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.     

基于二维阈值化和遗传算法的图像分割方法

本文以二维最大熵为例,讨论了如何利用遗传算法和二维直方图进行图像阈值的自动选取。实验结果表明,利用遗传算法可以有效地提高原有图像阈值选取方法的速度。     

基于量子遗传算法的二维最大熵图像分割

图像分割二维最大熵算法存在计算复杂度高的弊端,目前针对这个问题所提出的各类算法效果都不太理想。依据量子遗传算法种群多样性好、收敛速度快的特点,提出了一种基于量子遗传算法的二维最大熵算法,与基于标准遗传算法的二维最大熵算法相比较,取得了更好的实验效果。     

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。     

基于分层遗传算法的二维最大熵图像分割

基于二维最大熵的图像分割算法充分考虑了点灰度和邻域灰度均值,较好地克服了图像中噪声带来的影响,将分层遗传算法引入到此图像分割算法中,加快了阈值搜索的收敛进度,大大提高了计算速度,有效地避免了局部最优解的情况,是一种实用有效的图像分割算法。     

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.     

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。     

基于遗传算法的最佳直方图熵图像分割算法研究

图像分割是图像处理的一个重要领域.阈值法是一种最简单、最基本的图像分割方法.确定最佳阈值是阈值分割法的关键,利用遗传算法的特点来快速准确地确定灰度图像直方图熵的最佳分割阅值,实现图像分割.通过仿真试验验证,分割效果明显,该算法具有很好的应用前景.     

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。     

基于二维模糊熵的GA在SAR图像分割中的应用

SAR图像中目标和背景的分割是SAR图像分割中的重要内容,阈值方法是其中比较简单实用的方法。阈值分割的核心问题是如何选择合适的阈值,最简单和常用的方法是从图像的灰度直方图出发,得到各个灰度级的概率分布密度,依据某一准则选取一个或多个合适的阈值,以确定每个像素点的归属。该文借助遗传算法工具,对基于二维直方图的模糊熵法做了改进和设计,提出了寻找最优阈值的分割算法,经MSTAR数据测试,对于含噪SAR图像目标和背景的分割具有很好的效果,抑噪功能强。     

基于遗传算法的原位根系CT图像的模糊阈值分割

原位根系CT图像的精确分割是实现植物根系3维重建和定量分析的重要基础。为了对原位根系CT序列图像进行准确、有效的分割,针对原位根系CT序列图像固有的模糊性特征,设计了一种基于遗传算法的模糊多阈值图像分割方法。该方法首先通过直方图分析确定了原位根系3维分割的初始阈值范围;然后通过设计一种模糊隶属度函数, 将图像模糊划分为若干个不同的区域; 最后采用最大模糊熵准则,并借助遗传算法寻找确定了一组序列图像的最佳分割阈值。编程实验结果证实,该算法不仅能更加准确、有效地对植物根系原位CT序列图像进行分割,并可提高图像阈值分割的精度和效率。