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.     

基于QPSO的二维模糊最大熵图像阈值分割方法

针对运用图像分割方法求取阈值时存在的计算复杂、时问长、实用性差等问题,提出一种新的二维最大熵图像分割方法,该方法利用基于量子行为的微粒群算法对图像的二维阈值空间进行全局搜索,并将搜索到的二维熵最大值所对应的点灰度一区域灰度均值作为闽值进行图像分割。实验结果表明,该方法具有一定优越性,在执行时间与收敛性方面均得到较理想的分割效果。     

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。     

一种新的基于二维Tsallis熵的阈值方法

Tsallis熵首先出现在统计力学中。对于呈现远距离交互,长时间记忆以及具有不规则结构的物理系统来说,它的表达式中引入了一个实数q作为参数。在利用图像像素的灰度值和像素的邻域平均灰度值建立的二维直方图的基础上,提出了基于二维Tsallis熵的阈值方法;同时为解决计算复杂度高、运算时间长这一缺点,利用群体智能中的粒子群优化（PSO）算法来优化搜索分割阈值（t,s）的过程,其中t和s分别是图像的像素灰度阈值以及邻域平均灰度阈值。通过对真实图像的处理实验证明,该方法不仅能够对目标图像进行准确的分割,而且大大减少了运算时间。     

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。     

微粒群算法在二维模糊熵图像分割中的应用

将微粒群算法和二维模糊熵阏值分割法结合,提出了一种基于微粒群和二维模糊熵的图像分割方法.该方法根据像素点灰度值和区域灰度均值所建立的二维灰度直方图,以二维模糊熵作为微粒群算法的适应度函数,利用微粒群算法搜索点灰度值和区域灰度均值所对应的模糊参数最优组合,进而确定相应的分割阈值.对几例真实目标图像的对比分割实验结果表明,该文方法性能优越,是一种有效的图像分割方法.     

利用混沌布谷鸟优化的二维Renyi灰度熵图像阈值选取

为了进一步降低现有的Renyi熵阈值法的计算复杂度,提出了基于混沌布谷鸟算法和二维Renyi灰度熵的阈值选取。首先,引入一维Renyi灰度熵阈值选取公式,建立基于像素灰度和邻域梯度的二维直方图,推导出基于该直方图的二维Renyi灰度熵阈值选取公式,通过快速递推公式来减少阈值准则函数的计算量;最后,采用混沌布谷鸟算法搜索最优阈值来完成图像分割。结果表明,与二维Arimoto熵法、基于粒子群的二维Renyi熵法、基于混沌粒子群的二维Tsallis灰度熵法、基于布谷鸟算法的二维Renyi灰度熵法相比,所提出的方法能够准确实现图像分割,且运算速度有所提升。     

基于三维阈值和PPPSO的图像分割方法

提出一种基于三维阈值和捕食-被捕食粒子群（PPPSO）的图像分割方法。该方法在保留传统二维最大类间方差（Otsu）分割算法优点的基础上,充分利用图像自身模糊信息-模糊中值,该特征维与像素灰度值、邻域均值组成一个三维矢量集;另外,通过采用捕食-被捕食的粒子群优化方法搜索最佳分割阈值,大大缩短了搜索时间,且能快速收敛到全局最优。实验结果表明,该方法具有较好的抗噪性和实时性。     

基于分解的二维renyi熵阈值分割方法中参数自适应选取

针对基于分解的二维renyi熵阈值分割方法中参数α的取值问题,根据均匀性测度这一图像分割质量评价指标,利用粒子群搜索方法,提出了一种自适应选取α的方法。实验表明,所提出的方法不但可以针对不同的图像有效地选取参数α值,得到理想的图像分割结果,而且还可以将二维renyi熵参数自适应选取算法的计算复杂度由O(L6)降为O(L2),计算时间约为二维renyi熵参数自适应选取分割算法的1/10000。     

