基于改进粒子群算法的多阈值灰度图像分割

针对粒子群协同学习优化算法和粒子群综合性学习优化算法中的粒子更新规则不灵活问题,提出了一种新的粒子群多阈值灰度图像分割算法。该算法中的粒子更新策略能够根据粒子状态随时改变:迭代前期,粒子速度会不断增加以便加快搜索最优解;迭代后期,粒子速度开始变慢以便搜索更广区域,避免陷入局部最优;当粒子陷入局部最优时,让该粒子根据选出的榜样粒子学习,以便逃出局部最优。另外评价粒子最优解的目标函数采用的是图像指数熵。仿真实验结果表明改进的粒子群阈值优化算法在单阈值和多阈值情况下解决了传统熵算法执行效率低和粒子群优化算法更新规则不灵活易于陷入局部最优问题,分割结果非常好,而且稳定、高效。     

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。     

基于二维Tsallis交叉熵直线型图像阈值分割方法

Tsallis熵具有非广延性,其用于图像分割取得了比Shannon熵好的分割效果.但传统Tsallis熵分割主要基于点的分割,其不足处在于忽略边界区域的信息.为消除忽略边界区域信息给图像分割带来的不足,在二维Tsallis交叉熵基础上提出了二维Tsallis交叉熵直线型分割方法,并将聚类小生境粒子群算法应用于最佳二维阈值的搜索当中,最佳阈值搜索速度有了明显提高,所得阈值较为理想.实验表明此方法取得了比传统Tsallis熵分割法较好的分割效果.     

改进PSO算法在二维最佳阈值图像分割中的应用

针对二维熵图像分割在求取最佳阈值时存在计算量大及粒子群算法容易陷入局部最优、运算速度慢等问题,提出了改进的粒子群优化算法的二维熵图像分割方法。该方法是在雁群启示的粒子群算法基础上,对速度公式进行改进,并引入随机扰动策略,从两个方面同时改进以提高算法的收敛速度,以及克服局部极值的能力。仿真结果表明,将该方法用于阈值寻优减少了搜索时间,提高了收敛速度,强化了图像处理的实时性。     

基于灰度-梯度二维对称Tsallis交叉熵的阈值分割

针对灰度级-平均灰度级直方图的二维Tsallis交叉熵阈值分割法存在错分、计算复杂度较高问题,提出一种基于灰度-梯度二维对称Tsallis交叉熵的阈值分 割方法。构建新的灰度-梯度二维直方图,更加全面地考虑目标点和背景点;导出基于该直方图区域划分的对称Tsallis交叉熵阈值选取公式;采用基于tent映射的 混沌小生境粒子群优化算法搜寻二维最佳阈值向量,并引入快速递推算法降低其适应度函数的计算复杂度。实验结果表明,与基于灰度级-平均灰度级直方图的 二维Tsallis交叉熵阈值分割法相比,该方法能够使分割后的图像边缘更加准确,类内灰度更加均匀,且实时性提高了30倍。     

基于自适应CPSO算法的二维模糊熵图像阈值分割

由于PSO算法会出现虚假收敛或者早熟等现象,提出了一种自适应混沌粒子群算法(ACPSO)及其在图像分割中的应用。首先提出了一种改进的自适应粒子群优化算法(IAPSO)。然后在IAPSO的基础上,加入了混沌优化方法,用混沌变量来初始化粒子的位置和速度,并用新的无限折叠混沌映射对算法进行混沌变异,从当前群体中择优选择部分粒子进行混沌优化。最后将ACPSO算法应用到图像分割中。通过与最大模糊Shannon熵阈值分割法、基于基本PSO的最大模糊Shannon熵阈值分割法进行对比,验证了基于自适应CPSO算法的二维模糊熵阈值图像分割方法的性能更好。     

基于改进粒子群优化的模糊熵煤尘图像分割

针对基本粒子群算法易陷入局部最优和过早收敛的缺陷,提出权重因子自适应的粒子群算法,并对部分粒子进行Morlet变异操作,由此得到改进粒子群优化算法.将该算法和模糊熵相结合并用于图像分割,利用改进粒子群优化算法来搜索使模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值.通过与其他两种粒子群算法的分割结果进行比较,该算法取得了令人满意的分割结果,且算法运算时间较小,满足煤尘浓度实时精确测量的要求.     

