基于遗传算法的最大熵双阈值图像分割

图像分割是图像处理的一个基本问题,阈值法是图像分割的常用方法.通过建立最大熵双阈值数学模型和设计遗传算法,对双阈值图像分割进行了有效的解决.进一步提出了遗传算法的改进,能准确找出图像分割的双阈值,对分析和理解图像具有重要用处.     

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.     

基于遗传算法的最佳直方图熵图像分割算法研究

图像分割是图像处理的一个重要领域.阈值法是一种最简单、最基本的图像分割方法.确定最佳阈值是阈值分割法的关键,利用遗传算法的特点来快速准确地确定灰度图像直方图熵的最佳分割阅值,实现图像分割.通过仿真试验验证,分割效果明显,该算法具有很好的应用前景.     

基于二维模糊熵和遗传算法的图像阈值分割

针对目标和背景两类图像分割,考虑二维灰度直方图,采用了一种更符合图像空间分布特点的隶属函数,建立了对应的二维图像模糊熵,分别采用标准遗传算法和改进的自适应遗传算法对二维图像模糊熵的各个参数进行优化,根据最大模糊熵准则,确定目标和背景的最佳分割阈值.实验结果表明,基于改进的自适应遗传算法的二维最大模糊熵阈值分割法具有较好的分割性能和较快的分割速度,且对噪声具有一定的抑制能力.     

基于混沌优化的最佳熵阈值的图像分割

利用目标在图像中所占比例等信息,结合图像熵阈值算法进行图像的阈值分割。并利用混沌优化的方法一次寻找出图像熵的多个极值点,提高了阈值寻找的效率。仿真实验表明,与传统的图像熵阈值法相比较,该方法能够给出更加合理的分割结果。     

基于免疫遗传算法的图像多阈值分割

针对H.D.Cheng等人提出的模糊最大熵原则阈值分割法存在着计算量巨大的问题,将具有高效鲁棒性、自适应性、并行性的免疫遗传算法引入阈值自动选取算法中,并针对该方法的疫苗选取会导致收敛到局部最优解等问题,给出了高效的自适应疫苗选取新方法。通过实验显示了该算法在收敛性和计算效率上较其它优化算法具有更好的优越性。     

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。     

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.     

基于混沌遗传算法的图像阈值分割

阈值分割是图像分割中的一种常用的有效方法。但传统的阈值分割方法在多阈值的情况下,运算量急剧增加。该文将混沌遗传算法与阈值分割方法融合,利用混沌运动的随机性、遍历性和初值敏感性进行种群初始化和变尺度变异。实验结果表明,与遗传算法相比,混沌遗传算法用于阈值寻优减少了运算时间,提高了收敛率。     

基于免疫算法的图像阈值分割

在图像分割中引入人工免疫算法,利用免疫算法优化最小误差法来获取最佳阈值,图像分割的效果和速度也得到了提高,性能也更加稳定.仿真实验证明,该算法对复杂图像的良好分割效果和较强的实时处理能力.     

基于遗传量子的自适应图像分割算法

虚拟娱乐照相领域的图像分割,目的在于实时地提取显示出背景中的感兴趣目标,但由于常用的分割方法容易丢失图像的边缘细节信息,而且运算时间长,难以实现质量与速度的平衡,为此文章提出了一种基于遗传量子进化算法的图像分割方法。该方法首先运用遗传量子方法进行阈值搜索,然后进行区域分割,再利用形态学方法对图像边缘细节进行补偿,并去除噪声。仿真结果表明,与传统方法比较,该方法能有效地提取图像中的人像,保留细节边缘。     

基于分层遗传算法的双阈值图像分割

图像分割是图像处理中的重要问题,通常的图像分割法包括阈值法、边缘检测法、区域跟踪法等.其中,阈值法是一种通用的方法.本文将分层遗传算法用于阈值的选取,仿真结果表明,在设定了合适的遗传算子后,该算法可以实现正确的图像分割,将分层遗传算法用于图像处理中,是非常有效的.     

基于二维最大熵原理和改进遗传算法的图像阈值分割

传统的最佳直方图熵法对低信噪比图像的分割效果不理想,而二维最大熵法充分利用了像素的灰度分布信息和像素间的空间相关信息,提高了阈值分割的抗噪性能.本文对二维最大熵法进行了详细阐述和推导,对遗传算法进行了一系列改进,提出了一种新的类抛物线型变异算子.实验结果表明,二维最大熵法具有较强的鲁棒性,同时改进的遗传算法能够快速收敛到最佳分割阈值,其优化效果十分明显.     

一种混合遗传算法在图像分割中的应用

在图像分割中,最小误差法计算简单,受目标和噪声影响小,对小图像仍具很好的分割效果,但计算量大,不利于实时处理。为解决这一问题,该文将遗传算法和退火算法引入到最小误差法中,结合遗传算法的全局寻优能力和模拟退火算法较强的局部搜索能力,提出一种高效的混合遗传算法(GASA),充分利用该混合算法快速和稳定性强的优点来减少最小误差法的运算量,不仅能够提高运算收敛速度和收敛效率,而且可以有效避免出现早熟现象,防止陷入局部最优,同时性能也很稳定,完全能满足实时系统中精度和速度的要求,得到较好的分割效果。     

一种基于Parzen窗法和Renyi熵的图像分割阈值选取新方法*

采用Parzen窗技术来估计图像灰度值的空间概率分布,再用Renyi熵来构造目标函数,最后在图像灰度范围内搜索,使此目标函数最小的灰度值作为最佳全局阈值。实验结果表明,此方法对图像分割的精度非常高,且适应性强。     

图像分割的二维最大熵遗传算法

将遗传算法运用于二维最大熵图像阈值分割法。首先对二维阈值坐标进行编码,然后依据二维最大熵准则建立适应度函数,在适当的交叉率和变异率下,最终实现强噪声干扰下图像的有效分割。分割实验表明,文中方法较一给最大熵法具有更强的抗噪声能力,较普通二维最大熵法运算速度更快。