基于口腔图像的分割算法的研究

针对传统分割算法难以解决多目标分割等问题,提出了一种改进的一维Kapur熵多阈值分割算法.该算法依据Kapur熵阈值选择原理,应用图像灰度直方图信息,利用迭代合并和选择方法建立口腔图像中的阈值分割模型,解决了图像分割中阈值的自动获取问题和多阈值并行选择问题,实现了口腔图像中牙齿和病灶的分离.形状准则和一致性准则评价方法证明了该算法在抗噪声方面明显优于自适应阈值方法.获得的分割结果较好地保留了图像的灰度信息和边缘信息,为后续的图像分析和诊断工作提供了保证.     

基于灰度—梯度共生矩阵模型的最大熵阈值处理算法

阈值法是图像分割的一种重要方法，在图像处理与识别中广为应用。本文提出了基于灰度-梯度共生矩阵模型和是大熵原理的灰度图像的自动阈值化技术，该方法不仅利用了图像的灰度信息，而且也利用了图像的梯度信息。该方法通过计算基于灰度-梯度共生矩阵的二维熵并使边缘区域的熵最大来选择阈值向量。仿真结果显示该算法比一维熵方法效果更佳。     

基于信息熵图像分割算法的若干改进

最大熵阈值法是图像分割的一种重要方法,在图像处理与识别中广为应用。针对原有最大熵阈值法的不足,从3个方面对其进行了改进研究:参数化最大熵分割准则,引入灰度对比度对分割进行评价来选取参数来改善最大熵阈值法的分割性能;加权图像指数熵,引入了信息熵的指数形式并对其加权,依照灰度的分布选取权重,并通过分割后灰度对比度来确定权的参数,更充分地利用了图像的灰度信息;基于高频率灰度信息对原始熵进行变形,充分考虑了高频率灰度对分割的影响。通过对比实验表明,改进算法确定的阈值可以获得更佳的分割效果。     

灰度图像交叉熵阈值法的三维推广

针对现有的灰度图像交叉熵阈值化方法无法有效分割含有混合噪声图像的问题,在图像三维直方图的基础上提出三维交叉熵阈值化算法,同时给出三维交叉熵阈值法的快速递推公式.实验结果表明,三维方法结合了图像中像素的灰度及其局部空间的均值和中值信息,对于含有混合噪声的图像,具有比现有交叉熵阈值化算法更好的分割效果.     

最大熵阈值处理算法

阈值法是图像分割的一种重要方法,在图像处理与识别中广为应用.提出了一种基于灰度-梯度共生矩阵模型和最大熵原理的自动阈值化方法.该方法不仅利用了图像的灰度信息,而且也利用了梯度信息,通过计算基于灰度-梯度共生矩阵的二维熵,并使边缘区域的熵最大来选择阈值向量.仿真结果显示,该算法比其他二维熵方法效果更佳.     

基于遗传算法的灰度-梯度熵多阈值图像分割

一些基于熵的阈值图像分割技术考虑了空间信息,从而能够提高阈值分割的性能,但是仍然不能较好地区分边缘和噪声。尽管灰度-梯度（gray-level & gradient-magnitude,GLGM）熵算法能有效地解决以上问题,但是针对多目标和复杂图像却不能有效地分割。为此,提出了一种基于遗传算法（genetic algorithm,GA）的GLGM熵多阈值快速分割方法。该方法应用积分图思想将GLGM熵算法阈值搜索空间从O(9′ L)降到O(L),并将GLGM熵算法从单阈值拓展到多阈值。最后应用基于实数编码的遗传算法搜索GLGM熵多阈值的最佳阈值。仿真结果表明,该方法能够实现图像的快速多阈值分割,适合复杂图像分割。     

灰度熵和混沌粒子群的图像多阈值选取

最大Shannon熵阈值选取方法仅仅依赖于图像灰度直方图的概率信息,而没有直接考虑类内灰度级的均匀性.为此提出了最大灰度熵的阈值选取方法.首先给出了灰度熵的定义及其单阈值选取方法,该灰度熵与现有的仅基于直方图分布的最大Shannon熵不同,直接反映了类内灰度级的均匀性;其次导出了量化图像直方图的灰度熵单阈值选取公式;最后将灰度熵单阈值选取推广到多阈值选取,提出了相应的快速递推算法,并进一步采用混沌小生境粒子群优化算法寻找最佳多阈值.实验结果表明,与最大Shannon熵单阈值选取和基于粒子群的最大Shannon熵多阈值选取方法相比,所提出方法的分割图像边缘、纹理更为准确,视觉效果明显改善.     

