A multi-threshold segmentation approach based on Artificial Bee Colony optimization

This paper explores the use of the Artificial Bee Colony (ABC) algorithm to compute threshold selection for image segmentation. ABC is an evolutionary algorithm inspired by the intelligent behavior of honey-bees which has been successfully employed to solve complex optimization problems. In this approach, an image 1-D histogram is approximated through a Gaussian mixture model whose parameters are calculated by the ABC algorithm. In the model, each Gaussian function represents a pixel class and therefore a threshold point. Unlike the Expectation-Maximization (EM) algorithm, the ABC method shows fast convergence and low sensitivity to initial conditions. Remarkably, it also improves complex time-consuming computations commonly required by gradient-based methods. Experimental results over multiple images with different range of complexity validate the efficiency of the proposed technique with regard to segmentation accuracy, speed, and robustness. The paper also includes an experimental comparison to the EM and to one gradient-based method which ultimately demonstrates a better performance from the proposed algorithm.     

A comparison of nature inspired algorithms for multi-threshold image segmentation

In the field of image analysis, segmentation is one of the most important preprocessing steps. One way to achieve segmentation is by mean of threshold selection, where each pixel that belongs to a determined class is labeled according to the selected threshold, giving as a result pixel groups that share visual characteristics in the image. Several methods have been proposed in order to solve threshold selection problems; in this work, it is used the method based on the mixture of Gaussian functions to approximate the 1D histogram of a gray level image and whose parameters are calculated using three nature inspired algorithms (Particle Swarm Optimization, Artificial Bee Colony Optimization and Differential Evolution). Each Gaussian function approximates the histogram, representing a pixel class and therefore a threshold point. Experimental results are shown, comparing in quantitative and qualitative fashion as well as the main advantages and drawbacks of each algorithm, applied to multi-threshold problem.     

基于自适应定向正交投影分解的图象分割方法

将目标和背景分别对应到灰度直方图中的两个高斯分布是进行图象分割的一种常用方法 ,但复杂图象的直方图往往是多峰的 .为了更好地拟合这种复杂图象直方图的多峰特性 ,提出了一种基于自适应定向正交投影分解的图象分割方法 .该方法首先将这种复杂图象的直方图看作是多个高斯分布的叠加 ,并可通过应用自适应定向正交投影分解法来快速准确地确定每个高斯分布的权值、均值和方差 ,进而计算出各相邻高斯分布之间的最优阈值 ,以用于图象分割 .在此基础上 ,又提出了阈值分离度的概念 ,并将其作为选取最终阈值的指标 .应用实例结果表明 ,该方法能够快速有效地实现复杂图象的多阈值分割 .     

基于BBO算法的二维交叉熵多阈值图像分割*

针对复杂图像的分割问题,提出一种基于生物地理学优化算法(BBO,Biogeography-Based Optimization)的二维交叉熵多阈值图像分割方法。首先,根据二维直方图斜分法得出交叉熵阈值选取公式,并将此推广到多阈值分割,以求得多个极值提高分割效果,由于二维交叉熵法在多阈值分割时计时长、复杂性高等问题,然后引入BBO算法的思想,实现对多个阈值快速精确地寻优,最后,对标准图像进行分割以验证该算法。结果表明此算法比二维交叉熵穷举法计算效率高。     

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.     

基于混沌电磁场优化算法的多阈值彩色图像分割

为了解决彩色图像多阈值分割中计算时间长、分割精度低的问题,在电磁场优化算法(Electromagnetic Field Optimization,EFO)的基础上引入一种混沌策略用于算法初始化中,提出混沌电磁场优化算法(Chaotic Electromagnetic Field Optimization,CEFO)对图像的最佳阈值向量进行搜索。将其与另外5种优化算法进行对比,采用PSNR、MSSIM和FSIM 3个图像质量评价指标和算法运行时间(CPU Time)对6种分割算法进行分析比较。结果表明,CEFO具有收敛速度快、分割精度高的优势,能够胜任多阈值彩色图像分割的工程任务。     

基于模拟退火算法的多阈值图像分割*

针对多阈值图像分割时Otsu算法计算量过大的问题,提出基于模拟退火算法的阈值选取方法。首先依据最大类间方差准则,通过对直方图分析处理得到初始阈值向量,然后将该阈值向量作为初始解,利用改进的模拟退火算法逼近最优阈值向量。较之Otsu算法,该算法的计算量大幅减小,如实验中对图像的三阈值分割,运行效率提高了400多倍。结果表明,该算法能够快速、准确地实现多阈值图像分割。     

