广义模糊熵阈值法中基于粒子群优化的参数选取

!针对广义模糊熵图像阈值分割法中参数m的选取问题,提出一种利用优化算法自适应选取参数的广义模糊熵阈值分割方法.该方法通过粒子群优化算法,依据图像分割质量评价准则对参数m在(0,1)区间进行全局寻优,并依据广义模糊熵最大准则对S型隶属度函数中的3个参数(a,b,d)进行全局组合寻优,从而实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验结果表明,该方法对光照不均匀图像具有更好的分割效果.

     

基于组合优化算法的图像阈值分割

针对广义模糊熵图像阈值分割中参数的选取问题,采用两种算法实现自适应选取参数的广义模糊图像熵阈值分割。其中,算法二依据均匀性测度,通过遗传优化算法对参数m在(0,1)区间进行全局寻优,并以广义模糊熵为目标函数,通过粒子群优化算法,对S型隶属度函数中的参数进行全局组合寻优,从而实现广义模糊熵图像阈值分割方法的自动阈值选取。实验结果表明了算法二的有效性。     

基于量子遗传参数优化的广义模糊熵阈值法

利用量子遗传算法的优势,提出一种针对广义模糊熵参数的嵌套优化方法.利用量子遗传算法依据图像分割质量评价准则对参数m在(0,1)区间进行寻优,同时依据模糊熵最大准则对每个参数m所对应的模糊隶属度参数也进行组合寻优,从而可实现基于广义模糊熵图像分割的自动阈值选取.实验证明本文方法对光照不均匀的图像进行分割,能取得良好效果.     

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。     

基于IGA的最大模糊熵SAR图像双阈值分割

将基于免疫遗传算法的最大模糊熵双阈值方法应用到合成孔径雷达(SAR)图像分割中。此方法采用像素点邻域的平均灰度值分布所构成的直方图进行阈值的选取,有效地利用了图像的空间信息。为了快速搜索到最优参数,采用免疫遗传算法进行全局寻优。实验结果表明,该算法可以有效的分割出SAR图像中的目标和阴影,并且具有执行时间短、鲁棒性强的优点。     

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。     

改进的Otsu理论在图像阈值选取中的应用

提出了一种基于GA优化的Otsu理论进行图像阈值选取的新方法.利用传统的Otsu理论进行图像阈值选取,计算量较大,准则函数不一定单峰,不适于最佳阈值的求取.遗传算法理论为一种全局搜索方法,它自适应地控制搜索过程以求得最优解,从而可克服Otsu方法的不足,有利于计算机视觉的后续处理.文中将遗传算法和Otsu理论进行了有机结合,实现了图像阈值自动选取,且大大降低了计算量.实验结果表明该算法不仅提高了分割质量,而且缩短了寻优时间,从而说明了该算法的有效性、正确性.基于改进Otsu优化的模糊算子理论的提出,解决了模糊算子中关键参数确定困难的问题,实现了其参数的自适应获取,并将该理论应用于图像增强中,从而有效地消除了图像的模糊和噪声干扰.     

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.     

基于进化规划的最大类间方差的图像分割算法

图像分割是计算机视觉中一个关键的技术.在分析了最大类间方差算法(Ostu算法)求阈值进行图像分割以及进化规划原理的基础上,提出了一种自动阈值选取的图像分割的算法.该算法以灰度图像的灰度最大类间方差作为适应度值,将图像分割问题看作为一个全局数值优化问题,利用进化规划全局寻优和快速计算的特点,搜索一个最佳阈值用于图像分割.最后基于实例对其与传统Ostu算法进行性能比较和效果验证.结果表明,本方法在图像分割过程中具有速度快,效果好的特点.     

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Fisher 准则和最大熵原理的SVM核参数选择方法

针对支持向量机(SVM)核参数选择困难的问题,提出一种基于Fisher准则和最大熵原理的SVM核参数优选方法.首先,从SVM分类器原理出发,提出SVM核参数优劣的衡量标准;然后,根据此标准利用Fisher准则来优选SVM核参数,并引入最大熵原理进一步调整算法的优选性能.整个模型采用粒子群优化算法(PSO)进行参数寻优.UCI标准数据集实验表明了所提方法具有良好的参数选择效果,优选出的核参数能够使SVM具有较高的泛化性能.     

