基于遗传算法的最佳熵阈值的图像分割

Kapur等人提出的最佳熵阈值的图像分割具有很多优点,但同时也需要大量的运算时间,限制了其实际的应用范围,且最佳熵阈值的确定是一有待解决的问题,文章将遗传算法应用于最佳熵阈值的确定中,提出了相应的算法并用于图像分割,仿真结果表明,在设定了合适的遗传算子后,遗传算法不仅可以实现正确的图像分割,并且使得分割速度大大提高。     

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.     

基于链式竞争遗传算法的KSW熵的图像分割

针对最佳熵阈值图像分割算法过程中计算复杂度高的问题,提出了一种基于链式竞争遗传算法的最佳熵阈值确定法(KSW熵法)的图像分割算法.通过将3个邻域的链式竞争引入到常规遗传算法框架下,实现特征选择过程;将改进的遗传算法应用到最佳阈值图像分割算法中,完成对阈值的寻优过程.仿真实验结果与分析表明:算法在分割速度和效果上均优于传统的最佳阈值图像分割算法和单纯的遗传优化最佳阈值图像分割算法.     

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.     

一种基于改进遗传算法的图像分割方法*

为了自动确定图像分割的最佳阈值,提出了一种基于改进遗传算法的图像分割方法,即利用这种改进遗传算法对二维Otsu图像分割函数进行全局优化,该方法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,最后得到图像分割的最佳阈值,克服了传统遗传算法的收敛性差、易早熟等问题。在理论分析和仿真数据实验中,与二维Otsu图像分割法和基于基本遗传算法的图像分割法相比,使用该方法得出的阈值范围更加稳定,阈值计算时间有极大的提高,更能满足图像处理的实时性要求。     

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.     

基于量子遗传算法的图像分割

针对基本遗传算法的稳定性较差、存在未成熟收敛和易陷入局部最优解的问题,将量子计算与遗传算法进行融合,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明量子遗传算法用于阈值寻优减少了搜索时间,提高了收敛效率.     

基于最大方差法和改进遗传算法的图像分割

针对应用标准遗传算法对一幅灰度图像寻找最优阈值时经常陷入局部寻优的问题,提出了一种利用最大方差法和新的改进遗传算法相结合对图像进行分割的方法.以灰度图像的最大方差作为适应度函数,把图像分割问题变成一个优化问题.利用遗传算法的寻优高效性,搜索到能使分割质量达到最优的分割阈值.实验结果表明,采用新的改进遗传算法和最大方差法相结合对图像搜索全局阈值时能收敛至全局最优解,并且大大缩短寻找最优阈值的时间.     

一种基于改进小生境遗传算法的图像分割方法

利用经典的Otsu算法和基本遗传算法相结合进行图像分割存在有算法效率低、容易提前形成伪解的问题,对于上述问题,提出一种基于改进小生境遗传算法的图像分割算法(IVNGAMS)。算法全局优化了二维Otsu图像分割函数,可以按照个体适应度大小自动控制遗传参数。并通过引入模拟退火算法,进一步提升算法的局部搜索能力。实验结果表明,改进的图像分割方法能更好提升算法的全局搜索能力,能够更加稳定快速的收敛到最佳的分割阈值,并且得到了更好的图像分割效果。     

利用遗传算法实现数字图像分割

本文将遗传算法引入数字图像分割之中，在此基础上，利用文献[5]提出的一种具有每个基因位交叉概率自适应变化的新交叉操作的改进型遗传算法来实现数字图像的分割，模拟结果表明，本文虎法用于数字图像分割，其收敛性能远远高于文献[2]的传统方法和标准遗传算法。     

常用数字图像分割算法研究

图像分割是图像处理中的一项关键技术,发展至今没有一个通用的方法和标准,是一个图像处理领域的经典难题。对数字图像处理中的图像分割作了简要介绍,对常用的数字图像分割算法进行了概括和阐述,并用VC＋＋工具进行了实现和展示,对从事该领域工作的人员有一定的启发作用。     

基于多层感知遗传算法的图象分割新方法

本文提出了一种新的灰度图象分割方法．该方法模拟了人类视觉由粗到细的分割过程，针对图象中各位置的不同内容采用不同的细节分辨率，形成多层感知的塔式结构；而在每一分辨率层上，采用小生境的遗传算法进行图象分割，使整个算法具有较强的鲁棒性、适用性、非监督性及高度的并行性，通过与单层遗传分割算法［1］相对比，显示了该方法具有更好的分割效果．     

基于散装仓粮食图像分割阈值选取算法改进

文中针对复杂背景条件下的散装仓粮食图像二值化分割问题,将遗传算法引入改进的最大类间方差法中,利用遗传算法具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,提高了分割算法的时间效率,克服了采用传统最大类间方差法在散装仓粮食图像分割中的速度慢的局限性。     

基于遗传算法的肝脏CT图像分割算法研究

遗传算法是一种基于生物选择与遗传机制所形成的一种全局优化、随机搜索算法,对处理一些传统搜索算法解决有难度的复杂问题比较适合,具有巨大发展潜力。论文首先介绍了遗传算法的基本原理以及它的主要特点和性质,重点叙述了基于遗传算法的图像分割方法,并通过应用遗传算法选取合适的阈值,进而采用最大熵原则对人体肝脏CT图像进行了分割算法处理,得到图像分割处理的实验结果,并对实验结果进行了分析。     

基于遗传算法的水平集超声图像分割

鉴于医学超声图像的信噪比较低,用经典的边缘提取算法无法得到较好的结果,因此,提出超声图像自动分割的一种新方法.其基本思想是在水平集分割方法的基础上,以能量函数作为评价函数,把图像分割问题变成一个优化问题,利用遗传算法的寻优高效性,搜索到能使分割质量到达最优的轮廓曲线.应用此方法对肝脏超声图像进行肿瘤的边缘提取,得到比较好的结果,从而完成图像的自动分割.     

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。     

一种基于遗传算法的FFT Snake模型图像分割方法

本文针对Snake模型用于轮廓跟踪时存在抗噪性能差、易于从弱边界溢出的不足,对其能量函数进行改进,提出一种新的FFT Snake模型。该模型较好地解决了以上问题,并将FFT Snake模型的解作为遗传算法的搜索空间,利用遗传算法的全局优化性能,有效地克服了Snake轮廓局部极小化的缺陷,从而可得到对目标更精确的分割。实验结果表明,该方法分割效果十分理想。     

基于混沌遗传算法的二维最大熵图像分割

研究了基于二维最大熵的图像分割算法,针对基于二维最大熵的图像分割算法存在的计算复杂度高、计算时间长等问题,提出了一种基于混沌遗传算法的二维最大熵算法。该方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,之后利用混沌遗传算法搜索最佳阈值进行图像分割。实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了有效的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大提高了计算速度,是一种实用有效的图像分割方法。