基于粗糙集和支持向量机的图像分割技术研究

为了提高图像分割精度和实用性,利用粗糙集和支持向量机优点,提出一种基于粗糙集和支持向量机相融合的图像分割算法。首先利用粗糙集图像区域特征进行约简,以降低特征向量维数,然后采用支持向量机对这些特征进行学习,建立图像分割模型,从而实现图像的分割。实验结果证明,该方法不仅提高了图像分割精度,大大缩短了训练时间,而且分割效果要优于常规图像分割算法,能够很好满足图像处理的实时性要求,为进行图像分割提供了一个新的研究思路。     

基于支持向量机方法的多目标图像分割

支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小训练样本、高维情况下,具有较好的泛化性能。该文采用了支持向量机方法对多目标图像进行了分割研究。实验结果表明:模型参数对支持向量机方法的分割性能有较大的影响;对多目标图像的分割,支持向量机方法是一种很有前景的分割技术。     

基于支持向量机方法的医学图像分割

医学图像分割是图像分割研究领域的难点问题。支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、高维情况下,具有较好的泛化性能。论文采用支持向量机方法对医学图像进行分割研究。实验结果表明,支持向量机方法是一种很有前景的医学图像分割技术。     

基于蚁群算法的支持向量机参数选择方法研究

支持向量机（SVM）的参数取值决定了其学习性能和泛化能力。对此,将SVM参数的选取看作参数的组合优化,建立组合优化的目标函数,采用蚁群算法（ACA）来搜索最优目标函数值。ACA是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制。仿真表明,ACA是选取SVM参数的有效方法,应用到函数逼近时有优良的性能。     

蚁群优化支持向量机的物流需求预测

为了提高物流需求预测精度,针对物流需求的复杂变化特性,提出一种蚁群算法ACO)优化最小二乘支持向量机的(LSSVM)的物流需求预测模型(ACO-LSSVM).首先对物流需求数据进行重构,然后采用LSSVMY刻画物流需求的复杂非线性变化特性,并通过ACO算法优化选择LSSVM参数,采用物流需求预测实例对ACO-LSSVM性能进行测试.结果表明,ACO-LSSVM提高了物流需求预测精度,是一种有效的物流需求预测方法.     

基于支持向量机的磁共振脑组织图像分割

脑组织图像分割在医学图像分析中具有重要的理论和应用价值。由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维情况下,具有较好的泛化性能,因此可采用支持向量机方法对磁共振脑组织图像进行分割研究。为了验证支持向量机分割磁共振脑组织图像的效果,利用支持向量机进行了脑组织图像分割实验。实验结果表明:核函数及模型参数对支持向量机的分割性能有较大的影响;支持向量机方法适合作为小样本情况下的学习分类器;对目标边界模糊、目标灰度不均匀及目标不连续等情况下的图像(如医学图像)分割,支持向量机方法也是一个好的选择。     

基于蚁群算法的支持向量机参数选择方法研究

研究支持向量参数选择优化问题,常用的支持向量机参数优化算法和遗传算法分别存在耗时长和易陷入局部最优值的缺陷,导致支持向量机的分类精度低.为了解决支持向量机参数优化问题,提出了基于蚁群算法的SVM分类器泛化方法.蚁群算法是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制,SVM参数的选取看作参数的组合优化,建立组...     

改善的支持向量机图像分割分类器构造

构造分类器是图像分割中重要的处理环节,论文将先验知识引入支持向量机,对支持向量机做了改善,在改善的支持向量机基础上构造实现了一个分类器,重点是将为了检验分类器的有效性,通过对UCI机器学习数据库的数据进行的实验,实验结果表明改善的支持向量机分类准确率比支传统持向量机的准确率高。     

基于支持向量机和灰度共生矩阵的纹理图像分割方法

图像分割是计算机视觉领域的研究热点。灰度共生矩阵是图像灰度的二阶统计度量,反映了纹理图像灰度在方向、局部邻域和变化幅度的综合信息,以能量、对比度、熵、差方差和差熵作为纹理图像的特征,利用支持向量机(SVM)对这些特征进行训练和分类,以达到纹理图像分割的目的。详细说明了纹理图像的分割过程,同时分析了不同参数情况下对分割精度的影响。针对Brodatz纹理库的实验结果表明:该方法具有较好的分割效果。     

基于支持向量机的连续超声图像集分割算法

针对传统的支持向量机（SVM）模型对连续超声图像集进行分割时需要为图像集中每张图片提取样本点来建立分割模型的问题,提出了一个对整个连续超声图像集的统一的SVM分割模型。首先,从图像的灰度直方图中提取灰度特征作为表征图像集中图像连续性的特征;其次,从图像集中选取部分图像作为样本,并从中提取像素点的灰度特征;最后,将各像素点的灰度特征与各像素点所在图像中表征图像集连续性的特征相结合,用SVM的方法训练出分割模型对整个图像集进行分割。实验结果表明,与传统SVM分割方法相比,新模型在面对大量的有连续变化的图像集的分割问题上,大幅地减少了人工选取样本点的工作量,并且在分割的准确率上也有保证。     

蚁群模糊聚类的图像分割

蚁群算法的离散性、并行性、鲁棒性、正反馈性特点,非常适合于图像分割.但基本蚁群算法中蚂蚁运动的随机性使得算法进化速度慢且易于陷入局部最小等缺陷.提出了一种基于改进的蚁群模糊聚类的图像分割方法,给出了多种信息素的更新方式.针对算法循环次数多,计算量大的问题,综合考虑图像中像素的灰度,邻域平均灰度,梯度等特征来设置初始聚类中心进行蚁群模糊聚类.实验结果表明,该方法在图像分割中的确能够得到较好的分割结果.     

