基于二维最小Tsallis交叉熵和遗传算法的快速图像分割

针对二维Otsu分割方法在求取最佳阈值时假设部分区域近似为0,降低了分割精度,以及采用的shannon熵因为具有广延性而忽略了两个分割子系统之间的相互作用的问题,提出一种基于二维最小Tsallis交叉熵和微粒群寻优的快速图像分割.利用灰度-梯度直方图并聚类得到有用区域,以具有非广延性的二维最小Tsallis交叉熵为优化函数,采用遗传算法得到最优的二维阈值.实验表明该算法对噪声图像具有良好的分割效果和较强的实时处理能力.     

基于ISSA和积分图的二维熵图像多阈值分割快速算法

为提高二维熵图像多阈值分割的性能，使其能够满足工业使用当中的实时性要求，本文提出了基于改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)和积分图的二维熵图像多阈值分割快速算法。首先，引入麻雀搜索算法(Sparrow Search Algorithm, SSA)并对该算法的算法性能进行分析研究，针对SSA存在的全局搜索能力差、容易陷入局部最优解的缺点，提出了基于方差线性递减的高斯扰动策略和随机步长移动策略的改进麻雀搜索算法(ISSA)。接着，进一步地引入积分图方法，降低总信息熵的运算量，并将总信息熵作为ISSA的适应度函数进行最佳阈值寻优，提出了基于ISSA并结合积分图的二维熵图像多阈值分割快速算法。最后，使用该方法与现有分割算法进行对比实验，实验结果表明，本文方法提升了图像二维熵多阈值分割的分割效率，同时在工业应用场景仍能够获得相同的效果。     

蚁群算法在二维Otsu图像分割中的应用

提出了一种基于蚁群算法和二维Otsu的图像分割方法,利用蚁群算法快速寻优的特点,求出二维Otsu图像分割的阈值分割点,对图像进行分割。根据源图像和邻域平滑后图像的灰度,以及灰度频数进行聚类。通过灰度直方图的峰值点设置精确的初始聚类中心,解决了蚁群算法运算次数多、计算量大的问题;针对具体应用,对聚类半径、信息激素和启发引导函数进行了修正。实验表明该算法速度快、划分特性好、抗噪声能力强,可以准确地分割出目标。     

蚁群算法在二维Otsu图像分割中的应用

提出了一种基于蚁群算法和二维Otsu的图像分割方法,利用蚁群算法快速寻优的特点,求出二维Otsu图像分割的阈值分割点,对图像进行分割。根据源图像和邻域平滑后图像的灰度,以及灰度频数进行聚类。通过灰度直方图的峰值点设置精确的初始聚类中心,解决了蚁群算法运算次数多、计算量大的问题;针对具体应用,对聚类半径、信息激素和启发引导函数进行了修正。实验表明该算法速度快、划分特性好、抗噪声能力强,可以准确地分割出目标。     

基于混沌优化的二维熵图像分割方法

对于某些灰度特征相对复杂的图像,传统的二维最大熵阈值分割法效果不佳。文章提出了基于混沌优化原理的二维熵分割法,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,对局部最大熵进行搜索,在找到的所有极大点中,根据目标所占图像的比例选择最佳阈值进行分割,其分割效果明显优于遗传算法所找到的全局最大值。并用此法对常用的测试图片进行了分割实验,结果证明算法具有可行性。     

基于改进的二维Otsu法及PSO的火灾图像分割

针对传统的二维灰度直方图区域划分误差大和运算速度慢等问题,提出一种基于二维直方图和粒子群优化的阈值分割算法,即改进的二维最大类间方差法的粒子群优化算法.利用该算法在二维灰度空间上自适应搜索最优阈值,根据最优阈值对图像进行分割.选取森林火灾火焰图像,对其进行图像分割仿真实验.实验结果表明,该算法的分割效果较好,具有很好的抗噪性能,可有效提高运算速度,且实时性较好.     

基于混沌布谷鸟算法的多阈值灰度图像分割

阈值法分割图像时,最优阈值选取是否合理对图像分割效果至关重要。标准的布谷鸟算法由于后期存在收敛速度慢,易陷入局部最优等现象,难以准确计算最优分割阈值,因此导致图像分割准确率低。为了提高灰度图像分割的效率和准确率,引入一种基于混沌布谷鸟算法的灰度图像多阈值分割方法。改进的算法利用混沌运动的随机性、遍历性和初值敏感性等优点,对最优鸟窝位置加入由Circle映射产生的混沌扰动策略,有效地防止算法陷入局部最优,加快收敛并提高搜索精度。以最大熵作为目标函数,采用改进的算法对其进行优化,找到分割的最优阈值,实现灰度图像分割。选取2幅经典灰度图像,将所提算法的分割结果与标准的布谷鸟算法、粒子群算法进行对比,以此来说明改进算法的分割质量。实验结果表明,相比于其它两种算法,该改进算法能够快速准确地实现图像分割。     

一种新的图像分割算法

针对一类普遍存在的图像,采用具有生物学背景的交叉视觉皮质模型进行图像分割.将交叉视觉皮质模型所具有的符合人眼对亮度响应非线性要求的指数衰减的阈值机制,改进为适合图像分割处理的线性衰减的阈值机制,提出了线性阈值-交叉视觉皮质模型.同时采用改进的二维Tsallis交叉熵作为分割准则,可自动地确定交叉视觉皮质模型神经元的分割阈值以及循环迭代次数.实验表明,这种分割算法优于经典的OSTU算法和K-m eans算法,同时基于改进的二维Tsallis交叉熵准则优于基于二维最大Shannon熵准则、传统二维Tsallis交叉熵准则和一维最小Tsallis交叉熵准则.     

基于直方图的模糊最大指数熵图像分割方法

针对最大熵阈值分割算法的计算缺陷,提出了一种基于直方图的模糊最大指数熵阈值图像分割新算法．该算法把模糊性指数、模糊熵概念应用到图像分割中,结合基于灰度图像直方图的模糊最大熵阈值图像分割理论,给出了模糊最大熵的新定义,同时引入了指数熵的概念．该算法能较好地完成图像分割,较传统分割算法具有更强的抗噪能力,为后续的图像处理提供了良好的基础．通过对真实目标灰度图像的分割和对比实验,表明本文新算法分割准确,性能优越。     

基于模拟退火并行算法的二维熵多阈值分割

针对二维熵法在多阈值分割时计时长、复杂性高等问题,引入模拟退火并行遗传算法对该算法实行优化,构造模拟退火并行遗传算法搜索二维最大熵值中的最优阈值,对二维熵法在多阈值分割经模拟退火并行遗传算法搜索改进前后的结果进行说明及对比。此优化算法比传统的模拟退火算法时间缩短了71.5%,说明此算法大大提高了分割效率,不仅能保证图像分割精度,而且能加快获得最佳阈值的速度,是一种有效且实用的图像分割方法。