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。     

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。     

基于粒子群的图像分割

图像分割是图像处理的关键问题之一,为了能够快速有效地选取最优阈值进行图像分割,引入了粒子群算法（PSO）对阈值分割进行优化,提出基于PSO的最大熵图像分割,基于PSO的最大类间方差图像分割以及基于PSO的最小误差图像分割,并进行了分析和研究,可以得出该三种方法可以准确、快速地获取最优阈值进行图像分割。     

基于Curvelet变换和多目标粒子群的混合熵MRI图像多阈值分割

针对因噪声干扰多、灰度不均匀、目标边界模糊导致的核磁共振成像（MRI）图像难以精确分割的问题,提出了一种基于Curvelet变换和多目标粒子群（MOPSO）的混合熵MRI图像多阈值分割算法。首先,对待分割MRI图像进行Curvelet分解,提取低频子带和高频细节子带构建概貌-细节灰度级矩阵模型,以提高算法的目标细节表示能力;其次,同时考虑目标与背景的类间差异性与类内均匀性,将提出的二维多阈值倒数熵和倒数灰度熵组合定义为混合熵,作为多目标粒子群算法的目标函数,协同搜索得到最优的分割多阈值,以实现MRI图像的精确分割;最后,为提高算法的求解速度,提出了二维倒数熵和倒数灰度熵多阈值选取的梯度算法。实验结果表明：与二维tsallis熵、自动细菌觅食分割法（ABF）和改进的Otsu多阈值分割算法相比,所提方法对灰度不均和含噪的MRI图像具有更好的适应性,分割结果更为精确。     

灰度图像最大熵分割方法的改进

传统的最大熵分割方法只考虑了图像的灰度概率,忽略了对应的灰度值。为了充分利用灰度图像的灰度信息和空间信息,改进了传统的二维灰度直方图,生成二维差值属性灰度直方图。另外,改进了灰度均值和二维熵的计算方法。在计算熵时,以二维差值属性灰度直方图为基础,用空间信息值来代替灰度概率,生成二维差值属性信息值熵。在实验中,对多张不同的灰度图像分别用改进的最大熵方法与传统的最大熵分割方法进行分割,并对分割结果进行比较分析。实验结果表明,改进的最大熵分割方法能有效地分割灰度图像及噪声图像,有很强的抗噪声能力,并能产生清晰的分割结果。     

基于小波变异粒子群和模糊熵的图像分割

基于粒子群和模糊熵的图像分割算法用于各种图像分割时,由于基本粒子群算法存在易陷入局部最优以及过早收敛的缺点,使得该算法难以得到理想的分割效果。针对此问题,提出了一种基于小波变异粒子群和模糊熵的图像分割算法,利用小波变异粒子群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,表明该算法取得了令人满意的分割结果,算法运算时间较小,具有很好的自适应性。     

基于微粒群优化和粗糙熵的图像分割算法

提出一种基于微粒群优化(PSO)的边界区域粗糙熵的阈值图像分割算法。该算法采用边界粗糙熵作为图像分割的评价标准,利用优化领域的PSO功能把图像分割问题转化为优化问题。实验结果表明,该方法使用PSO算法避免了早期大量熵的计算,相对于分块大小的敏感性较小,得到较好的分割效果,并且能提高计算速度,是一种实用有效的图像分割方法。     

基于微粒群和最大模糊熵的图像分割

提出了一种基于微粒群和最大模糊熵的图像分割方法.将图像分为目标和背景,并分别建立相应的模糊隶属函数来描述图像各个灰度级属于目标和背景的模糊特性,进而给出图像模糊熵的描述.在此基础上,根据最大模糊熵准则采用微粒群算法搜索模糊参数的最优组合,确定区分目标和背景的最佳阈值.为了验证方法的有效性,对比进行了图像分割实验,并与双峰法、迭代法和最大类间方差法进行了比较,实验结果表明,效果良好,能够自动、有效地选取阈值,分割效果优于其它三种算法,具有很好的鲁棒性和自适应性.