基于分数阶混合蝙蝠算法的Otsu图像分割

针对传统蝙蝠算法在图像阈值分割时存在的分割精度低、效果差、算法收敛速度慢等缺点,提出基于分数阶混合蝙蝠算法的Otsu图像分割算法.将分数阶微积分、天牛须搜索与传统蝙蝠算法相结合,利用分数阶微积分的遗传特性均衡蝙蝠的全局搜索过程,提高寻优能力.利用天牛须搜索丰富蝙蝠局部搜索时种群的多样性,加快高精度下算法的收敛速度.将二维Otsu算法的离散度测度矩阵作为寻优的目标函数进行图像阈值分割.实验结果表明,改进后的算法提升了图像的分割精度与效果,且有着更快的收敛速度和良好的健壮性.     

基于分数阶麻雀搜索优化OTSU肺组织分割算法

针对传统粒子群算法应用于肺组织分割时寻优慢且易陷入局部最优的问题,提出了一种基于分数阶麻雀搜索优化的最大类间差法(OTSU)肺组织分割算法.采用分数阶微积分算法优化麻雀搜索算法,根据麻雀的位置信息,引入自适应分数阶阶次以自适应地调整分数阶阶次,加快算法收敛速度;采用灰度级-梯度二维直方图以减小二维直方图的计算量和麻雀的搜索范围;算法实现过程中,利用孔洞填充算法去除CT图像背景,采用形态学操作去除噪音并修补病变区域产生的孔洞.实验表明,所提算法达到稳定的收敛次数相较于粒子群优化OTSU算法、分数阶粒子群优化OTSU算法、麻雀搜索优化OTSU算法分别减少了22.75％,13.75％,2.25％,因此所提算法在保证分割精度的同时,提高了算法的收敛速度.     

基于多尺度分数阶多重记忆与学习的粒子群算法

针对粒子群优化算法在搜索高维多峰问题时容易出现种群多样性减少,导致算法早熟收敛,陷入局部最优等缺点。本文提出了一种基于多尺度分数阶多重记忆与学习的粒子群算法,该算法将分数阶微积分引入标准粒子群速度、位置更新公式,通过记忆粒子的历史速度、位置轨迹、个体最优轨迹、种群最优轨迹,借助分数阶微积分具备的长期记忆特性来充分利用寻优过程中的历史信息,增强算法的收敛速度和收敛精度。同时针对种群进化过程中出现的一些特殊情况,采用多尺度分数阶和轨迹纠错学习策略来保护种群多样性,减少算法陷入局部最优的可能。通过基准测试函数的测试实验,结果表明,该算法与其它粒子群算法相比具有较强的竞争力。     

去除乘性噪声的分数阶变分模型及算法

目的 针对变分方法在去除图像乘性噪声时易产生“阶梯效应”的问题,分析研究了几种经典乘性去噪变分模型的特性和相关性,在此基础上考虑到分数阶微分的频率特性,提出一种用于去除乘性Gamma噪声的分数阶凸变分模型。方法 提出的分数阶凸变分模型是经典I-divergence变分模型的分数阶扩展。基于对偶理论,提出一种用于求解该模型的分数阶原始对偶算法。并且基于鞍点理论,分析了确保算法收敛的参数取值范围。结果 实验中从频域角度分析并验证了提出的分数阶变分模型较经典的一阶变分模型能够有效缓解“阶梯效应”现象,更好地保持图像的中频纹理和高频边缘信息。同时提出的分数阶原始对偶数值算法能有效收敛,且收敛速度较快。结论 本文提出了一种去除图像乘性噪声的分数阶变分模型,该模型可采用一种基于预解式的原始对偶算法求解。实验结果表明,提出的模型能有效改善图像的视觉效果,采用的数值算法能有效快速收敛。     

基于二进制量子微粒群算法的二维熵图像分割

分析量子计算的特点,对量子旋转门进行研究,给出了新的量子旋转门调整策略,并与离散二进制粒子群优化算法进行组合,提出了二进制量子粒子群优化算法。该算法具有收敛速度快、全局寻优能力强的特点。用典型复杂函数对其进行测试,测试结果表明,算法的优化质量和效率都优于离散二进制粒子群优化算法。将二进制量子粒子群优化算法与阈值法相结合应用于图像分割,结果表明了基于二进制量子粒子群优化算法的二维熵图像分割法用于阈值寻优具有更快的收敛速度和更好的全局寻优能力。     

基于改进麻雀搜索算法的分数阶PID参数整定

针对分数阶PID控制器的设计问题,提出一种改进麻雀搜索算法(ISSA)对分数阶PID控制器进行参数整定.在麻雀搜索算法(SSA)中引入Chebyshev混沌映射,提高SSA的种群多样性和全局搜索能力;采用自适应t分布和萤火虫算法,设置转换概率p使二者交替执行,提高SSA的收敛精度和寻优性能.对10个基准测试函数进行寻优,结果表明相较于已有的4种经典算法, ISSA在收敛速度、收敛精度、全局搜索能力等方面均有较大提升.最后,对两类被控系统进行仿真分析,相比现有成果,证实了ISSA算法对求解分数阶PID控制器参数整定问题的有效性和实用性.     

