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.     

基于小生境粒子群算法的图像分割方法

为了得到分割图像的最佳阈值,提出了一种基于小生境粒子群算法的图像分割方法。小生境粒子群算法通过划分小生境的方法,保持了物种的多样性,克服了粒子群算法容易陷入局部解,后期收敛速度慢的缺点,提高了算法的全局寻优能力。该方法基于最大类间方差阈值分割技术,用小生境粒子群算法对适应度函数进行优化,得到最佳阈值,并用该阈值对图像进行分割。实验结果表明,与最大类间方差法,基于基本粒子群算法的最大类间方差分割法相比,所提出的方法不仅能得到理想的分割结果,而且分割速度也得到了提高。     

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WQPSO算法的多阈值图像分割算法的研究

引入基于量子行为的粒子群算法（QPSO）应用于图像分割。QPSO不仅参数个数少、随机性强,而且能覆盖所有解空间,但由于QPSO的后期局部搜索能力较弱,因此提出一种基于小波变异的量子粒子群优化算法（WQPSO）以增强其局部搜索能力,保证算法的全局收敛性。把图像分割看成一个最优化问题,以最大类间方差法（OTSU）为例,对比了WQPSO、标准粒子群算法（PSO）和QPSO在阈值处理中的性能,实验结果表明WQPSO完全满足实时系统精确度和准确性的要求,具有无可比拟的图像分割效果。     

量子粒子群算法在图像分割中的应用

引入了一种广泛而实用的方法——基于量子行为的粒子群算法的理论应用于图像分割领域。QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛性。文章中把图像分割问题看成一个最优化问题,以最小误差法为例,对比了所提算法和标准粒子群算法在阈值处理中的性能,并用实验证明了所提算法的可行性。     

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.     

基于莱维飞行樽海鞘群优化算法的多阈值图像分割

针对Otsu算法用于多阈值图像分割中存在运算时间长和精度低的不足, 利用群智能优化算法对图像分割算法进行优化.本文首先应用莱维飞行算法对樽海鞘群优化算法进行改进, 将多阈值Otsu函数作为优化算法的适应度函数, 利用改进后的LSSA寻找适应度函数的最大值, 同时获得相对应的多阈值.其次, 通过对几幅基本图像、伯克利大学图像分割库中的图像和实际污油图像进行多阈值Otsu分割研究, 在最佳适应度值、PSNR、SSIM指标以及算法耗时方面进行对比分析.实验结果表明本文提出的算法可以获得更为准确的分割阈值和更高的分割效率.     

基于改进遗传算法的自动阈值图像分割方法

图像分割法在图像分割的过程中只考虑象素的灰度值,没有考虑空间特性和存在计算复杂性过大的缺陷,影响图像效果.针对上述问题,提出一种基于改进遗传算法的自动阈值图像分割算法.方法对遗传算法中的编码办式、交叉算子、变异算子等参数进行了一些适当改进.把图像分割最佳阈值选取转换成优化问题.利用改进遗传算法的寻优高效性求解最佳阈值,实现图像分割.仿真结果证明,新算法极大地缩短了寻优时间,增强了图像分割过程中的抗噪性能,提高了图像分割的效率.从而有利于计算机视觉的后续处理,可以实现实时图像分割,具有实用价值.     

基于差分及模拟退火的混合粒子群算法

粒群算法是一种新型的群体进化计算方法,已经在一些工程领域得到了广泛的应用,本文鉴于该算法存在收敛速度较慢,易陷入局部极值的缺点,提出一种基于差分及模拟退火的混合粒子群算法。通过对三种进化算法各自优势的分析与结合,得到一种改进的粒子群算法。     

基于粒子群优化算法的并行模拟退火算法

针对模拟退火（simulated annealing,SA）算法收敛速度慢,随机采样策略缺乏记忆能力,算法内在的串行性使其具有并行化问题依赖等缺点,提出了基于粒子群优化（particle swarm optimization,PSO）算法的并行模拟退火算法。该算法利用粒子群优化算法中个体的记忆功能引导算法在解空间中开展精细搜索,在反向学习算法基础上设计新的反向转动操作机制增加了算法的多样性,借助PSO的天然并行性克服了SA的并行问题依赖性,并在集群上实现了多Agent协同进化的改进算法。对Toy模型的蛋白质结构预测问题进行了仿真实验,结果表明该算法能有效提高求解问题的质量和效率。     

以模拟退火算法为收敛判据的混合微粒群算法

本文提出了一种以模拟退火算法为收敛判据的混合微粒群算法,不仅保留了微粒群算法收敛速度快、易于实现的特点,而且通过模拟退火为群体置换更优的微粒,从而保证算法得到一个高质解.仿真结果表明了该方法的有效性.     

基于模拟退火的粒子群优化算法

粒子群优化算法是一类简单有效的随机全局优化技术。该文把模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,给出了一种基于模拟退火的粒子群优化算法。该算法基本保持了粒子群优化算法简单容易实现的特点,但改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。四个基准测试函数的仿真对比结果表明,该算法不仅增强了全局收敛性,而且收敛速度和精度均优于粒子群优化算法。     

基于微粒群算法与模拟退火算法的协同进化方法

提出了一种基于模拟退火与微粒群算法的协同进化方法,利用了微粒群算法的易实现性、局部快速收敛性以及模拟退火算法的全局收敛性.通过两种算法的协同搜索,可以有效克服微粒群算法的早熟收敛.仿真结果表明,本文的协同进化方法不仅具有较好的全局收敛性能,而且具有较快的收敛速度.文章从理论上证明了该方法以概率1收敛于全局最优解.     

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。     

基于粒子群算法与方向图法的指纹图像分割

指纹识别作为生物识别技术最为成功的应用之一,近年来已得到快速发展和普及．而指纹图像分割技术是指纹处理特征点提取的基础,同时也是高效识别指纹的关键,直接影响整个指纹识别系统的性能．本文在对相关的指纹图像分割方法分析的基础上,利用粒子群算法的阈值分割方法和方向图的指纹图像分割技术的优点,进一步研究并提出了一个混合分割方法．实验结果表明,这两种方法的结合运用可以获得良好指纹图像分割效果．     

基于粒子群优化算法的阈值图像分割研究

研究将群体智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值.仿真实验针对Lena图像分割问题,将遗传算法与粒子群优化算法分别独立运行,对得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标.统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短.仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的.     

基于自适应粒子群算法和数据场的图像二维阈值分割

针对图像分割中最优阈值选择的问题,将粒子群优化算法和数据场理论相结合,提出一种图像二维阈值分割算法.首先把数据场的理论引入到图像处理中,将图像的灰度值空间映射到数据场的势空间;然后通过自适应的粒子群优化算法寻找数据场中最大势值,该势值对应最优阈值;最后根据找到的阈值进行图像分割.在进行空间映射的过程中,将二维直方图中的序偶?p,q?视作数据对象,其中p代表像素的灰度值,q代表邻域的灰度值,选用拟核力场高斯势函数计算各数据对象之间的相互作用,生成了二维直方图的三维数据场.文中亦对数据场的各个参数进行了详尽的探讨.实验结果表明,文中算法不仅合理、有效,而且大大降低了计算的复杂性,能够适应大多数图像的分割.