基于改进模糊指数熵双阈值的3维人体图像分割优化算法

由于3维人体图像数据量大,导致分割耗时严重;人体组织间灰度差异相对较小,致使分割效果不佳。针对上述3维分割的两大难点问题,提出了改进的模糊指数熵函数来改善分割结果,并以加权免疫遗传算法（WIGA）对阈值进行优化搜索,从而提出了一种基于改进模糊指数熵双阈值的3维图像分割优化算法。真实人体胸部数据的分割结果表明,与传统熵函数及模糊隶属度函数相比,改进的最大模糊指数熵函数得到的阈值分割效果更好,且提出的WIGA算法的耗时仅为传统穷尽搜索法的14%。在与简单遗传算法（SGA）和免疫遗传算法（IGA）耗时基本相同的情况下,100次阈值计算结果表明,本文算法更加精确、稳定。     

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IGA的最大模糊熵SAR图像双阈值分割

将基于免疫遗传算法的最大模糊熵双阈值方法应用到合成孔径雷达(SAR)图像分割中。此方法采用像素点邻域的平均灰度值分布所构成的直方图进行阈值的选取,有效地利用了图像的空间信息。为了快速搜索到最优参数,采用免疫遗传算法进行全局寻优。实验结果表明,该算法可以有效的分割出SAR图像中的目标和阴影,并且具有执行时间短、鲁棒性强的优点。     

基于二维熵阈值的图像分割及其快速算法

阈值分割是图像分割技术中的一种重要方法,在图像处理和模式识别中广为应用.本文提出了一种基于二维熵阈值的图像分割快速算法.该算法能够有效地区分图像中边界、背景和物体三种区域,并使得传统二维阈值方法的复杂度从O(W2S2)降至O(W2/3S2/3).     

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.     

一种结合二维熵和模糊熵的图像分割方法

基于二维熵的分割方法是一种常用的阈值分割技术,其基本假设是对象区域和背景区域占据了二维直方图的绝大部分区域,即假设对象区域和背景区域的概率和近似为1。该方法存在的不足是忽略了边界区域的信息对分割结果的影响,鉴于此,提出了一种结合二维熵和模糊熵的图像分割方法,先采用二维熵对图像进行初步分割,再采用模糊熵作后续处理以弥补忽略边界信息带来的问题。实验结果表明,对于含噪图像,该文方法的分割效果是比较理想的。     

基于QPSO的二维模糊最大熵图像阈值分割方法

针对运用图像分割方法求取阈值时存在的计算复杂、时问长、实用性差等问题,提出一种新的二维最大熵图像分割方法,该方法利用基于量子行为的微粒群算法对图像的二维阈值空间进行全局搜索,并将搜索到的二维熵最大值所对应的点灰度一区域灰度均值作为闽值进行图像分割。实验结果表明,该方法具有一定优越性,在执行时间与收敛性方面均得到较理想的分割效果。     

基于二维最大熵和改进的遗传算法的图像分割

文章尝试了一种图像分割算法,在二维灰度直方图基础上,以二维最大熵为准则建立适应度函数,按改进的遗传算法,得到最佳二维阈值.实验表明,该法对于图像分割具有较佳的效果.     

模糊最大熵多阈值分割的改进算法研究

基于模糊最大熵原则的多阈值分割,提出了遗传算法和ICM相结合的改进算法。该方法首先确定选取模糊熵函数作为适应度函数,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。与通常的基于模糊最大熵原理进行阈值分割方法相比较,减少了计算量并且提高了运行效率,克服了常用方法在阈值求取时的一些不足,能够快速获得稳定的阈值。对比实验得出的结果,也说明了该方法的快速性、有效性、稳定性。     

基于最大模糊指数熵的模糊目标分割算法

针对红外目标主体模糊分割时易引起过或欠分割的问题,本文结合模糊集和熵理论提出了一种采用最大模糊指数熵准则的分割算法。根据像素灰度值将原始图像中像素分为黑和亮两个模糊集,利用模糊指数熵准则确定模糊区间的范围,再结合遗传算法强大的全局最优解搜索能力寻找模糊参数的最优组合,确定最佳阈值。对比实验表明,本文方法对主体模糊的目标分割效果明显优于最大类间距离方差法。但若向图像中添加大量随机噪声,两种方法都存在过分割现象。     

一种C-均值聚类图像分割的模糊熵后处理方法

提出了一种结合C-均值聚类算法和模糊熵的图像分割方法,该方法先采用C均值聚类算法对含噪图像进行初步分割,再利用模糊熵准则作后续处理。该方法一方面能够继承C-均值聚类算法的优点,可以灵活地用在基于多特征和多阂值的图像分割中,另一方面充分考虑了图像的区域信息,利用模糊熵最小作为准则,对c均值聚类算法初步分割结果的错分类点作了进一步的处理,克服了C-均值聚类算法对噪声敏感的缺点。实验结果表明,本文方法在运算开销上只比C-均值聚类算法多4～6S,对于低信噪比的图像能够取得优于C-均值聚类算法的分割效果。     

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。     

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.     

微粒群算法在二维模糊熵图像分割中的应用

将微粒群算法和二维模糊熵阏值分割法结合,提出了一种基于微粒群和二维模糊熵的图像分割方法.该方法根据像素点灰度值和区域灰度均值所建立的二维灰度直方图,以二维模糊熵作为微粒群算法的适应度函数,利用微粒群算法搜索点灰度值和区域灰度均值所对应的模糊参数最优组合,进而确定相应的分割阈值.对几例真实目标图像的对比分割实验结果表明,该文方法性能优越,是一种有效的图像分割方法.     

基于二维模糊信息熵的差分图像变化检测

变化检测作为多时相遥感图像分析的一项重要技术,是当前遥感应用研究的一个热点。在现有的变化检测方法中,针对差分图像的方法得到了广泛的应用,而如何从差分图像中自动检测出变化区域是实现这类变化检测的关键。论文提出了一种基于二维模糊信息熵的方法实现差分图像的变化检测,先利用差分图像的二维直方图描述图像中像元的统计特性和相邻像元间的空间邻域特性,然后对其进行模糊运算并得到差分图像的二维模糊信息熵,最后使用遗传算法实现模糊熵最大化,从而完成差分图像的非监督变化检测。实验结果表明该方法比现有方法具有更好的性能。     

基于人工蜂群优化的二维最大熵图像分割

针对二维最大熵图像分割方法计算量大的问题,提出基于人工蜂群优化的二维最大熵图像分割算法。利用人工蜂群优化算法收敛快、避免局部最优、控制参数少等优点,将二维最大熵法最佳二维阈值视为最佳蜜源,实现基于人工蜂群优化的二维最大熵图像分割。实验结果表明,该方法的收敛速度较快、抗噪性较强。     

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。