基于人工鱼群算法的分数阶PIλ控制器参数整定

针对分数阶Piλ控制器的参数整定,提出图像法和人工鱼群优化算法相结合的方法来对分数阶Piλ控制器进行参数整定。分别以一阶系统和二阶系统来模拟典型的速度伺服系统,以此模型为被控对象进行分数阶Piλ控制器的设计,首先在频域内,根据系统的相对稳定性和增益变化的鲁棒性等条件,推导出方程式;然后根据图像法解出分数阶Piλ控制器的参数,以解出的参数为中心位置,指定寻优的范围,进而用人工鱼群算法对其周围进行寻优。最后进行仿真研究,通过仿真可以看出,通过人工鱼群算法寻优得到的控制器,比单纯用图像法得到分数阶Piλ控制器能使系统具有更好的动态响应特性,并且满足增益变化鲁棒性的条件。     

用模拟退火思想的粒子群算法实现图像分割

采用了一种模拟退火思想的粒子群算法与最大类间方差法相结合的快速阈值分割法对图像进行分割。用粒子群优化算法来搜索阈值向量,每个粒子代表一个可行的阈值向量,通过粒子间的协作来获得最优阈值。为了提高收敛速度,把模拟退火的思想应用在粒子群算法中,最后仿真结论表明,该方法在继承标准粒子群算法原理简单、易于实现、协同搜索等优点的同时,还避免了标准粒子群算法的收敛速度慢问题,有更强的寻优能力,得到理想的结果的同时计算量大大减少。权衡分割精度和计算效率两个方面,文中方法不失为一种实用有效的图像分割算法。     

分数阶原始对偶去噪模型及其数值算法

目的：本文结合分数阶微积分理论和对偶理论,提出了一种与分数阶ROF去噪模型等价的分数阶原始对偶模型。从理论上分析了该模型与具有鞍点结构的优化模型在结构上的相似性,从而可使用求解鞍点问题的数值算法求解该模型。方法：使用求解鞍点问题的基于预解式的原始对偶算法对提出模型进行求解,并采用自适应变步长迭代优化策略提高寻优效率,弥补了传统数值算法对步长要求过高的缺陷。同时论证了确保算法收敛性的参数取值范围。结果：实验结果表明,提出的分数阶原始对偶模型能够有效地抑制“阶梯效应”,保护纹理和细节信息,同时采用的数值算法具有较快的收敛速度。结论：本文提出了一种分数阶原始对偶去噪模型,该模型可采用一种基于预解式的原始对偶算法进行求解。实验结果表明,提出的模型能有效改善图像的视觉效果,采用的数值算法能有效快速收敛。     

基于混沌粒子群和模糊聚类的图像分割算法*

模糊C-均值聚类算法(FCM)是一种结合模糊集合概念和无监督聚类的图像分割技术,适合灰度图像中存在着模糊和不确定的特点;但该算法受初始聚类中心和隶属度矩阵的影响,易陷入局部极小.利用混沌非线性动力学具有遍历性、随机性等特点,结合粒子群的寻优特性,提出了一种基于混沌粒子群模糊C-均值聚类(CPSO-FCM)的图像分割算法.实验证明,该方法不仅具有防止粒子因停顿而收敛到局部极值的能力,而且具有更快的收敛速度和更高的分割精度.     

量子遗传算法在指纹图像分割中的应用

提出了一种基于量子遗传算法(QGA)的指纹图像分割改进方法.这种方法利用量子遗传算法种群多样性好,收敛速度快的特点,将基于量子遗传算法的阈值分割方法与方向图法相结合对指纹图像进行分割.实验结果表明,QGA在指纹图像阈值分割中的速度和精度优于改进的自适应遗传算法和其它一些传统算法,是一种有效的图像分割方法.     

