基于分散微粒群算法的二维模糊最大熵图像分割

该文研究了基于二维模糊信息熵的图像分割方法,针对二维模糊信息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,提出了基于优化微粒群算法的二维最大熵图像分割方法。DPSO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-区域灰度均值作为阈值进行图像分割。同时,为了避免该算法收敛到局部最优解的问题,在算法中引入了变异策略。通过实验显示了该算法在收敛性和计算效率上较QPSO在内其它优化算法具有更好的优越性。     

基于量子遗传算法的二维最大熵图像分割

图像分割二维最大熵算法存在计算复杂度高的弊端,目前针对这个问题所提出的各类算法效果都不太理想。依据量子遗传算法种群多样性好、收敛速度快的特点,提出了一种基于量子遗传算法的二维最大熵算法,与基于标准遗传算法的二维最大熵算法相比较,取得了更好的实验效果。     

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.     

基于微粒群算法的二维最大熵图像分割算法

将微粒群算法运用于二维最大熵图像阈值分割法。首先构建图像分割的二维最大熵准则函数,然后采用适用于整数规划的微粒群算法最大化该准则函数,最终实现含噪声干扰下图像的有效分割。分割实验表明,该方法具有较强的抗噪声能力,且比普通和基于遗传算法的二维最大熵法运算速度更快。     

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.     

图像分割的二维最大熵遗传算法

将遗传算法运用于二维最大熵图像阈值分割法。首先对二维阈值坐标进行编码，然后依据二维最大熵准则建立适应度函数，在适当的交叉率和变异率下，最终实现强噪声干扰下图像的有效分割。分割实验表明，文中方法较一给最大熵法具有更强的抗噪声能力，较普通二维最大熵法运算速度更快。     

基于二维Tsallis交叉熵直线型图像阈值分割方法

Tsallis熵具有非广延性,其用于图像分割取得了比Shannon熵好的分割效果.但传统Tsallis熵分割主要基于点的分割,其不足处在于忽略边界区域的信息.为消除忽略边界区域信息给图像分割带来的不足,在二维Tsallis交叉熵基础上提出了二维Tsallis交叉熵直线型分割方法,并将聚类小生境粒子群算法应用于最佳二维阈值的搜索当中,最佳阈值搜索速度有了明显提高,所得阈值较为理想.实验表明此方法取得了比传统Tsallis熵分割法较好的分割效果.     

基于混沌遗传算法的二维最大熵图像分割

研究了基于二维最大熵的图像分割算法,针对基于二维最大熵的图像分割算法存在的计算复杂度高、计算时间长等问题,提出了一种基于混沌遗传算法的二维最大熵算法。该方法利用类似载波的方法将混沌序列映射至双阈值的二维空间,之后利用混沌遗传算法搜索最佳阈值进行图像分割。实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了有效的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大提高了计算速度,是一种实用有效的图像分割方法。     

基于混沌遗传算法的二维最大熵图像分割

研究了基于二维最大熵的图像分割算法,针对基于二维最大熵的图像分割算法存在的计算复杂度高、计算时间长等问题,提出了一种基于混沌遗传算法的二维最大熵算法.该方法利用类似载波的方法将混沌序列映射至双阈值的二维空间,之后利用混沌遗传算法搜索最佳阈值进行图像分割.实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了有效的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大提高了计算速度,是一种实用有效的图像分割方法.     

基于狼群算法与二维最大熵的图像分割

为快速准确地分割出图像中的感兴趣目标,提出改进的狼群算法并结合二维最大熵实现图像目标分割。在狼群算法的游走环节利用混沌系统动态调整惯性权重,在攻击环节对整个解空间进行混沌全局搜索,并将改进狼群算法与二维最大熵相结合优化准则函数。实验结果表明,该算法能够实现对目标图像的精确分割,与基本狼群算法结合二维最大熵分割相比速度更快,准确度更高。     