快速二维Renyi熵阈值分割方法

提出一种基于二维Renyi熵的阈值二值化方法,该方法通过引入二维直方图不仅利用了图像像元点的灰度分布信息,而且充分考虑了像元点之间的空间相关信息,对于低对比度、低信噪比的物体,该方法具有良好的分割效果.运用二维Renyi熵的原理选择灰度阁值对图像进行分割,并且引入量化图像直方图概念讨论了一种快速二维Renyi熵阚值分割算法,该算法能够递推运算和自动寻找阈值,将计算复杂性大大降低.仿真对比实验结果表明,该算法提高了计算效率并具有更佳的分割效果.     

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.     

基于微粒群算法的灰度图像阈值分割的改进

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,提出一种基于微粒群算法的阈值分割方法--PSO-SDAIVE算法.该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),最后用微粒群算法搜索SDAIVE的最大值.在实验中,对头部CT图像进行分割,实验结果表明,这种分割方法能精确地获得分割阈值,并有很好的抗噪声能力,节省计算时间.     

Cuckoo search algorithm and wind driven optimization based study of satellite image segmentation for multilevel thresholding using Kapur’s entropy

The objective of image segmentation is to extract meaningful objects. A meaningful segmentation selects the proper threshold values to optimize a criterion using entropy. The conventional multilevel thresholding methods are efficient for bi-level thresholding. However, they are computationally expensive when extended to multilevel thresholding since they exhaustively search the optimal thresholds to optimize the objective functions. To overcome this problem, two successful swarm-intelligence-based global optimization algorithms, cuckoo search (CS) algorithm and wind driven optimization (WDO) for multilevel thresholding using Kapur’s entropy has been employed. For this purpose, best solution as fitness function is achieved through CS and WDO algorithm using Kapur’s entropy for optimal multilevel thresholding. A new approach of CS and WDO algorithm is used for selection of optimal threshold value. This algorithm is used to obtain the best solution or best fitness value from the initial random threshold values, and to evaluate the quality of a solution, correlation function is used. Experimental results have been examined on standard set of satellite images using various numbers of thresholds. The results based on Kapur’s entropy reveal that CS, ELR-CS and WDO method can be accurately and efficiently used in multilevel thresholding problem.     

一种基于细菌觅食优化算法的舌体分割算法

针对医学舌体数字图像的准确分割,提出了一种基于细菌觅食优化算法(BFOA) 和 Snake 活动轮廓模型相组合的舌体分割算法。首先,以信息熵与 Kapur 算法相结合作为自适 应函数来改进 BFOA 算法,通过改进的 BFOA 算法计算舌体图像的最佳图像二值化阈值,并将 舌体图像二值化;然后,利用舌体图像的对称性提取舌体的关键边缘点,并基于 B-样条插值算 法由关键点集合插值得到闭合的 B-样条曲线,作为 Snake 模型的初始轮廓;最后,通过 Snake 模型计算求解,即可准确提取舌体的轮廓曲线。实验结果表明,改进算法能够高精度地分割出 舌体图像,并能消除基本 Snake 模型在初始轮廓曲线选取中存在的人机交互难题,实现了舌体 图像的自动分割。     

基于超像素及贝叶斯合并的图像分割算法

针对超像素分割算法中普遍存在的过分割问题,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MS-BRM（Mean Shift based Bayesian Region Merging）。首先,利用Mean Shift算法对图像进行超像素分割,然后根据非参数贝叶斯聚类模型,融合超像素的空间信息,提出一种区域合并策略对超像素进行合并,得到了最终的分割结果。实验结果表明,MS-BRM算法改善了超像素的过分割问题,对图像进行分割的结果保留了图像的边界信息,更加符合人类视觉的判断结果。     

Multilevel threshold selection for image segmentation using soft computing techniques

Multilevel thresholding is the method applied to segment the given image into unique sub-regions when the gray value distribution of the pixels is not distinct. The segmentation results are affected by factors such as number of threshold and threshold values. Hence, this paper proposes different methods for determining optimal thresholds using optimization techniques namely GA, PSO and hybrid model. Parallel algorithms are also proposed and implemented for these methods to reduce the execution time. From the experimental results, it is inferred that proposed methods take less time for determining the optimal thresholds when compared with existing methods such as Otsu and Kapur methods.     

基于改进探路者算法的多阈值图像分割

针对多阈值图像分割方法中存在的计算量大、运行时间长等问题,在标准探路者算法的基础上,引入Tent混沌映射初始化和自适应t分布策略,提出一种基于改进探路者算法的多阈值图像分割方法,该方法以Kapur熵为目标函数对最优分割阈值进行搜索。为了验证算法的有效性,首先通过标准测试函数验证改进探路者算法的收敛精度和收敛速度,然后将改进探路者算法与Kapur熵结合后应用于Berkeley图像数据集进行多阈值分割,并与标准探路者算法、飞蛾扑火算法、灰狼优化算法和粒子群算法进行比较和分析。实验结果表明,提出的改进探路者算法收敛速度更快、求解精度更高,较其他对比算法有着更好的分割效果,且PSNR与SSIM都有更好的表现,能有效解决多阈值图像分割问题。     