改进的遗传算法在医学图像中的应用

针对标准的遗传算法（ GA）在优化Otsu法求取图像阈值时出现收敛速度慢、易早熟等问题,提出了一种改进的GA用于图像分割。该算法根据种群不同的进化代数和个体适应度的大小,动态地调整精英选择策略和遗传算子,从而提高了算法的收敛速度、得到了范围稳定的图像分割阈值,且保持了种群多样性。将该算法应用于医学图像分割,实验结果表明：该算法可以对医学图像进行分割且效果明显。     

基于Canopy聚类的噪声自适应模糊C-均值算法

针对局部空间信息的模糊C-均值算法（WFLICM）中空间影响因子容易受到噪声影响出现错误标识的问题,提出一种融合局部和非局部空间信息的模糊C-均值聚类图像分割算法(NLWFLICM),在WFLICM算法的模糊影响因子中引入非局部空间信息,根据噪声程度自适应地设置局部和非局部信息权重,并重新标记中心点的模糊影响因子。实验结果表明,NLWFLICM算法具有比WFLICM算法更强的鲁棒性和自适应性,并在一定程度上提高了WFLICM算法对含有大量噪声图像进行分割的鲁棒性,同时保留了图像的纹理。为了提高算法的聚类性能和收敛速度,结合Canopy算法能够快速对数据进行粗聚类的优点,提出基于Canopy聚类与非局部空间信息的FCM图像分割改进算法（Canopy-NLWFLICM）,可以在NLWFLICM算法聚类前,对聚类中心进行预处理,从而提高收敛速度和图像分割精度。     

基于改进探路者算法的多阈值图像分割

针对多阈值图像分割方法中存在的计算量大、运行时间长等问题,在标准探路者算法的基础上,引入Tent混沌映射初始化和自适应t分布策略,提出一种基于改进探路者算法的多阈值图像分割方法,该方法以Kapur熵为目标函数对最优分割阈值进行搜索。为了验证算法的有效性,首先通过标准测试函数验证改进探路者算法的收敛精度和收敛速度,然后将改进探路者算法与Kapur熵结合后应用于Berkeley图像数据集进行多阈值分割,并与标准探路者算法、飞蛾扑火算法、灰狼优化算法和粒子群算法进行比较和分析。实验结果表明,提出的改进探路者算法收敛速度更快、求解精度更高,较其他对比算法有着更好的分割效果,且PSNR与SSIM都有更好的表现,能有效解决多阈值图像分割问题。     

基于直方图预处理与BF算法的含噪图像分割

图像中的噪声会直接影响图像分割质量,为快速、准确地识别含噪图像中的目标,提出一种基于直方图预处理与BF算法的含噪图像分割方法。该方法通过小波变换抑制图像中的噪声,分析增强图像的直方图特点以缩小分割阈值的分布范围,以二维最大类间方差为原则设计分割目标函数,利用BF算法快速搜索最优分割阈值。实验结果表明,该方法在收敛速度、稳定性和分割效果三个方面均优于基于遗传算法、人工鱼群算法等其他群体智能的分割方法。     

基于阈值分割的暗原色先验图像去雾方法

为解决传统暗原色先验去雾算法运算速度慢,处理结果中天空区域易失真的问题,提出了一种基于阈值分割的暗原色先验图像去雾方法。首先利用阈值分割将天空区域初步分割,然后引入参数[K]对天空区域再分割,精细透射率,解决了天空区域失真问题,同时利用快速双边滤波降低算法复杂度,提高了运算速度,最后通过Gray World假设进行图像增强,提高了复原图像的清晰度和色彩保真度,得到更为清晰的复原图像。     

基于噪音受益的快速图像分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合。当用已有的改进高斯混合模型于图像分割时,如何加快其分割过程是一个有研究意义的课题。基于最新的噪音受益EM算法,通过人工加噪来加快已有的改进高斯混合模型的收敛速度,从而达到加快图像分割的目的。当添加的噪声满足噪音受益EM定理时,加性噪声加快了EM算法收敛到局部最大值的平均收敛速度。改进的高斯混合模型是EM算法的特例,因此,噪音受益EM定理同样适用于改进的高斯混合模型。实验表明,提出的算法进行图像分割时,其收敛速度明显加快,时间复杂度明显变小。     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的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,利用模拟退火算法的爬山性能,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。实验证明,这种新的图像分割算法与并行遗传算法相比,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。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

基于WFSOA的2D-Otsu钢轨缺陷图像分割方法

针对二维最大类间方差阈值法(2D-Otsu)抗噪性较弱、计算时间较长的问题,文中提出了一种基于随机权重及异步价值因子取值的人群搜索算法,并将其应用于2D-Otsu中对钢轨缺陷图像进行分割。该算法采用随机权重加快收敛速度,采用异步价值因子提高搜索能力,有利于全局收敛到最优值。根据测试函数分析,WFSOA算法能够快速收敛,寻优值结果精度高,收敛时间短,算法稳定性好。在钢轨缺陷图像分割中,将2D-Otsu的迹函数作为WFSOA的目标函数,实验结果表明图像检测实时性高,对表面灰度不匀或生锈的钢轨缺陷分割结果清晰,有效降低了钢轨缺陷误检率和漏检率,在计算时间上仅占2D-Otsu算法的2%,可满足实际工程对实时性的需求。     

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.