直线截距直方图城区遥感图像多阈值分割

阈值分割简单有效,但现有的单阈值方法对城区图像分割效果不佳,难以取得令人满意的结果。为了快速准确地对城区遥感图像进行分割,本文提出了基于直线截距直方图倒数灰度熵和人工蜂群优化（artificial bee colony optimization, ABC）的多阈值分割方法。首先,给出直线截距直方图的定义并建立城区遥感图像的直线截距直方图;然后,计算该直方图倒数灰度熵的大小,推导出其单阈值选取公式;最后,将其推广到多阈值选取,并利用人工蜂群优化算法,对多个阈值进行快速精确地寻优,以此最终实现城区遥感图像的多阈值分割。实验结果表明,该方法所分割的图像中多目标的形状、边缘更为准确,纹理及细节特征更加清晰,且所需运行时间仅为同类多阈值分割方法的25%,是一种行之有效的城区遥感图像分割方法。     

基于CT心脏图像的腔体区域分割新算法

在心脏图像处理中,为解决心脏四腔过分割问题,使用基于直方图的多阈值分割和标记分水岭分割相结合的新方法.由于CT心脏腔体区域灰度十分相似,组织相互连通,采取单一阈值分割无法得到目标区域,新算法使用多阈值分割,根据图像对应的直方图选择合适的阈值,并将分割结果作为基于标记的分水岭分割算法的输入图像,最终获得心脏的腔体区域,最后,通过重建得到左心房心室的三维结构图.而与其他分水岭改进方法相比,该算法以基于直方图的多阈值分割为前提,标记提取更为准确,目标组织边界清晰,能够获得更加理想的分割结果,有效降低了仅使用分水岭算法存在的过分割现象.     

Fast iterative computation of Gaussian mixture parameters and optimal image segmentation

We present a fast and accurate parameter estimation method for image segmentation using the maximum-likelihood function. The segmentation is based on a parametric model in which the probability density function of the grey levels in the image is assumed to be a mixture of two Gaussian density functions. For more accurate parameter estimation and segmentation, the algorithm is formulated as a compact iterative scheme. In order to reduce the computation time and to make convergence fast, histogram information is combined into the algorithm. Estimates of the initial values are properly selected for fast convergence. In addition, we find the optimal threshold values for several different types of mixture density which have one, two or no intersections between two component densities. The performance of the algorithm is evaluated on a set of artificial and real images and compared with those of other algorithms as well.     

改进的2维Otsu法及混沌粒子群递推的阈值分割

鉴于现常用的灰度级-平均灰度级2维直方图区域划分将部分目标和背景点错分成边缘和噪声点这一不足,为此提出了一种基于灰度级-梯度2维直方图的Otsu阈值选取新方法,利用混沌粒子群优化算法来寻找分割阈值,并提出在迭代过程中,采用递推方法来大大减少适应度函数的重复计算。实验结果表明,与最近提出的基于灰度级-平均灰度级2维直方图Otsu法及粒子群的快速图像分割方法相比,该新方法由于尽可能地考虑了所有目标点和背景点,从而使分割后的图像区域内部均匀、边界形状准确、特征细节清晰,同时运行时间几乎不到现有算法的1/3,而且粒子群处理的收敛精度得到了进一步提高。     

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。     

基于改进差分进化算法的多阈值图像分割

阈值法是一种简单有效的图像分割技术.但是阈值法也有着明显的缺点,即阈值求解的计算量随阈值的增加而指数级增长.为克服多阈值图像分割计算量大、运算时间长的缺点,引入改进的差分进化算法,提出新的变异策略,采用自适应的缩放因子和交叉系数,并新增扰动策略.改进的算法将多阈值分割模型视为优化问题,将最大类间方差法作为目标函数,实现多阈值分割.实验结果表明,和其它算法相比,该算法不仅可以取得正确的分割结果,而且分割速度更快.     

