一种基于膜计算的遗传算法图像分割方法

提出了一种基于膜计算的改进遗传算法图像分割方法。设计了一个三层膜的细胞型P系统,各个膜通过运行进化规则和交流规则进行寻优。该算法融合了P系统的极大并行性与遗传算法的良好收敛性,并通过与传统遗传算法、Otsu法的实验比较验证了本文所提出的图像分割方法的可行性与有效性。     

一种基于遗传算法的图像FCM分割方法

图像分割对于图像分析和图像理解有着极为重要的意义。提出一个基于遗传算法的图像分割算法，在充分利用遗传算法优异的全局搜索能力的基础上，该算法根据图像的灰度分布按照模糊聚类的分割策略实现图像的分割，并且根据预应力的隶属度阈值自动地确定聚类数目。理论分析和实验表明，所提出的算法能产生很好的分割效果，并能自动确定分割类数。     

一种基于遗传算法的骨髓细胞图像分割方法

本文设计了一种基于熵的遗传聚类分割算法。该方法以像素的灰度值为特征向量进行编码,利用直方图熵法准则函数作为适应度函数,采用基于排名的选择操作,以一定的概率进行算术交叉和变异,并结合聚类分析设定种群的聚类中心对细胞图像进行遗传聚类分割,获得了较好的分割效果。     

一种基于改进遗传算法的图像分割方法*

为了自动确定图像分割的最佳阈值,提出了一种基于改进遗传算法的图像分割方法,即利用这种改进遗传算法对二维Otsu图像分割函数进行全局优化,该方法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,最后得到图像分割的最佳阈值,克服了传统遗传算法的收敛性差、易早熟等问题。在理论分析和仿真数据实验中,与二维Otsu图像分割法和基于基本遗传算法的图像分割法相比,使用该方法得出的阈值范围更加稳定,阈值计算时间有极大的提高,更能满足图像处理的实时性要求。     

一种基于遗传算法的图像分割算法

图像分割是图像分析和目标识别中的关键技术,结合传统的图像分割方法,提出一种将遗传算法与合并分裂法相结合的图像分割算法,通过设计选择、交叉、变异等遗传操作算子及适应度评价函数来降低图像分割产生的误差.计算机仿真结果证明,该算法能够取得较好的图像分割效果.     

一种基于改进小生境遗传算法的图像分割方法

利用经典的Otsu算法和基本遗传算法相结合进行图像分割存在有算法效率低、容易提前形成伪解的问题,对于上述问题,提出一种基于改进小生境遗传算法的图像分割算法(IVNGAMS)。算法全局优化了二维Otsu图像分割函数,可以按照个体适应度大小自动控制遗传参数。并通过引入模拟退火算法,进一步提升算法的局部搜索能力。实验结果表明,改进的图像分割方法能更好提升算法的全局搜索能力,能够更加稳定快速的收敛到最佳的分割阈值,并且得到了更好的图像分割效果。     

一种基于遗传算法的双T-Snake模型图像分割方法

Snake的初衷是为了进行图像分割，但它对初始位置过于敏感，且不能处理拓扑结构改变的问题。初始位置的敏感性可以用遗传算法来克服，因为它是一种全局优化算法，且有良好的数值稳定性。为了更精确地进行图像分割，本文提出了一种基于遗传算法的双T—Snake模型图像分割方法，它将双T—Snake模型解作为遗传算法的搜索空间，这既继承了T—Snake模型的拓扑改变能力，又加快了遗传算法的收敛速度。由于它利用遗传算法的全局优化性能，克服了Snake轮廓局部极小化的缺陷，从而可得到对目标的更精确的分割。将其应用于左心室MRI图像的分割，取得了较好的效果。     

基于遗传算法的最佳熵阈值的图像分割

Kapur等人提出的最佳熵阈值的图像分割具有很多优点,但同时也需要大量的运算时间,限制了其实际的应用范围,且最佳熵阈值的确定是一有待解决的问题,文章将遗传算法应用于最佳熵阈值的确定中,提出了相应的算法并用于图像分割,仿真结果表明,在设定了合适的遗传算子后,遗传算法不仅可以实现正确的图像分割,并且使得分割速度大大提高。     

基于遗传算法的最佳直方图熵图像分割算法研究

图像分割是图像处理的一个重要领域.阈值法是一种最简单、最基本的图像分割方法.确定最佳阈值是阈值分割法的关键,利用遗传算法的特点来快速准确地确定灰度图像直方图熵的最佳分割阅值,实现图像分割.通过仿真试验验证,分割效果明显,该算法具有很好的应用前景.     