基于自适应CPSO算法的二维模糊熵图像阈值分割

由于PSO算法会出现虚假收敛或者早熟等现象,提出了一种自适应混沌粒子群算法(ACPSO)及其在图像分割中的应用。首先提出了一种改进的自适应粒子群优化算法(IAPSO)。然后在IAPSO的基础上,加入了混沌优化方法,用混沌变量来初始化粒子的位置和速度,并用新的无限折叠混沌映射对算法进行混沌变异,从当前群体中择优选择部分粒子进行混沌优化。最后将ACPSO算法应用到图像分割中。通过与最大模糊Shannon熵阈值分割法、基于基本PSO的最大模糊Shannon熵阈值分割法进行对比,验证了基于自适应CPSO算法的二维模糊熵阈值图像分割方法的性能更好。     

基于最大熵的模糊核聚类图像分割方法

传统聚类算法易陷入局部极值,在数据线性不可分时分类效果较差。为此,提出一种基于最大熵的模糊核聚类图像分割方法。采用最大熵算法对原始图像进行初步分割,求得初始聚类中心;引入Mercer核函数,把输入空间的样本映射到高维特征空间,并在特征空间中进行图像分割。实验结果表明,该方法能减少迭代次数,使分类结果更稳定,从而较好地把目标从背景中分割出来。     

基于人工蜂群优化的二维最大熵图像分割

针对二维最大熵图像分割方法计算量大的问题,提出基于人工蜂群优化的二维最大熵图像分割算法。利用人工蜂群优化算法收敛快、避免局部最优、控制参数少等优点,将二维最大熵法最佳二维阈值视为最佳蜜源,实现基于人工蜂群优化的二维最大熵图像分割。实验结果表明,该方法的收敛速度较快、抗噪性较强。     

基于QPSO算法的图像颜色分割*

目前不同种类的纹理区域组成的彩色图像分割还是一个难点。当一幅图像中包含相似的和（或）非固定的纹理区域时,难以计算出精确的纹理区域和分割区域的最优数目。描述了基于量子行为的微粒群优化算法（QPSO）的图像颜色分割方法,把图像分割问题看作一个最优化问题并且采用QPSO的进化策略聚类颜色特征空间中的区域。QPSO不仅参数个数少、随机性强,并且能覆盖所有解空间,保证算法的全局收敛。给出了三幅图像的分割效果,证明了QPSO算法在自动的和无监督的纹理分割上具有很好的效果。     

基于CPSO的二维Otsu图像分割法

二维Otsu方法同时考虑了图像的灰度信息和像素问的空间邻域信息,图像分割效果好但算法计算量较大。针对上述情况,提出一种基于混沌粒子群优化算法（CPSO）的策略,将其用于二维Otsu方法中,并与标准粒子群优化算法（SPSO）进行仿真实验对比。实验结果表明,该方法可以提高分割速度,克服SPSO的缺点,图像分割结果较理想。     

基于2D-WLDH的最大熵阈值分割算法

在传统二维最大熵图像阈值分割算法中,二维直方图主对角区域的概率和近似为1的假设不够合理,且算法耗时较多.为此,提出一种新的最大熵分割算法.根据灰度级和韦伯局部描述子(WLD)建立二维WLD直方图(2D-WLDH),将其用于最大熵的阈值分割,并设计快速递推算法,以提高运行速度.实验结果表明,该算法的运行时间较少,分割效果较好.     

基于二维最大熵原理和改进遗传算法的图像阈值分割

传统的最佳直方图熵法对低信噪比图像的分割效果不理想,而二维最大熵法充分利用了像素的灰度分布信息和像素间的空间相关信息,提高了阈值分割的抗噪性能.本文对二维最大熵法进行了详细阐述和推导,对遗传算法进行了一系列改进,提出了一种新的类抛物线型变异算子.实验结果表明,二维最大熵法具有较强的鲁棒性,同时改进的遗传算法能够快速收敛到最佳分割阈值,其优化效果十分明显.     

一种结合二维Otsu法和模糊熵的图像分割方法

提出了一种结合二维Otsu法和模糊熵的图像分割方法,先采用二维Otsu法对图像进行初步分割,再采用模糊熵作后续处理,以弥补忽略边界信息带来的问题.实验结果表明,对于含噪图像,该方法的后处理效果是比较理想的.