基于粒子群优化算法的阈值图像分割研究

研究将群体智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值.仿真实验针对Lena图像分割问题,将遗传算法与粒子群优化算法分别独立运行,对得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标.统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短.仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的.     

基于粒子群优化算法和模糊熵的多级阈值图像分割算法

针对现有阈值分割算法利用穷举搜索寻找最优阈值而造成的计算成本较大的问题,提出了一种基于粒子群优化算法和模糊熵的多级阈值图像分割算法。图像分割是图像分析中非常重要的预处理步骤,在提出的方法中,首先选择香农熵和模糊熵作为优化技术的目标函数;然后建立一种基于粒子群优化算法的多层次图像阈值分割,通过最大化香农熵或模糊熵进行图像分割。最后从图像分割数据库中选取Lena、baboon和airplane作为测试图像进行性能分析（包括鲁棒性、效率和收敛性）,并与现有的几种阈值分割算法进行比较。结果显示,提出的算法得到了更高PSNR值和更少的分类误差,证明了该算法是一种高效的多级阈值图像分割算法。     

基于粒子群优化算法的最佳熵阈值图像分割

研究图像的空间信息和灰度的信息图像分割,从中提取感兴趣的目标.针对传统阈值算法虽然考虑了图像的空间信息,但是由于解空间维数增加,搜索范围增大,导致了计算时间延长,求解最优阈值的速度较低,同时传统二维熵的计算中只考虑了像素的概率,忽略了灰度的概率,导致分割不准确.为了充分利用灰度图像的灰度信息和空间信息,提高分割精确度和最优阈值的求解速度,提出一种基于粒子群算法的阈值分割方法(PSO-SDAIVE算法).算法对传统的二维直方图进行改进,生成差值属性灰度直方图,同时对灰度均值和二维熵的计算进行改进,生成空间差值属性信息值熵(SDAIVE),最后用粒子群算法来搜索SDAIVE的最大值.对头部CT图像进行分割进行了仿真,实验结果表明,能够对图像进行准确的分割,而且运行时间明显较短,证明粒子群优化的图像分割算法是可行和有效的.     

基于精英粒子群优化算法的图像分割方法

结合模式识别理论的聚类思想,将基于群智能理论的粒子群优法算法加以改进应用于图像分割中,提出一种基于精英粒子群优化算法的图像分割方法。新方法基于Pareto的精英理论对粒子群算法加以改进,在每次迭代中,生成一个Pareto精英群体,每个粒子更新时的全局极值都是从精英群体中随机选取一个个体作为全局极值。用改进的粒子群优化算法自适应选取分割阈值。实验表明,与遗传算法及标准的粒子群优化算法相比,对于具体的问题该算法具有较好的聚类效果,能够较好地分割图像。     

多阈值图像分割的模糊粒子群优化算法

把粒子群算法应用到多阈值图像分割中,结合已有的模糊C-均值聚类法提出了一种基于模糊技术的粒子群优化多阈值图像分割算法。FCM聚类算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解。PSO算法是一种基于群体的具有全局寻优能力的优化方法。将FCM聚类算法和PSO算法结合起来,将FCM聚类算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明新算法在最大熵评判准则下能够得到最优阈值。     

混沌粒子群优化指数交叉熵的阈值分割

为了提高指数交叉熵的阈值选取效率,提出了一种混沌粒子群优化指数交叉熵的阈值分割方法。首先导出指数交叉熵阈值选取方法,然后利用混沌粒子群算法对其进行优化。实验结果表明,相对于最大熵法和指数熵法,混沌粒子群优化指数交叉熵的阈值分割方法不仅分割结果精确,而且运行时间也相应缩短。     

基于混沌粒子群算法的多阈值图像分割

针对单阈值图像分割方法在求取比较复杂的图像时效果不理想及粒子群算法容易陷入局部最优且速度较慢等等问题,提出了基于混沌粒子群优化算法的多阈值图像分割方法。该方法利用混沌运动随机性、遍历性和初值敏感性,将混沌粒子群优化算法与多阈值法相结合作全局搜索,实验结果表明了基于混沌粒子群优化算法的多阈值图像分割法用于阈值寻优减少了搜索时间,并且运行时间不随阈值数目的增加而显著增加。     

改进PSO算法在二维最佳阈值图像分割中的应用

针对二维熵图像分割在求取最佳阈值时存在计算量大及粒子群算法容易陷入局部最优、运算速度慢等问题,提出了改进的粒子群优化算法的二维熵图像分割方法。该方法是在雁群启示的粒子群算法基础上,对速度公式进行改进,并引入随机扰动策略,从两个方面同时改进以提高算法的收敛速度,以及克服局部极值的能力。仿真结果表明,将该方法用于阈值寻优减少了搜索时间,提高了收敛速度,强化了图像处理的实时性。     

