红外人体图像模糊Renyi熵快速分割

针对红外人体图像目标与背景对比度低、边缘模糊、细节分辨能力差等特点,以及通常情况下的实时性处理要求,提出了一种新的有效分割方法。基于Renyi熵原理,构造了一种广义模糊熵——模糊Renyi熵;为了较快地获得分割阈值,基于混沌理论设计了一种混沌模拟退火算法,用于最佳分割阈值的搜索;把提出的模糊熵与混沌模拟退火算法相结合用于红外人体图像分割,并与几种著名的图像阈值分割方法进行了比较。实验结果表明,用该方法对红外人体图像进行分割,能得到较满意的分割结果,与其他方法相比,鲁棒性较好;对具有256级灰度的图像进行分割,其CPU耗时约为0.8 s,满足了红外人体图像分割的精确、实时性要求。     

基于快速二维熵与PSO算法的红外图像分割

利用快速二维熵的图像分割方法因其运算量大而影响了它的实际使用,本文经过参数变换用减法代替原来方法中的对数运算.同时将PSO算法代替原来的穷尽搜索获得阈值向量来提高求解速度和分割效率,通过对实际图像分割效果表明,本文方法简单有效.     

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。     

基于新模糊准则与 DE算法的红外人体图像分割 *

人体目标的抽取是红外人体图像处理的基础 ,为了有效获取红外图像中的人体目标 ,提出了一种新的图像阈值化方法。首先在对模糊熵方法本质分析的基础上 ,通过参数变换定义了一种新的最小化模糊准则 ,然后将差分演化 ( differential evolution, DE)算法与新模糊准则相结合用于快速、有效地获取最佳阈值 ,最后在真实红外人体图像上与其他方法进行了对比实验。实验结果表明 ,所提出的方法不仅能得到理想的分割结果 ,而且 CPU耗时也较少 ,满足实时性处理要求。     

基于PSO的模糊C-均值聚类算法的图像分割

根据粒子群优化算法（PSO）强大的全局搜索能力,提出了用PSO算法优化模糊C均值聚类（FCM）的聚类中心的方法,有效地避免了传统的FCM对初始值及噪声数据敏感,容易陷入局部最优的缺点,同时图像分割的效果也得到了提高,性能也比传统的FCM方法更加稳定。实验结果反映了该方法的有效性。     

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.     

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。     

基于改进PSO的三维Tsallis熵图像分割

针对二维Tsallis熵图像分割不精确以及优化图像阈值分割函数的元启发式优化算法容易陷入局部最优这两个问题,提出了一种新的三维Tsallis熵阈值分割法以及一种新的改进粒子群优化算法。通过引入均值、中值、梯度三种因素,构建出三维直方图,并结合Tsallis熵理论提出了一种三维Tsallis熵阈值分割法。为了避免粒子群优化算法陷入局部最优,通过引入综合学习策略并改进粒子群优化算法的迭代方式,提出了综合学习改进粒子群优化算法。将提出的三维Tsallis熵阈值分割法与综合学习改进粒子群优化算法结合进行图像分割。与其他元启发式算法相比,综合学习改进粒子群优化算法能在低维环境下有效避免局部最优。实验结果表明相比于二维Tsallis熵阈值分割法,三维Tsallis熵阈值分割法分割效果更好,且具有更好的抗噪性能。由此可以表明综合学习改进粒子群优化算法结合三维Tsallis熵进行图像分割可以取得更好的结果。     

基于混沌遗传算法的二维最大熵图像分割

研究了基于二维最大熵的图像分割算法,针对基于二维最大熵的图像分割算法存在的计算复杂度高、计算时间长等问题,提出了一种基于混沌遗传算法的二维最大熵算法。该方法利用类似载波的方法将混沌序列映射至双阈值的二维空间,之后利用混沌遗传算法搜索最佳阈值进行图像分割。实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了有效的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大提高了计算速度,是一种实用有效的图像分割方法。     

基于混沌遗传算法的二维最大熵图像分割

研究了基于二维最大熵的图像分割算法,针对基于二维最大熵的图像分割算法存在的计算复杂度高、计算时间长等问题,提出了一种基于混沌遗传算法的二维最大熵算法.该方法利用类似载波的方法将混沌序列映射至双阈值的二维空间,之后利用混沌遗传算法搜索最佳阈值进行图像分割.实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了有效的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大提高了计算速度,是一种实用有效的图像分割方法.     

