computing, the multi-state quantum bits are used to represent individuals and quantum rotation gate strategy is used to update the probabilistic individuals. The proposed algorithm can take advantage of the multiobjective optimization mechanism and the superposition of quantum states, and therefore it has a good population diversity and search capabilities. Due to a set of nondominated solutions in multiobjective clustering problems, a simple heuristic method is adopted to select a preferred solution from the final Pareto front and the results show that a good image segmentation result is selected. Experiments on one simulated synthetic aperture radar (SAR) image and two real SAR images have shown the superiority of the QMEC over three other known algorithms.     

融入邻域作用的高斯混合分割模型及简化求解

目的 基于高斯混合模型（GMM）的图像分割方法易受噪声影响,为此采用马尔可夫随机场（MRF）将像素邻域关系引入GMM,提高算法抗噪性。针对融入邻域作用的高斯混合分割模型结构复杂、参数估计困难,难以获得全局最优分割解等问题,提出一种融入邻域作用的高斯混合分割模型及其简化求解方法。方法 首先,构建融入邻域作用的GMM。为了提高GMM的抗噪性,采用MRF建模混合模型权重系数的先验分布。然后,利用贝叶斯理论建立图像分割模型,即品质函数;由于品质函数中参数较多（包括权重系数,均值,协方差）、函数结构复杂,导致参数求解困难。因此,将品质函数中的均值和协方差定义为权重系数的函数,由此简化模型结构并方便其求解;虽然品质函数中仅包含参数权重系数,但结构比较复杂,难以求得参数的解析式。最后,采用非线性共轭梯度法（CGM）求解参数,该方法仅需利用品质函数值和参数梯度值,降低了参数求解的复杂性,并且收敛快,可以得到全局最优解。结果 为了有效而准确地验证提出的分割方法,分别采用本文算法和对比算法对合成图像和高分辨率遥感图像进行分割实验,并定性和定量地评价和分析了实验结果。实验结果表明本文方法的有效抗噪性,并得到很好的分割结果。从参数估计结果可以看出,本文算法有效简化了模型参数,并获得全局最优解。结论 提出一种融入邻域作用的高斯混合分割模型及其简化求解方法,实验结果表明,本文算法提高了算法的抗噪性,有效地简化了模型参数,并得到全局最优参数解。本文算法对具有噪声的高分辨率遥感影像广泛适用。     

An image segmentation method using automatic threshold based on improved genetic selecting algorithm

In this paper, an image segmentation method using automatic threshold based on improved genetic selecting algorithm is presented. Optimal threshold for image segmentation is converted into an optimization problem in this new method. In order to achieve good effects for image segmentation, the optimal threshold is solved by using optimizing efficiency of improved genetic selecting algorithm that can achieve a global optimum. The genetic selecting algorithm is optimized by using simulated annealing temperature parameters to achieve appropriate selective pressures. Encoding, crossover, mutation operator and other parameters of genetic selecting algorithm are improved moderately in this method. It can overcome the shortcomings of the existing image segmentation methods, which only consider pixel gray value without considering spatial features and large computational complexity of these algorithms. Experiment results show that the new algorithm greatly reduces the optimization time, enhances the anti-noise performance of image segmentation, and improves the efficiency of image segmentation. Experimental results also show that the new algorithm can get better segmentation effect than that of Otsu’s method when the gray-level distribution of the background follows normal distribution approximately, and the target region is less than the background region. Therefore, the new method can facilitate subsequent processing for computer vision, and can be applied to realtime image segmentation.     

一种改进的快速医学图像分割方法*

为了确定医学图像的最佳灰度直方图熵,提出了一种基于改进演化算法的快速分割方法,能够自适应调整交叉和变异概率,既保证了种群的多样性,又克服了传统演化算法局部最优、收敛过快的缺点。搜索到的最佳阈值不仅比传统演化算法稳定性好,还有效地缩短了搜索时间,快速地实现了医学图像分割,而且分割后的图像可读性强。实验结果表明,该方法速度快、分割效果好。     

基于0-1规划的快速图像阈值分割算法

阈值方法是一种重要的图像分割方法,在图像分割中得到了广泛应用。Otsu算法虽然是图像分割阈值法中较好的方法之一,但是由于传统的Otsu算法通常用穷举法求解,使得处理多阈值问题时运算速度太慢,难以满足应用需求。为了快速有效地确定阈值,提出了一种改进的Otsu算法。将Otsu算法转化为一个非线性0-1数学规划问题,再利用遗传算法求解得到最优阈值。通过对测试图像的分割实验,表明该算法与传统的Ot-su算法相比运算速度有非常显著的提高,能够满足一般的应用需求。