基于改进遗传算法的图像分割

将改进遗传算法用于图像分割,利用判断分析法和最佳熵自动阈值法两种阈值分割方法进行实验并加以比较,结果表明,利用最佳熵自动阈值法进行的图像分割优于判断分析法.     

Renyi熵与Tsallis熵的等价关系

描述了Tsallis熵和Renyi熵的等价关系及其在图像分割领域的应用.Tsallis熵和Renyi熵在图像分割中的应用是两种重要的全局阈值选取方法,是Shannon熵的广义形式,不仅在形式上具有等价关系,而且在应用于图像分割中也具有特殊的等价关系.这种特殊的等价关系应用在图像分割时只需任选一种熵来选取阈值.还讨论了它们自带的参数的取值对阈值选取的影响,这个参数可以针对不同类型的图像进行调节,可以得到很好的分割效果.     

基于最佳熵法棉花图像分割与提取的研究

为了提高棉花图像的分割精度、速度,避免强光照的干扰,提出了一种基于YCbCr颜色空间下,利用最佳熵法对棉花图像进行阈值分割,并对分割后的图像采用连通区域标记去噪。通过试验验证了图像的分割效果并与迭代式阈值分割算法做了比较,结果表明,提出的算法分割时间为0．5732s。此算法适合在强光照和阴影的干扰下从复杂的背景提取棉花,而且最后对棉花进行了质心标记,为后续的棉花定位奠定了基础。     

基于遗传算法的图像分割阈值选取

图像分割是图像处理和计算机视觉的重要研究领域.基于图像的灰度级特征,以目标和背景最大程度地分开为判据,文章提出了一种简捷的自动识别最优阈值的方法,该方法将遗传算法引入图像分割,利用遗传算法具有的快速寻优特点,优化了求解阈值的过程,对更多图像都可以给出最佳的阈值,达到较好的图像分割效果,大大缩短了计算时间.     

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.     

基于多层感知遗传算法的图象分割新方法

本文提出了一种新的灰度图象分割方法．该方法模拟了人类视觉由粗到细的分割过程，针对图象中各位置的不同内容采用不同的细节分辨率，形成多层感知的塔式结构；而在每一分辨率层上，采用小生境的遗传算法进行图象分割，使整个算法具有较强的鲁棒性、适用性、非监督性及高度的并行性，通过与单层遗传分割算法［1］相对比，显示了该方法具有更好的分割效果．     

利用遗传算法实现数字图像分割

本文将遗传算法引入数字图像分割之中，在此基础上，利用文献[5]提出的一种具有每个基因位交叉概率自适应变化的新交叉操作的改进型遗传算法来实现数字图像的分割，模拟结果表明，本文虎法用于数字图像分割，其收敛性能远远高于文献[2]的传统方法和标准遗传算法。     

多颜色空间上的交互式图像分割

介绍了视觉颜色空间及其在交互式图像分割中的作用,实验分析了它的奇异性,在此基础上,考虑像素的空间和色彩分布,提出了基于区域生长法的多颜色空间、多度量准则的聚类算法和零碎区域的合并算法,颜色空间选取HSL和RGB两种,相似性度量包括了种子点、扩张点和生长区域三个方面,并用于敦煌壁画图像的分割。     

图像分割的多参量遗传算法

图像分割的多参量遗传算法吴成柯刘靖侯格贤（西安电子科技大学信息工程系西安７１００７１）关键词遗传算法,图像分割．１）国防预研基金资助课题．收稿日期１９９５－１１－０６１引言图像分割是计算机视觉研究中一个重要而困难的任务．虽然图像分割一直受到研究人员的...     

基于混合聚类算法的图像分割

本文将像素空间中的图像分割问题转化为特征空间中的数据聚类问题处理,并设计了一种基于遗传算法和模糊c均值算法的混合聚类算法,实现图像分割。实验表明,使用该算法能取得较好的图像分割效果。