基于自适应阈值的舌像分割方法

中医舌诊是目前医学领域的重要前沿课题之一,而舌体轮廓的正确分割是实现中医舌诊信息化的重要前提,目前主流的阈值分割方法对对比度较小的舌像仍不能实现很好的分割。为此提出了一种舌像的自适应阈值分割算法,该算法是以VC＋＋为开发平台,首先把图像分成多个子块,然后运用迭代的方法计算每个子块的最佳阈值,根据每个局部最佳阈值构成的阈值矩阵进行分割。实验结果表明,该算法对背景和目标分界不明显的舌像有很好的分割效果,对中医舌诊的继续发展有很强的现实意义。     

Kapur’s entropy based optimal multilevel image segmentation using Crow Search Algorithm

Image segmentation is an essential part of image analysis, which has a direct impact on the quality of image analysis results. Thresholding is one of the simplest and widely used methods for image segmentation. Thresholding can be either bi-level, which involves partitioning of an image into two segments, or multilevel, which partitions an image into multiple segments using multiple thresholds values. This paper focuses on multilevel thresholding. A good segmentation scheme through multilevel thresholding identifies suitable threshold values to optimize between-class variance or entropy criterion. For such optimizations, nature inspired metaheuristic algorithms are commonly used. This paper presents a Kapur’s entropy based Crow Search Algorithm (CSA) to estimate optimal values of multilevel thresholds. Crow Search Algorithm is based on the intelligent behavior of crow flock. Crow Search Algorithm have shown better results because of less number of parameters, no premature convergence, and better exploration–exploitation balance in the search strategy. Kapur’s entropy is used as an objective function during the optimization process. The experiments have been performed on benchmarked images for different threshold values (i.e. 2, 4, 8, 16, 32 thresholds). The proposed method has been assessed and performance is compared with well-known metaheuristic optimization methods like Particle Swarm Optimization (PSO), Differential Evolution (DE), Grey Wolf Optimizer (GWO), Moth-Flame Optimization (MFO) and Cuckoo Search (CS). Experimental results have been evaluated qualitatively and quantitatively by using well-performed evaluation methods namely PSNR, SSIM, and FSIM. Computational time and Wilcoxon p-type value also compared. Experimental results show that proposed algorithm performed better than PSO, DE, GWO, MFO and CS in terms of quality and consistency.     

基于SUSAN边缘信息的阈值分割算法

基于边缘信息的阈值分割方法因为在保持目标轮廓和分割低对比度图像方面具有良好性能,特别适用于对工业生产图片的分割,但是传统方法普遍存在对噪声敏感和阈值难以选取的问题,针对这些问题,提出一种基于SUSAN边缘信息的自适应图像阈值分割算法,使用SUSAN特征响应描述像素的边缘信息,以有效抑制噪声和弱边界的影响。基于图谱理论的最小最大割阈值分割算法相比于其他分割算法时空复杂度大大降低,且获取的阈值全局最优。实验结果表明,该算法能够准确分割出目标,保留丰富的细节内容,对低对比度图像和噪声图像也有很好的分割效果,获取的阈值相比于传统算法更优。     

基于RGB颜色空间的彩色图像分割方法

传统的图像阈值分割算法是将彩色图像转换为灰度图像再进行分割。通过分析RGB颜色空间的特点,本文提出基于RGB颜色空间的阈值分割算法,采用新的判定准则,在颜色空间中以立方体取代原来的四面体,直接对彩色图像进行分割。分析和实验证明,改进的判断准则能够克服由于灰度转换造成颜色信息丢失而引起的误判,在保证原有阈值分割算法快速、简单的前提下,能够对彩色图像进行更为准确的分割。算法适用于目标颜色为黑色的情况,并可以推广到目标颜色为其它颜色的情况。     

Fractional differentiation and non-Pareto multiobjective optimization for image thresholding

Various techniques have previously been proposed for single-stage thresholding of images to separate objects from the background. Although these global or local thresholding techniques have proven effective on particular types of images, none of them is able to produce consistently good results on a wide range of existing images. Here, a new image histogram thresholding method, called TDFD, based on digital fractional differentiation is presented for gray-level image thresholding. The proposed method exploits the properties of the digital fractional differentiation and is based on the assumption that the pixel appearance probabilities in the image are related. To select the best fractional differentiation order that corresponds to the best threshold, a new algorithm based on non-Pareto multiobjective optimization is presented. A new geometric regularity criterion is also proposed to select the best thresholded image. In order to illustrate the efficiency of our method, a comparison was performed with five competing methods: the Otsu method, the Kapur method, EM algorithm based method, valley emphasis method, and two-dimensional Tsallis entropy based method. With respect to the mode of visualization, object size and image contrast, the experimental results show that the segmentation method based on fractional differentiation is more robust than the other methods.