基于混沌优化的最佳熵阈值的图像分割

利用目标在图像中所占比例等信息,结合图像熵阈值算法进行图像的阈值分割。并利用混沌优化的方法一次寻找出图像熵的多个极值点,提高了阈值寻找的效率。仿真实验表明,与传统的图像熵阈值法相比较,该方法能够给出更加合理的分割结果。     

红外图像自适应增强的模糊粒子群优化算法

针对红外图像目标与背景区分不明显、对比度低的特点,把粒子群优化算法应用到红外图像增强中,提出了红外图像自适应增强的模糊粒子群优化算法。灰度变换增强是红外图像增强的首选方法之一,而选取适当的阈值是其取得良好的增强效果的有力保证。该算法通过粒子群优化算法来寻求最大熵准则下的自适应阈值,然后用模糊灰度变换增强方法自适应地拉伸红外图像灰度,增强图像。仿真实验表明,相对于常见的直方图处理,该算法能降低红外图像中背景对目标的影响,能提高红外图像的对比度。     

基于模糊最大熵的红外图像增强算法

针对红外图像整体亮度偏暗、对比度较低、目标与背景区分不明显的特点,论文提出了一种基于模糊最大熵和改进的S函数的图像增强算法。该方法首先通过模糊最大熵准则求取最佳阈值,再使用改进的S函数对阈值两侧的像素灰度进行模糊域的非线性拉伸,从而得到增强后的红外图像。实验结果表明,该算法能明显提高红外图像对比度,突出目标并降低背景噪声。     

基于QPSO的二维模糊最大熵图像阈值分割方法

针对运用图像分割方法求取阈值时存在的计算复杂、时问长、实用性差等问题,提出一种新的二维最大熵图像分割方法,该方法利用基于量子行为的微粒群算法对图像的二维阈值空间进行全局搜索,并将搜索到的二维熵最大值所对应的点灰度一区域灰度均值作为闽值进行图像分割。实验结果表明,该方法具有一定优越性,在执行时间与收敛性方面均得到较理想的分割效果。     

混沌粒子群与模糊聚类在图像分割中的应用

模糊C均值聚类算法是目前使用最广泛的模糊聚类算法,但是该算法也有其局限性,比如在迭代过程中对初始值非常敏感,极容易陷入局部极小值,以至于得不到最佳聚类结果。将粒子群优化算法应用到模糊C均值聚类算法中,提出一种基于混沌粒子群的模糊C均值聚类算法。它能够利用粒子群算法强大的全局寻优能力避免算法收敛于局部极值,最大程度上达到全局最佳聚类结果。为了避免粒子在迭代过程中停滞,该算法引入了混沌变量,以当前的全局最优位置来产生一个混沌序列,用混沌序列中拥有最优适应值的粒子随机代替当前粒子群中的一个粒子。将基于混沌粒子群的模糊C均值聚类算法应用于图像分割中,实验结果表明该算法能够有效地分割图像,并具有良好的鲁棒性和适应性。     

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 PSO的快速模糊 C均值图像分割算法 *

利用粒子群算法全局性和鲁棒性的特点 ,可以解决模糊 C均值算法 ( FCM)用于图像分割时对初始值敏感、容易陷入局部极小值的问题。但是设定粒子群算法的初始搜索范围依赖于人的经验 ,并且所设范围往往过大,影响算法的执行速度 ,为此提出用收敛速度快的 K均值聚类法得到的聚类中心作为粒子群算法初始搜索范围的参考 ,缩小粒子群算法的搜索范围 ,提高算法执行速度。实验表明该算法具有较高的分割速度和良好的抑制噪声的能力。     

于灰色模糊熵的SAR图像快速分割方法*

针对SAR图像特殊的噪声特性,提出一种基于灰色模糊熵的快速图像分割方法。该方法不仅考虑了图像像素的灰度信息,还考虑了像素与其邻域像素的空间相关信息。为弥补传统模糊方法对噪声敏感的缺陷,引入灰色关联分析理论,设计图像当前像素灰度值与其八邻域像素灰度值组成的比较序列,通过计算其与目标点参考序列的灰色关联度修正传统隶属函数,以更精确地描述该灰度值属于目标或背景的模糊隶属度,并进一步给出了灰色模糊熵模型作为选取最佳阈值的准则。此外,为尽快确定最佳隶属度阈值,采用了具有群体智能的粒子群优化算法。实验表明该方法可以在