基于局部蚁群算法的图像分割

为了解决光照不均匀、有噪声,或者背景灰度变化较大时,采用单一阈值不能兼顾图像各个像素的实际情况,提出一种利用局部蚁群算法对图像进行阈值分割的改进算法。对图像进行分块,在每块内分别设定阈值进行分割,可以有效减少像素错误归类的现象。该算法对图像的不同区域设置不同的迭代次数和蚂蚁走的步数,获得了更好的分割效果。实验表明该算法可以提高分割的精度,缩短程序运行的时间。     

基于区域生长和蚁群聚类的图像分割*

提出了一种基于区域生长和蚁群聚类的图像分割方法——BRGAC。该方法首先用区域生长法对图像作初始分割,然后利用蚁群算法搜索最优解的能力,在区域之间进行聚类合并,获得最终的分割结果。BRGAC算法不但克服了区域生长得不到有意义区域的不足,而且还大大提高了蚁群聚类算法的搜索时间,并利用初始分割后的空间信息和灰度信息定义了一种新的引导函数,可更准确有效引导蚁群聚类。实验结果表明,该方法可以准确地分割出目标,是一种有效的图像分割方法。     

基于蚁群和自适应滤波的模糊聚类图像分割

为了改进模糊C均值聚类(FCM)算法对初始聚类中心敏感、抗噪性能较差、运算量大的问题,提出一种新的基于蚁群和自适应滤波的模糊聚类图像分割方法(ACOAFCM).首先,该方法利用改进的蚁群算法确定初始聚类中心,作为FCM初始参数,克服FCM算法对初始聚类中心的敏感;其次,采用自适应中值滤波抑制图像噪声干扰,增强算法的鲁棒性;最后,用直方图特征空间优化FCM目标函数,对图像进行分割,减少运算量.实验结果表明,该方法克服了FCM算法对初始聚类中心的依赖,抗噪能力强,收敛速度快,分割精度高.     

基于蚁群算法的医学图像分割研究*

通过对蚂蚁信息激素释放、路径转移的重新定义,并将图像空间的模糊连接关系引入蚂蚁的觅食过程中,进而转换为蚂蚁搜寻食物的准则,实现了医学影像图像的分割,并进一步分析了算法实现中相关影响因素参数选择的问题。     

基于群集智能的蚁群优化算法研究

群集智能是近年来人工智能领域研究的一个新的热点课题。介绍了这一研究的思想方法和数学模型，以蚂蚁群体的智能行为研究对象，阐述了基于群集智能的蚁群优化算法，并介绍了该算法的工程应用。     

基于蚁群和带空间约束FCM的荔枝图像分割算法

准确地提取荔枝果实的完整轮廓对采摘机器人自动识别与采摘至关重要。以蚁群和模糊C均值（FCM）聚类为理论基础,选用符合荔枝颜色特性的L*a*b*颜色空间,提出一种基于蚁群和带空间约束FCM的荔枝图像分割算法。该算法利用L*a*b*颜色空间的a*通道正轴代表红色和负轴代表绿颜色进行初始分割,然后利用蚁群聚类算法全局性和鲁棒性的优点确定FCM的聚类中心,用引入空间约束的FCM完整地分割出荔枝果实。实验结果表明此方法实现了荔枝图像完整地分割,并且满足了采摘机器人后续的荔枝识别与采摘,对成熟荔枝分割的正确率达到了87%。     

基于梯度算子的蚁群图像分割算法研究

提出了一种基于梯度算子的改进蚁群图像分割算法,解决了用传统分割方法很难将目标与背景灰度值相似图像分割的难题.该算法基于经典的梯度算子图像分割,从聚类的角度出发,综合像素的灰度、梯度特征进行特征分割.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法,通过设置不同的蚁群、聚类中心、启发式引导函数和信息激素来解决蚁群算法循环次数多,计算量大的模糊聚类问题.实验证明,该改进蚁群算法可以快速准确的分割出背景和目标灰度值极其相似图片的目标图像,是一种有效的图像分割方法.     

基于蚁群优化多层图划分的彩色图像分割方法

为了消除基于谱聚类的归一化切分图像分割中聚类参数对分割结果的约束,提出了一种基于蚁群优化的多层图划分算法来进行归一化切分,进而对彩色自然景观图像进行分割.该算法将代表图像的相似度图作为蚁群的栖息环境,在归一化割准则的指导下,通过蚂蚁的觅食行为将相似的顶点逐渐聚集在一起,从而以多层的方式完成图划分.为了降低图像分割的计算量,利用超像素对图像进行预处理.实验对比表明,该算法消除了归一化切分分割结果对聚类参数的依赖,并提高了归一化切分分割的准确性和速度.     

改进蜂群算法的图像阈值分割方法

为快速高效地进行图像分割,针对人工蜂群算法存在的收敛速度慢、易陷入局部最优解等问题,提出了一种基于改进人工蜂群算法分割二维OTSU图像的新方法。通过对蜜源更新过程中向当前最优蜜源方向进行引导,可以加快算法的收敛速度;为避免算法陷入局部最优并加快收敛速度,在局部搜索过程中逐步缩减了搜索范围并加入了放弃机制;针对较大梯度值无意义的问题,限定了蜜源范围,以提高算法的效率。最后结合具有不同直方图分布的图像进行了实验,结果表明了算法稳健、高效、快速的特性。