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。     

基于改进粒子群算法的多阈值图像分割

提出了一种改进的粒子群算法,在初始化种群时采用相对基学习原理,以获得较优的初始候选解;在后期迭代过程中引入扩张模型,使粒子不易陷入局部极小值点,并将其用于多阈值图像分割。由最大熵阈值法得到所要优化的目标函数,用改进的粒子群算法对其进行优化,使其能够准确并迅速的得到分割的最佳阈值组合,并用该阈值组合对图像进行分割。将此分割结果与遗传算法的多阈值分割结果相比较可以看出,该算法可更为准确快速的实现图像分割。     

基于鱼群算法优化normalized cut的彩色图像分割方法

为了克服传统的谱聚类算法求解normalized cut彩色图像分割时,分割效果差、算法复杂度高的缺点,提出了一种基于鱼群算法优化normalized cut的彩色图像分割方法.先对图像进行模糊C-均值聚类预处理,然后用鱼群优化算法替代谱聚类算法求解Ncut的最小值,最后通过最优个体鱼得到分割结果.实验表明,该方法耗时少,且分割效果好.     

一种改进粒子群优化算法的Otsu图像阈值分割方法

阈值法分割图像时只利用图像的灰度信息,具有直观、实现简单的特点。针对传统的粒子群优化算法(Particle Swarm Optimization,PSO)分割图像易陷入局部最优的缺点,提出一种基于改进粒子群优化算法的Otsu图像阈值分割方法。以Otsu算法的类间方差作为适应度函数,在每次迭代中选取适应度较好的粒子同时加入新的粒子,以提高粒子多样性。实验表明,与Otsu算法和PSO算法相比,改进的粒子群优化算法不仅加快了收敛速度和运算速度,而且提高了图像分割的准确率。     

利用变精度粗糙熵的图像分割算法

图像分割是把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程,其结果将直接影响到目标物特征提取和描述,以及更进一步的目标物识别、分类和图像理解。因图像信息的复杂性和相关性,图像分割会出现不确定性和模糊性。图像用变精度粗糙集表示,结合粗糙熵和粒子群优化算法,提出变精度粗糙熵的图像分割算法,求出最大粗糙熵对应的最佳分割阈值,再用二值分割法对图像进行分割。实验结果表明,所提算法优于传统的单阈值分割法,且具有一定实用性和灵活性。     

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.     

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.     

基于K均值聚类和粒子群优化的多核SVM图像分割

图像分割是图像理解和计算机视觉的重要内容.针对单核SVM在进行图像分割过程中不能兼顾分割精度高和泛化性能好的问题,提出一种基于K均值聚类和优化多核SVM的图像分割算法.该算法首先运用K均值聚类算法自动选取训练样本,然后提取其颜色特征和纹理特征作为训练样本的特征属性,并使用其对构造的多核SVM分割模型进行训练,最后用粒子群优化算法对多核核参数、惩罚因子以及核权重系数联合寻优,使生成的多核SVM具有更好的分割性能.实验结果表明,本文方法在有效提取图像目标细节的同时,获得了更高的分割精度,与基于单核的SVM分割模型相比,具有更强的泛化能力.     

基于图像复杂度曲线拟合的快速图像分割方法

针对经典Otsu算法、最大熵算法、最小交叉熵算法等在 低 信噪比图像中分割效果较差的问题,从图像复杂度的角度提出了基于图像背景与目标的对象复杂度的图像分割方法,并采用曲线拟合方法大大减少了计算冗余,提高了算法的实时性与稳定性。实验表明,与经典算法相比,所提快速分割算法具有运行速度快、稳定性与可靠性高等特点,能够有效地解决 低信噪比图像分割效果较差的问题。     

Image Thresholding Using Graph Cuts

A novel thresholding algorithm is presented in this paper to improve image segmentation performance at a low computational cost. The proposed algorithm uses a normalized graph-cut measure as thresholding principle to distinguish an object from the background. The weight matrices used in evaluating the graph cuts are based on the gray levels of the image, rather than the commonly used image pixels. For most images, the number of gray levels is much smaller than the number of pixels. Therefore, the proposed algorithm requires much smaller storage space and lower computational complexity than other image segmentation algorithms based on graph cuts. This fact makes the proposed algorithm attractive in various real-time vision applications such as automatic target recognition. Several examples are presented, assessing the superior performance of the proposed thresholding algorithm compared with the existing ones. Numerical results also show that the normalized-cut measure is a better thresholding principle compared with other graph-cut measures, such as average-cut and average-association ones.