基于粒子群优化算法的最佳熵阈值图像分割

研究图像的空间信息和灰度的信息图像分割,从中提取感兴趣的目标.针对传统阈值算法虽然考虑了图像的空间信息,但是由于解空间维数增加,搜索范围增大,导致了计算时间延长,求解最优阈值的速度较低,同时传统二维熵的计算中只考虑了像素的概率,忽略了灰度的概率,导致分割不准确.为了充分利用灰度图像的灰度信息和空间信息,提高分割精确度和最优阈值的求解速度,提出一种基于粒子群算法的阈值分割方法(PSO-SDAIVE算法).算法对传统的二维直方图进行改进,生成差值属性灰度直方图,同时对灰度均值和二维熵的计算进行改进,生成空间差值属性信息值熵(SDAIVE),最后用粒子群算法来搜索SDAIVE的最大值.对头部CT图像进行分割进行了仿真,实验结果表明,能够对图像进行准确的分割,而且运行时间明显较短,证明粒子群优化的图像分割算法是可行和有效的.     

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。     

基于混沌遗传算法的图像阈值分割

阈值分割是图像分割中的一种常用的有效方法。但传统的阈值分割方法在多阈值的情况下,运算量急剧增加。该文将混沌遗传算法与阈值分割方法融合,利用混沌运动的随机性、遍历性和初值敏感性进行种群初始化和变尺度变异。实验结果表明,与遗传算法相比,混沌遗传算法用于阈值寻优减少了运算时间,提高了收敛率。     

混沌粒子群优化指数交叉熵的阈值分割

为了提高指数交叉熵的阈值选取效率,提出了一种混沌粒子群优化指数交叉熵的阈值分割方法。首先导出指数交叉熵阈值选取方法,然后利用混沌粒子群算法对其进行优化。实验结果表明,相对于最大熵法和指数熵法,混沌粒子群优化指数交叉熵的阈值分割方法不仅分割结果精确,而且运行时间也相应缩短。     

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.     

基于组合优化算法的图像阈值分割

针对广义模糊熵图像阈值分割中参数的选取问题,采用两种算法实现自适应选取参数的广义模糊图像熵阈值分割。其中,算法二依据均匀性测度,通过遗传优化算法对参数m在(0,1)区间进行全局寻优,并以广义模糊熵为目标函数,通过粒子群优化算法,对S型隶属度函数中的参数进行全局组合寻优,从而实现广义模糊熵图像阈值分割方法的自动阈值选取。实验结果表明了算法二的有效性。     

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).     

基于混沌粒子群算法的多阈值图像分割

针对单阈值图像分割方法在求取比较复杂的图像时效果不理想及粒子群算法容易陷入局部最优且速度较慢等等问题,提出了基于混沌粒子群优化算法的多阈值图像分割方法。该方法利用混沌运动随机性、遍历性和初值敏感性,将混沌粒子群优化算法与多阈值法相结合作全局搜索,实验结果表明了基于混沌粒子群优化算法的多阈值图像分割法用于阈值寻优减少了搜索时间,并且运行时间不随阈值数目的增加而显著增加。     

灰度熵和混沌粒子群的图像多阈值选取

最大Shannon熵阈值选取方法仅仅依赖于图像灰度直方图的概率信息,而没有直接考虑类内灰度级的均匀性.为此提出了最大灰度熵的阈值选取方法.首先给出了灰度熵的定义及其单阈值选取方法,该灰度熵与现有的仅基于直方图分布的最大Shannon熵不同,直接反映了类内灰度级的均匀性;其次导出了量化图像直方图的灰度熵单阈值选取公式;最后将灰度熵单阈值选取推广到多阈值选取,提出了相应的快速递推算法,并进一步采用混沌小生境粒子群优化算法寻找最佳多阈值.实验结果表明,与最大Shannon熵单阈值选取和基于粒子群的最大Shannon熵多阈值选取方法相比,所提出方法的分割图像边缘、纹理更为准确,视觉效果明显改善.     