模糊集与非线性增益相结合的自适应图像增强算法*

提出了一种模糊集增强与非线性增益相结合的自适应图像增强算法,使用双正交小波变换对原始图像进行分解,低频子带系数采用改进的模糊集增强算法,以提升图像的整体对比度;对高频子带,先采用贝叶斯萎缩法估计噪声与信号的阈值,再使用一种非线性增益函数增强图像细节并抑制噪声。对算法中影响增强效果的关键参数进行了研究,并提出了一种模糊集增强算子的阈值选取算法,能够实现不同图像自适应参数选择;将信息熵作为非线性增益函数的参数选取准则,并针对算法中排序算法运算量过多导致算法时间过长的情况,提出了一种替代求解方法,极大地提高了算法效率。对算法进行仿真,结果表明：算法能够有效提升对比度、增强图像细节并抑制噪声,可以明显改善图像的视觉效果,具有参数自适应、算法效率高等优点。     

A fast recursive algorithm based on fuzzy 2-partition entropy approach for threshold selection

The fuzzy c-partition entropy approach for threshold selection is an effective approach for image segmentation. The approach models the image with a fuzzy c-partition, which is obtained using parameterized membership functions. The ideal threshold is determined by searching an optimal parameter combination of the membership functions such that the entropy of the fuzzy c-partition is maximized. It involves large computation when the number of parameters needed to determine the membership function increases. In this paper, a recursive algorithm is proposed for fuzzy 2-partition entropy method, where the membership function is selected as S-function and Z-function with three parameters. The proposed recursive algorithm eliminates many repeated computations, thereby reducing the computation complexity significantly. The proposed method is tested using several real images, and its processing time is compared with those of basic exhaustive algorithm, genetic algorithm (GA), particle swarm optimization (PSO), ant colony optimization (ACO) and simulated annealing (SA). Experimental results show that the proposed method is more effective than basic exhaustive search algorithm, GA, PSO, ACO and SA.     

红外图像自适应增强的模糊粒子群优化算法

针对红外图像目标与背景区分不明显、对比度低的特点,把粒子群优化算法应用到红外图像增强中,提出了红外图像自适应增强的模糊粒子群优化算法。灰度变换增强是红外图像增强的首选方法之一,而选取适当的阈值是其取得良好的增强效果的有力保证。该算法通过粒子群优化算法来寻求最大熵准则下的自适应阈值,然后用模糊灰度变换增强方法自适应地拉伸红外图像灰度,增强图像。仿真实验表明,相对于常见的直方图处理,该算法能降低红外图像中背景对目标的影响,能提高红外图像的对比度。     

基于IFN 输入的复杂系统关联MCGDM方法

考虑现有直觉模糊熵公理化定义存在的不足,提出改进直觉模糊熵的公理化定义及其计算公式;同时,定义广义幂均算子,验证其相关性质,给出确定幂方参数的方法,并将其推广至广义直觉模糊幂均算子;在以直觉模糊数(IFN)为信息输入的复杂系统框架内,针对决策者及准则之间均存在交互关联关系且权重信息完全未知的多准则群决策(MCGDM)问题,提出基于直觉模糊熵与广义直觉模糊幂均算子的关联MCGDM方法。案例分析表明,所提出的方法是可行且有效的。     

基于新模糊准则与 DE算法的红外人体图像分割 *

人体目标的抽取是红外人体图像处理的基础 ,为了有效获取红外图像中的人体目标 ,提出了一种新的图像阈值化方法。首先在对模糊熵方法本质分析的基础上 ,通过参数变换定义了一种新的最小化模糊准则 ,然后将差分演化 ( differential evolution, DE)算法与新模糊准则相结合用于快速、有效地获取最佳阈值 ,最后在真实红外人体图像上与其他方法进行了对比实验。实验结果表明 ,所提出的方法不仅能得到理想的分割结果 ,而且 CPU耗时也较少 ,满足实时性处理要求。     

基于改进粒子群优化的模糊熵煤尘图像分割

针对基本粒子群算法易陷入局部最优和过早收敛的缺陷,提出权重因子自适应的粒子群算法,并对部分粒子进行Morlet变异操作,由此得到改进粒子群优化算法.将该算法和模糊熵相结合并用于图像分割,利用改进粒子群优化算法来搜索使模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值.通过与其他两种粒子群算法的分割结果进行比较,该算法取得了令人满意的分割结果,且算法运算时间较小,满足煤尘浓度实时精确测量的要求.     

Multi-level thresholding based on differential evolution and Tsallis Fuzzy entropy

This paper presents a multilevel image thresholding approach which relies on Tsallis entropy using Fuzzy partition with a novel threshold selection technique. In order to compute the optimal threshold values, Differential Evolution (DE) has been employed. The proposed method can further be exploited in image segmentation which is considered to be a critical step in image processing. Our proposed threshold selection technique is based on Tsallis-Fuzzy entropy and the results are compared with Shannon entropy (or fuzzy entropy) and Tsallis entropy based existing threshold selection techniques. The experiments are performed on two different sets of images and the results have been compared with that of existing state-of-the-art methods, namely, Patch Levy Bees' Algorithm (PLBA), Bacterial Foraging optimization (BFO), modified Bacterial Foraging optimization (MBFO) and Bees' Algorithm (BA). Quantitative analysis is carried out based on three image quality metrics viz SSIM, PSNR and SNR. Standard deviation and CPU time for convergence of the objective function have been calculated for performance evaluation. Furthermore, the statistical significance of our method has been estimated using Friedman test and Wilcoxon test. The experimental results manifest that our method produces results superior to the methods in comparison.