基于改进粒子群算法的多阈值图像分割

提出了一种改进的粒子群算法,在初始化种群时采用相对基学习原理,以获得较优的初始候选解;在后期迭代过程中引入扩张模型,使粒子不易陷入局部极小值点,并将其用于多阈值图像分割。由最大熵阈值法得到所要优化的目标函数,用改进的粒子群算法对其进行优化,使其能够准确并迅速的得到分割的最佳阈值组合,并用该阈值组合对图像进行分割。将此分割结果与遗传算法的多阈值分割结果相比较可以看出,该算法可更为准确快速的实现图像分割。     

利用混沌PSO或分解的2维Tsallis灰度熵阈值分割

现有最大Shannon熵或Tsallis熵阈值选取方法没有从类内灰度均匀性出发,而仅依据图像灰度直方图,并且Tsallis熵法的分割效果通常优于Shannon熵法。为此,提出了基于混沌粒子群优化(PSO)和基于分解的两种2维Tsallis灰度熵阈值分割方法。首先,给出了1维Tsallis灰度熵阈值选取方法并将其推广到2维,导出了相应的2维Tsallis灰度熵阈值选取公式及其递推算法;其次,利用混沌PSO算法搜寻2维Tsallis灰度熵法的最佳阈值,并采用递推方式去除迭代过程中适应度函数的冗余运算,大大提高了运行速度;最后,将2维Tsallis灰度熵阈值选取方法的运算转化为两个1维Tsallis灰度熵法的运算,计算复杂度从O(L2)进一步降低到O(L)。实验结果表明,与2维最大Shannon熵法、2维最大Tsallis熵法及2维Tsallis交叉熵法相比,所提出的两种方法可以大幅提高图像分割质量和算法运行速度。     

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。     

基于通用学习均衡优化器的多阈值图像分割

传统的元启发式多阈值图像分割算法计算复杂度高且容易陷入局部最优,通用学习均衡优化器在搜索过程中使粒子从不同维度的候选粒子中学习,在求解复杂问题最优解时有很强的能力,克服了容易陷入局部最优的问题。提出将通用学习均衡优化算法优化最大类间方差法来实现多阈值图像分割,实验选择标准灰度图像,以峰值信噪比、结构相似度、运行时间和适应度值为评价标准,将该算法与均衡优化算法、粒子群优化算法进行了比较。结果表明,基于通用学习均衡优化器的多阈值图像分割算法结果的峰值信噪比、结构相似度在绝大多数情况下优于另外两个算法,并且收敛速度快,执行效率高。     

多阈值图像分割的模糊粒子群优化算法

把粒子群算法应用到多阈值图像分割中,结合已有的模糊C-均值聚类法提出了一种基于模糊技术的粒子群优化多阈值图像分割算法。FCM聚类算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解。PSO算法是一种基于群体的具有全局寻优能力的优化方法。将FCM聚类算法和PSO算法结合起来,将FCM聚类算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明新算法在最大熵评判准则下能够得到最优阈值。     

改进的元启发式优化算法及其在图像分割中的应用

元启发式算法自20世纪60年代提出以后,由于其具有可以有效地减少计算量、提高优化效率等优点而得到了广泛应用.该类算法以模仿自然界中各类运行机制为特点,具有自我调节的特征,解决了诸如梯度法、牛顿法和共轭下降法等这些传统优化算法计算效率低、收敛性差等缺点,在组合优化、生产调度、图像处理等方面均有很好的效果.提出了一种改进的元启发式优化算法——NBAS算法.该算法通过将传统天牛须算法（BAS）离散化得到二进制离散天牛须算法（BBAS）,并与原始天牛须算法进行混合得出.算法平衡了局部与全局搜索,有效地弥补了算法容易陷入局部最优的不足.为了验证NBAS算法的有效性,将NBAS算法与二维K熵算法结合,提出了一种快速、准确的NBAS-K熵图像分割算法.该方法解决了优化图像阈值分割函数的优化算法易陷入局部最优、算法寻优个体数多、设计复杂度高所导致的计算量大、耗时长等问题.NBAS-K熵算法与BAS-K熵算法、BBAS-K熵算法、遗传K熵算法（GA-K熵）、粒子群K熵算法（PSO-K熵）和蚱蜢K熵算法（GOA-K熵）在Berkeley数据集、人工加噪图像以及遥感图像上的实验结果表明,该分割方法不仅具有较好的抗噪性能,而且具有较高的精度和鲁棒性,能够较为有效地实现复杂图像分割.     

