基于遗传算法的自动阈值选取方法研究

利用传统的Otsu理论进行图像阈值选取,计算量较大,现将遗传算法和Otsu 理论有机结合,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,利用遗传算法所具有的快速寻优的特点,大大缩短了计算时间.实验结果表明:新算法不仅提高分割质量,而且缩短寻优时间.     

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。     

广义模糊熵阈值法中基于粒子群优化的参数选取

针对广义模糊熵图像阈值分割法中参数m的选取问题,提出一种利用优化算法自适应选取参数的广义模糊熵阔值分割方法.该方法通过粒子群优化算法,依据图像分割质量评价准则对参数m在(0,1)区间进行全局寻优,并依据广义模糊熵最大准则对S型隶属度函数中的3个参数(a,b,d)进行全局组合寻优,从而实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验结果表明,该方法对光照不均匀图像具有更好的分割效果.     

应用最大熵和思维进化算法的阈值分割

在指数熵的基础上给出了模糊指数信息熵的定义及其性质,避免了对数中无定义点的问题,并用此概念和条件概率定义图像模糊划分的熵,根据熵最大原理进行图像自动分割。为了降低计算复杂度,提高计算速度,改进了思维进化算法（MEA）,设计了自适应趋同和小概率随机异化操作,优化模糊隶属参数,搜索最优分割阈值。实验结果表明,该方法能够自动、有效地选取阈值,分割效果优于Otsu等其他算法,并能保留原始图像的主要特征。     

广义模糊熵图像阈值分割参数选取的ADE方法

针对广义模糊熵图像阈值分割参数不能自动选取,提出自适应差分进化（Adaptive Differential Evolution,ADE）的广义模糊熵图像阈值分割方法。利用自适应差分进化算法作为优化工具来选取广义模糊熵阈值分割所需要的最佳参数,引入自适应变异算子和提出交叉概率自适应函数对优化过程进行控制,通过把参数带入广义模糊熵的补函数得到图像的阈值,进而得到图像最优分割。为验证其有效性与可行性,分别同基本图像质量评价准则的模糊熵图像阈值分割算法和粒子群优化广义模糊熵图像阈值分割算法相比较,实验表明,针对不同细节的图片,该算法所得分割结果多数情况下背景信息更少,目标信息更清晰,用时更短,分割更稳定且效果良好。     

基于改进遗传算法的自动阈值图像分割方法

图像分割法在图像分割的过程中只考虑象素的灰度值,没有考虑空间特性和存在计算复杂性过大的缺陷,影响图像效果.针对上述问题,提出一种基于改进遗传算法的自动阈值图像分割算法.方法对遗传算法中的编码办式、交叉算子、变异算子等参数进行了一些适当改进.把图像分割最佳阈值选取转换成优化问题.利用改进遗传算法的寻优高效性求解最佳阈值,实现图像分割.仿真结果证明,新算法极大地缩短了寻优时间,增强了图像分割过程中的抗噪性能,提高了图像分割的效率.从而有利于计算机视觉的后续处理,可以实现实时图像分割,具有实用价值.     

基于改进的PCNN多目标图像分割算法

脉冲耦合神经网络(Pulse-coupled neural network,PCNN)可有效地用于图像分割.为获得满意分割效果,PCNN需要选取适当的参数,目前其参数往往通过反复试凑确定.针对这一问题,基于改进的PCNN模型,提出结合图像灰度直方图,以最大交叉熵函数作自适应遗传算法的适应度函数,采用自适应遗传算法搜索最优门限阈值函数的图像分割算法.实验结果表明,该算法可以有效地实现多目标图像分割,且分割效果优于多阈值Ostu算法.     

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,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。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

一种遗传优化和Ostu的图像模糊边缘特征提取方法

边缘检测是图像预处理的重要内容之一,在对Pal和King经典模糊边缘检测算法改进的基础上,提出了一种基于遗传算法和Otsu进行图像阈值选取,以不同阈值为基准确定出线性隶属函数,对多峰图像确定多阈值隶属函数的方法,进行模糊增强,从而提取边缘,实验结果表明该算法不仅提高了边缘提取质量,而且缩短了阈值选取时间,是一种有效性、正确性的图像处理方法。     

基于并行遗传算法的Otsu双阈值医学图像分割

传统遗传算法用于搜索某些函数极值时精确度较低且稳定性较差。针对该问题,提出了一种基于并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。100 次阈值计算实验结果表明,提出的分割算法与传统遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显优于基于单种群的遗传算法的Otsu双阈值医学图像分割。     

基于VCGA 2-DOF PID控制器优化设计

遗传算法提供了一种复杂系统优化问题求解的通用框架,它通过对生物遗传和进化过程的模仿,来实现对问题的最优解的自适应搜索。针对基本遗传算法应用中早熟和慢收敛问题,应用改进的遗传算法,将适应度引入对操作因子的自适应调整。并给出了基于Matlab鳊程的实例。在此基础上,针对二自由PID的控制器优化设计问题,运用改进的遗传算法,在Matlab上进行了控制器参数的设计和仿真。结果表明,改进的遗传算法具有更快的收敛速度、更高的效率及全局收敛性,是一种适于工程应用的参数寻优方法。     

基于遗传算法的二维最大类间方差图像分割算法

为解决传统二维最大类间方差(Otsu)阈值分割算法处理图像时计算复杂度高、实时性差、易受噪声干扰等问题,本文将遗传算法应用到二维Otsu法中,提出一种基于遗传算法的最大类间方差法的灰度图像分割算法.二维Otsu算法考虑了图像的灰度信息及邻域空间的相关信息,以保证图像分割的精度;利用遗传算法则能提高运算速度.因此,基于遗传算法的最大类间方差法的灰度图像分割算法兼有二者优点,不仅提高运算速度而且能保证图像分割精度.     