运用迭代最大熵算法选取最佳图像分割阈值

最大熵分割选取的阈值在很多情况下不能准确体现图像细节,为此提出一种迭代最大熵分割方法。在分割图像过程中,多次运用最大熵分割方法,在每一次分割后的两类中,得到两个类均值,以分布于两个均值两侧的像素作为被准确分类的像素,以分布于两个均值之间的像素作为待定像素,进一步确定其分类结果,在下一次迭代中,以待定区域像素作为分类对象,经过多次迭代,得到最佳阈值。实验结果表明,该方法的效果比原始最大熵分割法有较大提高。     

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。     

基于Otsu准则及图像熵的阈值分割算法

在图像分割中,阈值的选取至关重要,在经典的Otsu准则基础上,结合图像熵提出了一种改进的局部递归的阈值选取及分割算法。基于图像像素熵信息,运用递归思想局部搜索图像的最佳阈值,这样不但缩短了计算时间,而且具有较好的自适应特点。该算法在图像背景不均匀或图像不是简单的单峰、双峰图像的情况下可以进行有效的分割,分割后的图像细节更加丰富,有利于分割后的特征提取。对Lena图像进行了实验,获得了较好的分割结果。     

广义概率Tsallis熵的快速多阈值图像分割

针对传统的熵多阈值法存在的计算复杂度高和分割不准确等 问题,提出了一种基于广义概率Tsallis熵的快速多阈值图像分割方法。首先,对传统的灰 度概率进行修改得到广义概率以构建广义概率Tsallis熵。然后,通过直方图均值自动确定Tsallis熵参数以解决参数不易选择 的问题。随后,将GPTE正确拓展到多阈值分割方法中使得分割更准确。最后,将差分进化(D ifferential evolution, DE)算法与递推算法有机结合应用于GPTE多阈值法中以解决计算复 杂度高的问题。[JP2]图像分割实验结果表明,与基于传统的熵多阈值法相比,本文提出的方法不 仅分割更准确,自适应性更强,而且运行速度更快。     

基于修正二维熵的水声图像分割

水声图像常分为亮区、暗区和混响区,而传统的单阈值方法不能根据需要获得相应区域,针对该问题,提出一种基于修正的灰 度-梯度二维直方图的最大熵分割方法。该方法根据先验知识截取部分灰度-梯度二维直方图,并对其进行最大熵阈值分割。实验结果表明,该方法可以根据需要提取出感兴趣的区域,并且能得到更好的分割效果。     

图象数据读取方法及阈值分割技术

对ＢＭＰ文件格式进行分析,读取图象数据,并对这些数据进行处理,通过阈值分割技术得到图象边缘。     

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。     

一种基于亮度均衡的图像阈值分割技术

对于光照不均匀的图像,用通常的图像分割方法不能取得满意的效果。为了解决这个问题,文中提出了一种实用而简便的图像分割方法。该方法针对图像中不同亮度区域进行亮度补偿,使得整个图像亮度背景趋于一致后,再进行通常的阈值分割。实验结果表明,用该方法能取得良好的分割效果。     

基于微粒群和最大模糊熵的图像分割

提出了一种基于微粒群和最大模糊熵的图像分割方法.将图像分为目标和背景,并分别建立相应的模糊隶属函数来描述图像各个灰度级属于目标和背景的模糊特性,进而给出图像模糊熵的描述.在此基础上,根据最大模糊熵准则采用微粒群算法搜索模糊参数的最优组合,确定区分目标和背景的最佳阈值.为了验证方法的有效性,对比进行了图像分割实验,并与双峰法、迭代法和最大类间方差法进行了比较,实验结果表明,效果良好,能够自动、有效地选取阈值,分割效果优于其它三种算法,具有很好的鲁棒性和自适应性.