改进的红外图像2维Otsu分割算法

针对红外图像有别于一般灰度图像的特点,常用的灰度级平均灰度级2维直方图区域划分在红外图像分割中效果不佳,为此提出一种改进的灰度级梯度2维Otsu阈值选取方法,选取合适的梯度算子,利用改进的粒子群优化算法寻找分割阈值,在算法中加入有效判断早熟停滞的方法,一旦检索到早熟迹象,便随机改变最优解的任意1维分量值,使其跳出局部最大,实现全局寻优过程的快速收敛。仿真实验结果表明,该算法由于使用新的2维直方图,分割后的红外图像边界形状准确,特征细节清晰,运算速度也得到了有效提高。     

改进的混合蛙跳算法及其在多阈值图像分割中的应用

针对混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)存在的计算复杂度高、优化效率不理想等问题,提出了一种改进的混合蛙跳算法(Improved Shuffled Frog Leaping Algorithm,ISFLA)。在原始 SFLA的基础上进行如下改进:首先,将其中每次只更新组内最差青蛙的方式改为更新组内所有青蛙的方式,这既增大了获得优质解的概率,又省去了调整组内迭代次数的步骤,从而提升了优化效率和可操作性;其次,将基于局部最优更新的方法和基于全局最优更新的方法融合为一种混合扰动更新方法,从而避免了复杂条件的选择步骤,进一步提升了优化效率;最后,去掉随机更新方式,以免优质解被破坏,从而提高了整体的优化性能。将 ISFLA 用于 CEC2005和CEC2015连续基准函数的优化测试和基于Renyi 熵的灰度和彩色图像分割的多阈值选择实验中,结果表明,与 SFLA 和state-of-the-art的LSFLA 相比,ISFLA 具有更高的优化效率,更适用于多阈值图像分割的阈值选择。     

基于改进斜分Otsu法的回转窑火焰图像分割

因受窑内高温、高粉尘等因素的影响,氧化铝回转窑火焰图像中往往存在噪声.针对现有火焰图像分割算法存在抗噪性差和计算时间长等问题,对斜分最大类间方差法(Otsu法)进行改进,提出一种基于改进斜分Otsu法的回转窑火焰图像分割算法.该算法采用简化的距离测度函数作为阈值选取标准,以减少计算量和便于多阈值扩展; 采用基于后处理原理的图像分割方式,以进一步增强算法的抗噪性; 运用分子动理论优化算法实现加快计算速度.某厂氧化铝回转窑火焰图像的分割实验表明,该算法抗噪性强,运算速度快,能较为精确地分割出火焰图像的背景区、黑把子、火焰区、辐射带、物料区等区域.     

复杂光照下DPM图像自适应多阈值分割方法研究

复杂工况下,CCD相机采集到的DPM（Direct Part Mark）工业二维码图像受光照影响易出现大片光斑或阴影区域,造成DPM区域的信息遗漏,从而导致识别困难。为此,提出一种基于分段直方图凹度分析的多阈值自适应分割算法。首先在灰度直方图平滑的基础上计算出系列局部峰值,并借此完成直方图分段,再递推计算出每分段区域下凹处的分割阈值。其次通过引入基于阈值点局部区域信息的修正因子,使分割阈值自适应变化而更适用于局部对比度较低的状况。实验结果表明,该方法分割效果优于经典的阈值分割算法,平均运行效率比最快的多阈值分割算法提高17.75倍。经自适应局部阈值分割后,DPM图像复杂光照区域有用信息得以增强,缺失信息得以弥补,为后续的对象识别奠定基础。该方法也可推广于对比度多变的图像增强。     

自适应多阈值图像分割算法

本文提出了一种新的自适应多阈值图像分割算法.它首先利用势基函数对-维灰度直方图拟合,通过势函数聚类自动确定划分类数;然后在灰度共生矩阵的基础上,依据形状连通度准则,求得使形状连通度最大的一组分割阈值;最后按该组分割阈值执行多阈值图像分割.理论分析和实验结果都表明该算法较传统阈值分割算法优越,具有运算速度快、划分效果好、抗干扰性强的特点.     

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.     

基于混沌布谷鸟优化的二维Tsallis交叉熵建筑物遥感图像分割

为了进一步提升建筑物遥感图像分割的准确性和运算速度,本文提出了基于混沌布谷鸟优化的二维Tsallis交叉熵的建筑物遥感图像分割方法。首先给出了二维Tsallis交叉熵的阈值选取公式,然后将Logistic混沌映射引入布谷鸟算法,进一步加快布谷鸟算法的收敛速度,最后通过该混沌布谷鸟算法优化基于二维Tsallis交叉熵的阈值寻找过程,并以得到的最优阈值分割建筑物遥感图像。大量实验结果表明,与二维倒数交叉熵法、二维Tsallis熵法、基于混沌粒子群优化的二维Tsallis灰度熵法等方法相比较,本文方法分割的目标更为准确,细节更为清晰,且运算时间更短。