基于改进遗传算法的阈值图像分割方法

本文提出一种新的基于改进遗传算法和阈值图像分割相结合的人像图像分割方法。这种新的改进方法以遗传算法为基础,利用遗传算法具有较高的搜索效率、明显的搜索精度,提升了图像分割阈值的精度获取,提高了图像分割的抗噪能力,在提升阈值稳定的同时,提升了阈值的获取速度及获取精度,解决了传统算法应用于人像图像分割时分割效果不理想、分割精度较低的缺点。经过实验验证,利用本文改进算法能达到较好分割效果,具有较好的抗噪能力,从而缩短分割图像时间。     

一种基于改进遗传算法的图像分割方法*

为了自动确定图像分割的最佳阈值,提出了一种基于改进遗传算法的图像分割方法,即利用这种改进遗传算法对二维Otsu图像分割函数进行全局优化,该方法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,最后得到图像分割的最佳阈值,克服了传统遗传算法的收敛性差、易早熟等问题。在理论分析和仿真数据实验中,与二维Otsu图像分割法和基于基本遗传算法的图像分割法相比,使用该方法得出的阈值范围更加稳定,阈值计算时间有极大的提高,更能满足图像处理的实时性要求。     

基于改进遗传算法的车牌图像分割

为了解决简单遗传算法存在的早熟、收敛到全局最优解难问题,提出了适应度标定公式,提高选择压力;定义相似度概念,保留相似性差的个体,剔除相似性个体.在不增加群体规模的前提下,增加了群体的多样性.改进遗传算法能够避免简单遗传算法所存在的问题.为了解决车牌图像识别率低问题,提出基于改进遗传算法的车牌图像分割方法,进行车牌图像识别.实验证明利用此方法进行车牌图像识别效果较好.     

一种基于改进小生境遗传算法的图像分割方法

利用经典的Otsu算法和基本遗传算法相结合进行图像分割存在有算法效率低、容易提前形成伪解的问题,对于上述问题,提出一种基于改进小生境遗传算法的图像分割算法(IVNGAMS)。算法全局优化了二维Otsu图像分割函数,可以按照个体适应度大小自动控制遗传参数。并通过引入模拟退火算法,进一步提升算法的局部搜索能力。实验结果表明,改进的图像分割方法能更好提升算法的全局搜索能力,能够更加稳定快速的收敛到最佳的分割阈值,并且得到了更好的图像分割效果。     

一种基于遗传算法的图像FCM分割方法

图像分割对于图像分析和图像理解有着极为重要的意义。提出一个基于遗传算法的图像分割算法，在充分利用遗传算法优异的全局搜索能力的基础上，该算法根据图像的灰度分布按照模糊聚类的分割策略实现图像的分割，并且根据预应力的隶属度阈值自动地确定聚类数目。理论分析和实验表明，所提出的算法能产生很好的分割效果，并能自动确定分割类数。     

基于改进遗传算法的图像分割

将改进遗传算法用于图像分割,利用判断分析法和最佳熵自动阈值法两种阈值分割方法进行实验并加以比较,结果表明,利用最佳熵自动阈值法进行的图像分割优于判断分析法.     

基于遗传算法的自适应聚类图像阈值分割方法

文中针对复杂背景条件下的红外图像分割问题,将遗传算法引入最大类间方差法中,同时结合人类视觉感知原理,探讨了一种新的多阈值图像分割方法即基于遗传算法的图像阈值分割方法,该算法引入了一个自动判别且时空可变的目标背景条件和调整最佳分割区域的步骤,提高了分割算法的质量及鲁棒性,克服了传统阈值方法在图像分割中的局限性。通过计算机仿真实验,验证了该方法的有效性。     

基于量子遗传算法的图像分割

针对基本遗传算法的稳定性较差、存在未成熟收敛和易陷入局部最优解的问题,将量子计算与遗传算法进行融合,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明量子遗传算法用于阈值寻优减少了搜索时间,提高了收敛效率.     

基于遗传算法的图像分割阈值选取

图像分割是图像处理和计算机视觉的重要研究领域.基于图像的灰度级特征,以目标和背景最大程度地分开为判据,文章提出了一种简捷的自动识别最优阈值的方法,该方法将遗传算法引入图像分割,利用遗传算法具有的快速寻优特点,优化了求解阈值的过程,对更多图像都可以给出最佳的阈值,达到较好的图像分割效果,大大缩短了计算时间.     

基于改进小生境遗传算法的车牌图像分割

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,结合共轭梯度法,提出了一种改进的小生境遗传算法,能加快收敛速度,改善全局最优解搜索能力。将新算法用于车牌图像分割,进行图像识别。试验表明新算法能解决车牌图像识别率低问题且识别效果好。     

关于图像分割算法的优化仿真研究

Otsu图像分割法是常用的图像阈值分割方法,其最佳阈值选取直接影响到图像分割的质量.传统的最佳阈值的寻找采用穷尽式搜索方法,计算复杂度大,耗时较多,分割的精度低,易产生图像误分割.为了提高图像分割准确性,提出一种遗传算法与Otsu相结合的图像分割方法.新方法将图像分割问题看作为一个全局数值优化问题,将图像灰度信息转换成遗传算法的种群,每个个体代表一个可行的阈值向量,以灰度图像的灰度最大类间方差作为适应度值,通过选择、交叉和变异等遗传操作获得图像最佳分割阈值,以获得的最佳阈值对图像进行分割.用实例对新方法进行验证实验,结果表明,相对于传统Ostu图像分割算法,改进的Otsu分割方法提高了图像分割准确性,运算量减少,加快了分割速度,非常适应于图像实时处理.     

