共查询到17条相似文献,搜索用时 218 毫秒
1.
为了准确实现目标识别,从红外图像的特点出发,提出了将L_1空间度量的二型(Type-2)熵模糊聚类算法应用干红外图像分割.该算法首先通过L_1空间度量样本点与类别中最大最小值的距离,代替了传统聚类算法中样本点与聚类中心的聚类,然后根据熵模糊聚类算法获得上模糊隶属度和下模糊隶属度两个隶属度函数,并采用二型模糊融合得到隶属度函数,其中给出了一种权重加权降型算法.通过对实际的红外图像分割表明,这种算法能准确地实现红外图像分割,自适应性强,鲁棒性好,能够在复杂背景下获得较为理想的分割效果. 相似文献
2.
3.
4.
灰色关联度和模糊熵相结合的图像分割算法 总被引:1,自引:0,他引:1
提出了一种结合灰色关联度和模糊熵的分割算法.传统模糊熵分割算法的隶属度函数只利用了图像灰度值的统计信息,因此算法容易受噪声或光照不均的影响.在隶属度函数的计算中,引入灰色关联度来表示像素的空间信息,能够更加准确地反映像素属于目标或背景的影响.由理想目标或背景点组成参考序列,待处理像素及其邻域组成比较序列,计算比较序列与参考序列之间的灰色关联度,并修正隶属度函数.对实际图像的测试实验表明,结合灰色关联分析的最大模糊熵分割算法比传统模糊熵分割算法具有更强的噪声抑制能力和更准确的分割结果. 相似文献
5.
图像阈值分割算法及对比研究 总被引:1,自引:0,他引:1
《信息通信》2017,(4)
图像阈值分割技术广泛应用于计算机视觉和模式识别等研究领域。通过对五种典型的阈值分割算法,包括最大类间方差法、最大熵法、最小交叉熵法、最大相关法和灰度熵法进行算法仿真,并针对不同信噪比图像的分割结果进行了客观评价,得出不同分割方法所适用的分割对象。同时设计了图像阈值分割系统,便于进行不同分割算法的对比分析。 相似文献
6.
7.
8.
9.
针对红外图像由于目标和背景边界模糊,采用单一熵阈值法进行图像分割结果不理想,提出了一种基于距离灰度补偿的红外图像增强方法,利用距离作为空间信息对灰度进行补偿,改善了目标和背景边界模糊对图像分割的不利影响;然后提出了一种基于交叉熵约束的最大熵阈值图像分割方法,在交叉熵约束保证类间差异的前提下利用类内均匀性进行图像分割,避免了单一熵方法阈值的局限性.实验结果表明,对小目标复杂背景和复杂目标大背景的红外图像,所提出的方法得到了准确的图像分割结果. 相似文献
10.
11.
传统的一维最大模糊熵图像分割算法对于图像的局部信息干扰噪声处理能力存在不足。文中研究实数编码混沌量子遗传算法(RCQGA)与一维模糊熵算法相结合的新算法。该算法将图像的空间信息和像素信息引入到一维模糊熵图像分割算法中,并运用实数编码混沌量子遗传算法对一维最大模糊熵图像分割算法进行改进,从而提高了一维最大模糊熵分割精度。研究结果表明,该算法分割效果明显优于传统一维模糊熵图像分割算法,并具有较强的抗噪性能。 相似文献
12.
13.
Shannon熵常用于表示信息平均不确定性,但因其定义基于对数函数故存在零点处无意义的缺陷,且二维交叉熵法中若能避免对数运算可使处理速度进一步提升。据此,本文提出了基于分解的二维倒数交叉熵图像阈值选取方法。首先定义了倒数交叉熵,依据分割前后图像之间的最小倒数交叉熵选取阈值;然后给出了二维倒数交叉熵定义及其阈值选取公式,提出了二维倒数交叉熵阈值选取的分解算法。通过求解两个一维倒数交叉熵的最佳阈值,再将其组合获得二维倒数交叉熵最佳阈值,由此将二维运算分解为两个一维运算,算法的计算复杂度从O(L4)降低到O(L)。大量实验结果表明,与基于粒子群优化(Particle Swarm Optimization, PSO)的二维最大Shannon熵法、基于粒子群优化的二维Shannon交叉熵法以及二维指数交叉熵法相比,本文方法的分割效果和运行速度均有优势。 相似文献
14.
提出了一种基于混沌蚁群算法优化二维模糊划分最大熵的红外图像分割方法。二维模糊划分最大熵分割方法不仅利用了灰度信息以及空间邻域信息,并且兼顾图像自身的模糊性,能取得很好的分割效果,然而最大熵的最优参量组合却很难快速准确地获得。本文将混沌蚁群优化算法应用到二维模糊划分最大熵分割方法当中,充分利用混沌蚁群算法快速寻找最优解的特点,来搜索二维模糊划分最大熵的最优参量组合。实验仿真结果表明,该方法比传统的图像分割方法有更好地分割效果,有效抑制了图像噪声对目标区域分割的干扰。 相似文献
15.
16.
提出了一种基于遗传算法的模糊红外图像分割方法.该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.采用遗传算法对图像模糊熵的各个参数进行优化组合,根据最大模糊熵准则确定区分目标和背景的最佳门限.实验结果表明该方法效果良好,大大提高了计算速度。 相似文献
17.
模糊选择多分辨率Kohonen聚类网络用于灰度图像分割 总被引:2,自引:0,他引:2
基于模糊分割、模糊分割子集的概念提出一种新的具有模糊选择多分氕 Kohonen聚类网络用于解决原有选择多分辨率网络结构存在的样本子集不、误差逐层传递等总是为了便于对原有网络缺陷的分析及使新的算法更具一磐性,将Kohonen聚类网络作为聚类分割算法的特例,从集合论的角度对聚类分割问题的基本概念及算法加以定义,将新的网络用于灰度图像分割,实验表明该方法有效地改善了分割效果。 相似文献