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。     

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.     

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.     

基于粒子群的图像分割

图像分割是图像处理的关键问题之一,为了能够快速有效地选取最优阈值进行图像分割,引入了粒子群算法（PSO）对阈值分割进行优化,提出基于PSO的最大熵图像分割,基于PSO的最大类间方差图像分割以及基于PSO的最小误差图像分割,并进行了分析和研究,可以得出该三种方法可以准确、快速地获取最优阈值进行图像分割。     

基于粒子群优化算法和模糊熵的多级阈值图像分割算法

针对现有阈值分割算法利用穷举搜索寻找最优阈值而造成的计算成本较大的问题,提出了一种基于粒子群优化算法和模糊熵的多级阈值图像分割算法。图像分割是图像分析中非常重要的预处理步骤,在提出的方法中,首先选择香农熵和模糊熵作为优化技术的目标函数;然后建立一种基于粒子群优化算法的多层次图像阈值分割,通过最大化香农熵或模糊熵进行图像分割。最后从图像分割数据库中选取Lena、baboon和airplane作为测试图像进行性能分析（包括鲁棒性、效率和收敛性）,并与现有的几种阈值分割算法进行比较。结果显示,提出的算法得到了更高PSNR值和更少的分类误差,证明了该算法是一种高效的多级阈值图像分割算法。     

基于最大模糊熵和微粒群的双阈值图像分割

基于最大模糊熵准则和微粒群算法,提出了一种新的双阈值图像分割方法.该方法通过定义3种模糊隶属度函数,将图像模糊划分为暗、灰和亮3个不同的区域.同时采用微粒群算法搜索最大模糊准则下模糊参数的最优组合,进而确定图像的两个最佳分割阈值.仿真结果表明,该算法具有良好的分割效果和较强的实时处理能力.     

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。     

基于改进粒子群算法的图像闭值分割方法

针对图像提取问题,最优阈值选取是否合理对图像分割效果至关重要。在处理不同种类图像区域时,粒子群算法(PSO)由于早熟现象难以准确计算最优分割阈值,因此导致图像分割准确率低。为了提高图像分割准确率且准确地提取出图像目标,提出一种基于混沌粒子群算法(CPSO)的图像阈值分割方法。受益于混沌运行的遍历性、对初始条件的敏感性等优点,CPSO很好地解决了PSO的粒子群过早聚集和陷入局部最优等难题,加快了全局搜索最优解的能力。采用具体图像对CPSO算法图像分割性能进行仿真实验,结果表明,相比于其它图像分割算法,CPSO不仅加快了运算速度,提高了图像分割效率,而且提高了图像分割准确率,非常适合于图像实时分割处理。     

基于模糊加权熵的医学图像多阈值分割

针对H.D.Cheng等人提出的模糊熵公式存在不满足区域一致性条件等问题,提出了模糊加权熵公式,证明了该公式满足图像分割定义的五个条件,克服了传统方法导致图像细节被均衡的不足,可得到较佳的分割结果。另外,隶属函数采用一种梯形分布,该分布可降低了参数的维数,提高了运算的效率。     

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。     

基于直觉模糊种群熵的自适应粒子群算法

基本粒子群算法在求解高维空间的复杂多峰函数时,种群多样性丧失很快,从而导致算法早熟收敛。针对这一问题,提出了将直觉模糊种群熵作为运算过程中种群多样性的测度,并将直觉模糊熵作为参数来影响粒子的速度更新机制,减小了算法在运算后期早熟收敛的概率,并使算法具备了一定的自适应性。实验结果表明,改进后的算法在性能上比基本粒子群算法有了较大的改进。     

基于多样性反馈的自适应粒子群优化算法

为了进一步提高种群多样性在粒子群优化执行中的效率,提出一种基于多样性反馈的自适应粒子群优化算法(APSO)。APSO采用一种新的种群多样性评价策略,使惯性权值在搜索过程中随多样性自适应性地调整,从而均衡算法的勘探和开发过程。此外,最优粒子采用精英学习策略跳出局部最优区域,从而在保证算法收敛速度的同时能够自适应地调整搜索方向,提高解的精确度。通过一组典型测试函数的仿真结果,验证了APSO的有效性。     

基于量子行为粒子群优化算法的图像插值方法

传统图像插值方法简单,容易实现,但经过插值后的图像会增加一定的虚假内容,导致图像模糊。为提高插值图像的质量和图像的分辨率,提出一种基于量子行为粒子群优化（QPSO）算法的图像插值方法。该方法利用QPSO算法在以传统插值图像为基础形成的解空间中,寻找符合目标函数的最优高分辨率图像。实验证明,该方法实用、可行,且能得到质量较好的插值图像。     

基于交叉和变异的多目标粒子群算法

为了保证粒子群算法求得的非劣解尽可能接近真实的Pareto前沿并保持多样性分布. 提出一种基于交叉和变异的多目标粒子群算法(CMMOPSO). 在CMMOPSO算法中, 首先, 识别Pareto前沿的稀疏部分包含的粒子, 并对这些粒子进行交叉操作以增加多样性分布; 其次, 对于远离Pareto前沿的粒子进行变异操作, 以提升粒子向真实的Pareto前沿飞行的概率. 在基准函数的测试中, 结果显示CMMOPSO算法比其它算法有更好的运行效果. 因此, CMMOPSO算法可以作为求解多目标问题的一种有效算法.     

基于新型粒子群优化粒子滤波的故障诊断方法

针对基于粒子群优化算法的粒子滤波(PSO-PF)算法精度不高,容易陷入局部最优,难以满足电厂温控系统故障诊断的需求,提出一种适用于故障诊断的新型粒子群优化粒子滤波(NPSO-PF)算法。该算法引入社会个体对群体的认知规律优化了粒子更新的方式,并且完善了粒子速度的更新策略,对优势速度赋有较小概率的变异,提高了粒子的寻优能力,同时随机初始化劣势速度,保证了样本的多样性。实验结果表明,与PSO-PF相比,NPSO-PF提高了故障检测的精度和鲁棒性,可以有效地应用于温控系统故障的诊断。     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

基于受控混沌映射的简化粒子群优化算法

为了克服粒子群算法早熟收敛和收敛精度不高的缺陷,提出了基于受控混沌映射的简化粒子群优化算法。该算法在采用去除了速度项的简化粒子群算法结构基础上,用受控混沌变量来描述惯性权值,并且对进化停滞的个体和全局极值进行变异操作。数值实验结果表明,新算法在收敛速度和收敛精度方面较已有方法有了明显提高,具有更强的摆脱局部极值的能力。