基于改进遗传算法的自动阈值图像分割方法

图像分割法在图像分割的过程中只考虑象素的灰度值,没有考虑空间特性和存在计算复杂性过大的缺陷,影响图像效果.针对上述问题,提出一种基于改进遗传算法的自动阈值图像分割算法.方法对遗传算法中的编码办式、交叉算子、变异算子等参数进行了一些适当改进.把图像分割最佳阈值选取转换成优化问题.利用改进遗传算法的寻优高效性求解最佳阈值,实现图像分割.仿真结果证明,新算法极大地缩短了寻优时间,增强了图像分割过程中的抗噪性能,提高了图像分割的效率.从而有利于计算机视觉的后续处理,可以实现实时图像分割,具有实用价值.     

基于改进粒子群优化算法的Otsu图像分割方法

Otsu算法分割图像时不依赖于图像的内容,具有较好的适应性,但计算量大和实时性差的缺点限制了其应用。针对这一问题,提出一种基于改进粒子群优化算法的Otsu分割方法。该方法以Otsu算法中的类间方差作为粒子群优化算法的适应度函数,以当前分割阈值作为粒子的当前位置,以阈值更新速度作为粒子的当前速度,以粒子最优适应值的改进量作为惯性权重,在灰度空间动态搜索使类间方差最大的阈值。实验结果表明:该方法能获得与经典Otsu相当的分割效果,而且显著地缩短了分割时间,算法效率更高。     

改进的基于图像分割的立体匹配算法

提出一种立体匹配算法．首先采用均值平移算法将参考图像根据彩色信息快速聚类成不同区域;然后通过灰度差平方和匹配计算初始视差图;在构造能量函数时,将分割结果作为视差函数的一个参考项;最后采用图切割算法求取使全局能量最小的视差最优分配．通过标准图像对进行测试,并与其他算法进行了比较．实验结果表明,与原有算法相比,该算法可有效地处理大的低纹理区域,匹配精度高,更有利于估计视差图的边界．     

一种改进的IS图像分割算法

由于交互式分割中Live-wire算法运算速度较慢和操作复杂的问题,该文提出了改进的IS分割算法,在其代价函数中,使用Canny算子代替Laplace算子,并加入了像素边界函数、内边界函数和外边界函数等约束条件,较大的提高了算法运算速度的同时也提高了精度。     

一种改进的基于图论的图像分割方法

由于传统基于图论的图像分割方法是基于像素级别的,随着像素的增多,其应用也受到了限制,因此,提出一种改进的图像分割方法。该图像分割方法利用Dijkstra算法,将图像的像素点聚集形成超像素;应用Kruskal算法,得到最小生成树,确定并删除最小生成树的不一致边,完成图像分割。实验结果表明,改进方法分割的区域内部特征具有较好的均匀性和一致性。     

一种基于遗传算法的双T-Snake模型图像分割方法

Snake的初衷是为了进行图像分割，但它对初始位置过于敏感，且不能处理拓扑结构改变的问题。初始位置的敏感性可以用遗传算法来克服，因为它是一种全局优化算法，且有良好的数值稳定性。为了更精确地进行图像分割，本文提出了一种基于遗传算法的双T—Snake模型图像分割方法，它将双T—Snake模型解作为遗传算法的搜索空间，这既继承了T—Snake模型的拓扑改变能力，又加快了遗传算法的收敛速度。由于它利用遗传算法的全局优化性能，克服了Snake轮廓局部极小化的缺陷，从而可得到对目标的更精确的分割。将其应用于左心室MRI图像的分割，取得了较好的效果。     

一种改进的基于模糊聚类的图像分割方法

针对亮度不一致的阴影路面的目标分割问题，对使用空间关系约束的模糊聚类算法进行了改进，即首先定义了像素之间以及像素与区域之间的近邻关系，并构造了像素与区域之间的空间关系隶属度矩阵，然后将此矩阵约束到传统的模糊C-均值聚类算法的隶属度矩阵中，最终形成了基于空间关系约束的模糊聚类算法。该算法只需设置很少的参数即可自动完成聚类。该算法在受光照影响导致目标亮度不一致的林荫道道路图像中进行了实验。实验结果表明，该算法对机器人导航中阴影路面的一致性分割方面具有良好的效果。     

基于PSO改进的OTSU图像分割方法

阈值的选取对图像分割后的效果起着至关重要的作用,本文针对图像分割过程中阈值选取的问题,提出了一种基于PSO优化的改进OTSU图像分割算法.该算法以最大类间方差作为PSO算法适应度函数,以当前分割阈值组合作为粒子的当前位置,阈值更新速度作为粒子的当前速度.通过迭代计算更新粒子位置和速度,最后确定图像分割的最佳阈值.与传统OTSU图像分割算法及基本遗传算法图像分割算法相比,该算法稳定性更好,算法效率更高.