分解的二维非对称Tsallis 交叉熵图像阈值选取

现有的Tsallis 交叉熵能够度量图像分割前后的差异,但公式复杂,计算效率不高,据此, 提出了基于分解的二维非对称Tsallis 交叉熵图像阈值选取方法。首先给出了非对称Tsallis 交叉熵的定 义,提出了一维非对称Tsallis 交叉熵阈值选取方法;然后,将其拓展到二维,推导出相应的阈值选取 公式;最后,在此基础上提出了二维非对称Tsallis交叉熵阈值选取的分解算法,使求解二维非对称Tsallis 交叉熵阈值法的运算转化到两个一维空间上,将计算复杂度从O(L4)降低为O(L)。大量实验结果表明, 与基于混沌粒子群优化的二维Tsallis 灰度熵法、二维斜分对称交叉熵法,二维斜分对称Tsallis 交叉熵 法等方法相比,该方法分割性能优,运行时间短,可望满足实际应用系统对分割的实时要求。     

基于分散微粒群算法的二维模糊最大熵图像分割

该文研究了基于二维模糊信息熵的图像分割方法,针对二维模糊信息熵图像分割方法求取阈值时存在的计算复杂、时间长、实用性差等问题,提出了基于优化微粒群算法的二维最大熵图像分割方法。DPSO算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度-区域灰度均值作为阈值进行图像分割。同时,为了避免该算法收敛到局部最优解的问题,在算法中引入了变异策略。通过实验显示了该算法在收敛性和计算效率上较QPSO在内其它优化算法具有更好的优越性。     

基于小波变异粒子群和模糊熵的图像分割

基于粒子群和模糊熵的图像分割算法用于各种图像分割时,由于基本粒子群算法存在易陷入局部最优以及过早收敛的缺点,使得该算法难以得到理想的分割效果。针对此问题,提出了一种基于小波变异粒子群和模糊熵的图像分割算法,利用小波变异粒子群来搜索使模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值。通过与其他两种粒子群算法的分割结果进行比较,表明该算法取得了令人满意的分割结果,算法运算时间较小,具有很好的自适应性。     

利用混沌布谷鸟优化的二维Renyi灰度熵图像阈值选取

为了进一步降低现有的Renyi熵阈值法的计算复杂度,提出了基于混沌布谷鸟算法和二维Renyi灰度熵的阈值选取。首先,引入一维Renyi灰度熵阈值选取公式,建立基于像素灰度和邻域梯度的二维直方图,推导出基于该直方图的二维Renyi灰度熵阈值选取公式,通过快速递推公式来减少阈值准则函数的计算量;最后,采用混沌布谷鸟算法搜索最优阈值来完成图像分割。结果表明,与二维Arimoto熵法、基于粒子群的二维Renyi熵法、基于混沌粒子群的二维Tsallis灰度熵法、基于布谷鸟算法的二维Renyi灰度熵法相比,所提出的方法能够准确实现图像分割,且运算速度有所提升。     

基于Curvelet变换和多目标粒子群的混合熵MRI图像多阈值分割

针对因噪声干扰多、灰度不均匀、目标边界模糊导致的核磁共振成像（MRI）图像难以精确分割的问题,提出了一种基于Curvelet变换和多目标粒子群（MOPSO）的混合熵MRI图像多阈值分割算法。首先,对待分割MRI图像进行Curvelet分解,提取低频子带和高频细节子带构建概貌-细节灰度级矩阵模型,以提高算法的目标细节表示能力;其次,同时考虑目标与背景的类间差异性与类内均匀性,将提出的二维多阈值倒数熵和倒数灰度熵组合定义为混合熵,作为多目标粒子群算法的目标函数,协同搜索得到最优的分割多阈值,以实现MRI图像的精确分割;最后,为提高算法的求解速度,提出了二维倒数熵和倒数灰度熵多阈值选取的梯度算法。实验结果表明：与二维tsallis熵、自动细菌觅食分割法（ABF）和改进的Otsu多阈值分割算法相比,所提方法对灰度不均和含噪的MRI图像具有更好的适应性,分割结果更为精确。     

基于惯性因子自适应粒子群和模糊熵的图像分割 *

由于基本粒子群算法存在易陷入局部最优以及过早收敛的缺点 ,使得基于粒子群和模糊熵的图像分割算法难以得到理想的分割效果。针对此问题 ,提出了一种基于惯性因子自适应粒子群和模糊熵的图像分割算法,利用惯性因子自适应粒子群和高斯变异来搜索使模糊熵最大的参数值 ,得到模糊参数的最优组合 ,进而确定图像的分割阈值。通过与其他两种粒子群算法的分割结果进行比较 ,表明该算法取得了令人满意的分割结果 ,算法运算时间较小 ,具有很好的鲁棒性和自适应性。     

一种改进粒子群优化算法的Otsu图像阈值分割方法

阈值法分割图像时只利用图像的灰度信息,具有直观、实现简单的特点。针对传统的粒子群优化算法(Particle Swarm Optimization,PSO)分割图像易陷入局部最优的缺点,提出一种基于改进粒子群优化算法的Otsu图像阈值分割方法。以Otsu算法的类间方差作为适应度函数,在每次迭代中选取适应度较好的粒子同时加入新的粒子,以提高粒子多样性。实验表明,与Otsu算法和PSO算法相比,改进的粒子群优化算法不仅加快了收敛速度和运算速度,而且提高了图像分割的准确率。