图像分割研究进展

至今提出的分割算法有上千种,而新的算法还在不断被提出。从图像分割实际应用的角度,或者从图像分割中使用的特定的理论工具的角度,可以对图像分割进行分类。Otsu算法、基于聚类的图像分割方法、运动分割、基于图论的图像分割方法和基于活动轮廓的图像分割方法是图像分割的主要研究领域,自然计算算法已成为图像分割新的研究热点。     

基于脉冲耦合神经网络的图像分割

针对传统脉冲耦合神经网络(PCNN)模型在图像分割时需要设置较多参数和不能准确分割低对比度图像的问题,提出一种简化的PCNN模型和改进算法。在简化模型中减少了在传统PCNN模型中需要设置的参数的数量;在改进算法中根据图像像素空间和灰度特征自适应设置模型参数,并根据图像灰度直方图求出灰度期望均值作为图像分割阈值,因此该算法无需选择 循环迭代次数,只需一次点火过程就能实现图像的有效分割。实验结果表明,该方法能准确分割图像,纹理细节清晰,分割结果优于人工调整参数的PCNN方法和Otsu方法。     

Maximum similarity thresholding

Otsu method is one of the most popular image thresholding methods. The segmentation results of Otsu method are in general acceptable for the gray level images with bimodal histogram patterns that can be approximated with mixture Gaussian modal. However, it is difficult for Otsu method to determine the reliable thresholds for the images with mixture non-Gaussian modal, such as mixture Rayleigh modal, mixture extreme value modal, mixture Beta modal, mixture uniform modal, comb-like modal. In order to determine automatically the robust and optimum thresholds for the images with various histogram patterns, this paper proposes a new global thresholding method based on a maximum-image-similarity idea. The idea is inspired by analyzing the relationship between Otsu method and Pearson correlation coefficient (PCC), which provides a novel interpretation of Otsu method from the perspective of maximizing image similarity. It is then natural to construct a maximum similarity thresholding (MST) framework by generalizing Otsu method with the maximum-image-similarity concept. As an example, a novel MST method is directly designed according to this framework, and its robustness and effectiveness are confirmed by the experimental results on 41 synthetic images and 86 real world images with various histogram shapes. Its extension to multilevel thresholding case is also discussed briefly.     

基于区域分割的水下目标实时识别系统

在真实水下环境中,检测和识别水下日标一致是研究的重点。介绍了一种基于最优阈值分割算法的水下目标自动实时识别系统。首先运用去噪、图像均衡等方法对实时摄取的水下图像进行预处理,接着运用基于遗传算法优化的Otsu（即大津方法）最优阈值分割算法对所得图像进行区域分割,提取图像的特征向量,最后采用BP神经网络对提取的特征向量进行自动分类从而最终确定了水下目标的类型。水槽仿真试验表明系统能够在恶劣的环境下自动地检测水下目标,而且该方法具有较强的抗光线干扰能力和较高的准确度。     

细胞膜机制萤火虫算法优化多阈值Otsu图像分割

图像阈值分割是将灰度图像转换为二值图像的常用图像分割方式.经典多阈值Otsu算法对复杂图像进行分割取得了很好的效果,但是其采用穷举方法来寻找最优阈值是非常耗时的.针对这一问题,本文提出了一种基于细胞膜和自适应步长萤火虫混合优化算法的多阈值Otsu图像分割方法.利用萤火虫算法的启发式搜索来寻找图像分割的最优阈值很好地降低了算法的时间复杂度,并且在萤火虫算法中混合细胞膜算法很好地解决了萤火虫算法的"早熟"现象.实验结果表明,与经典多阈值Otsu法和萤火虫算法优化多阈值Otsu法相比,本文提出的算法具有更高的收敛速度和更好的图像分割效果,并且有效解决了萤火虫算法易陷入局部最优的问题.     

基于自适应步长果蝇优化算法图像分割

为了解决大津法抗噪性能不佳和分割效率不足等问题,提出了一种自适应改进步长的果蝇优化算法,并对大津法图像分割阈值进行优化。根据浓度平均值变化率改变步长的果蝇优化算法,对传统的步长进行改进,前期升半柯西分布为指数变量,开始时均匀递增然后呈S状上升自适应增加步长。后期利用柯西分布容易产生远离原点的随机数作为指数的算子进行扰动,根据浓度平均值变化率自适应改变果蝇寻优步长,利于跳出局部最优解。实验证明,改进的算法在收敛速度和寻优精度上都取得了较好的结果,在对图像分割的应用中的效果也较优于其他算法。     

基于粒子群和二维Otsu方法的快速图像分割

二维Otsu方法同时考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法.针对二维Otsu方法计算量大的特点,采用粒子群算法来搜索最优二维阈值向量.每个粒子代表一个可行的二维阈值向量,通过粒子群之间的协作来获得最优阈值.结果表明,所提出的方法不仅能得到理想的分割结果,而且计算量大大减少,达到了快速分割的目的,便于二维Otsu方法的实时应用.     

一种改进粒子群优化算法的Otsu图像阈值分割方法

阈值法分割图像时只利用图像的灰度信息,具有直观、实现简单的特点。针对传统的粒子群优化算法(Particle Swarm Optimization,PSO)分割图像易陷入局部最优的缺点,提出一种基于改进粒子群优化算法的Otsu图像阈值分割方法。以Otsu算法的类间方差作为适应度函数,在每次迭代中选取适应度较好的粒子同时加入新的粒子,以提高粒子多样性。实验表明,与Otsu算法和PSO算法相比,改进的粒子群优化算法不仅加快了收敛速度和运算速度,而且提高了图像分割的准确率。