基于小波变异本质粒子群和模糊熵的图像分割

针对本质粒子群(BBPSO)算法存在易陷入局部最优以及过早收敛的缺点,提出了一种基于小波变异(WM)BBPSO(WMBBPSO)和模糊熵的图像分割算法,利用WMBBPSO搜索使图像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。通过与其它两种BBPSO算法的分割结果比较表明,该算法取得了令人满意的分割结果,算法运算时间较小,能够满足对煤尘浓度实时精确测量的要求。     

基于信息熵和改进粒子群算法的医学图像分割方法研究

针对传统的医学图像分割算法存在组织边缘模糊、灰度不均匀和图像噪声高的问题,将信息熵和改进的粒子群算法相结合,提出了一种基于信息熵和改进的粒子群算法的医学图像分割方法,在确保信息熵最大的条件下,实现医学图像的最佳阈值分割.将信息熵最大化作为适应度函数,通过改进的粒子群算法优化获得最佳分割门限,实现医学图像的最佳阈值分割.选择不合噪声和含噪声的脑部图像为研究对象,通过直观分析、客观分析和分割速度分析发现,提出的新方法在很大程度上克服了传统医学图像分割算法存在的缺陷,分割速度和精度得到显著提升;与此同时,新的算法具有很强的鲁棒性和抗噪声能力.     

基于改进PSO算法的Otsu快速多阈值图像分割

为了确定图像分割的最佳阈值,基于改进粒子群优化算法,提出了一种快速多阈值图像分割方法。首先引入独立峰值将直方图划分为若干区域,然后在各个区域使用最大类间方差法得到优化的目标函数,用具有非均匀变异特性和雁群飞行启示的线性递减惯性权重粒子群算法对目标函数进行优化,得到分割的最佳阈值,并用该阈值对图像进行分割。将分割结果与常规最大类问方差法的多阈值分割结果相比较,证明该算法不仅可以正确地实现图像分割,并可使分割速度大大提高。     

基于“灰度-梯度共生矩阵”的最大条件熵阈值法

基于“灰度-梯度共生矩阵”模型,在现有最大条件熵图像阈值法的基础,引入加权系数进行改进。为了解决权值选取问题,以图像分割质量评价的均匀性测度为评价指标,采用自适应粒子群算法对权系数进行优化选择,进而获得最优的分割阈值。实验结果表明,与二雏最大熵、最大条件熵算法相比,该方法能够获得更佳的分割结果。     

分数阶优化的鸽群图像分割算法

本文针对原始鸽群优化的二维最大类间方差法（Otsu）图像分割算法收敛速度慢的缺点,提出了基于混合分数阶鸽群优化的Otsu图像分割算法。算法将分数阶与鸽群优化算法结合,利用分数阶微积分的记忆性和遗传特性,使鸽群依据更多历史记忆获取更精确最优值,并进行分数阶增强滤波预处理,提高分割精度,引入混沌搜索算法增强种群多样性,加快收敛速度。改进算法利用Otsu算法的最大类间方差作为适应度函数来获取最佳阈值,进行图像分割。实验结果验证了本文算法的正确性和有效性。     

改进的生物地理学算法及其在图像分割中的应用

为了增强生物地理学优化算法(BBO)在图像多阈值分割应用中的全局搜索能力,提高其优化性能,提出一种改进的生物地理学算法(IBBO)。首先,引入多源迁移算子,该算子能更好地从搜索空间中生成新特征值,有效提高种群的多样性;其次,创建一种新型的动态变异算子,该算子能够动态地改变变异幅度,提高算法运算效率,使算法快速收敛到全局最优解;随后,将原来的精英选择算子改为贪婪选择算子,即采用优胜劣汰的策略加快算法收敛速度;最后将其应用到基于最大熵的多阈值分割中。图像分割实验结果表明,IBBO算法运行速度远远快于穷举算法,优化性能优于标准BBO算法和PSO算法。     

基于改进人工蜂群算法的多阈值红外图像分割

针对传统的多阈值红外图像分割中多阈值选取存在的效率低、计算重复等问题,提出了一种基于改进人工蜂群算法的多阈值红外图像快速分割算法.首先,在阈值选取时引入人工蜂群算法,实现多阈值的选取.然后,针对原始人工蜂群算法存在的收敛速度慢、容易陷入局部最优的缺点,分别从引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,使其更快、更准地收敛于最优解.实验表明,相比于原始人工蜂群算法,改进后的算法在精度相同时速度更快,迭代次数相同时结果更接近最优解.该算法能够在保证精度的前提下高效地对红外图像进行多阈值分割,是一种可行的红外图像分割方法.     

基于粒子群模糊C均值聚类的快速图像分割

模糊C-均值聚类算法是一种无监督图像分割技术,但存在着初始隶属度矩阵随机选取的影响,可能收敛到局部最优解的缺点。提出了一种粒子群优化与模糊C-均值聚类相结合的图像分割算法,根据粒子群优化算法强大的全局搜索能力,有效地避免了传统的FCM对随机初始值的敏感,容易陷入局部最优的缺点。实验表明,该算法加快了收敛速度,提高了图像的分割精度。     

基于粒子群算法的图像分割

文章对基于粒子群算法的图像分割进行研究。图像分割是在一个复杂的参数空间寻找最优分割参数。各种智能优化算法可以对复杂的非线性多维数据空间进行快速有效的计算,它不仅可以得到全局最优解,而且会使计算时间大大缩短。智能优化算法用于图像分割的关键是求解最优阈值。最优阈值的选取就是将智能算法作为优化工具,采用迭代的方式计算在某准则下目标函数的最优值,从而求解出分割图像的最优阈值。其中,粒子群算法是经典的智能优化算法之一。     

基于直觉模糊熵的混合粒子群优化算法

为了提升粒子群算法的全局寻优与局部精细搜索能力并加快收敛速度,提出了基于直觉模糊熵的混合粒子群优化算法.该算法采用粒子的历史最优解信息构造直觉模糊熵的自适应函数,并将熵值作为扰动因子动态调节惯性权重,同时建立自适应全局最优粒子学习策略对扰动后的粒子进行训练,在保持多样性传播的基础上选择学习对象,使粒子探索更多新区域,实现种群间的协作与并行进化.通过仿真实验,将本文算法与两种衍生算法以及其他改进粒子群算法在11个测试函数上进行比较,结果表明,本算法在求解精度、收敛速度和寻优效率上均有更好表现.     

基于免疫克隆选择算法的图像分割

图像分割是图像处理领域中不可缺少的一个分支。该文基于阈值分割方法,将免疫克隆选择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。详细叙述了算法机理,并对算法复杂度进行了理论分析以及实验数据比较。在仿真实验中,将遗传算法和免疫克隆选择算法分别独立运行10次,对10次得到的阈值以及均值、方差进行了比较,并将函数评价次数作为算法复杂度的评价指标。该文算法不仅能够对图像进行准确的分割,而且在同样的种群规模下能够以较少的迭代代数和较低的函数评价次数得到最优阈值。仿真结果表明,该方法应用在图像分割中是可行的、有效的。     

萤火虫群优化算法多阈值的脑CT图像分割

在基于多阈值的脑,CT图像分割算法中,最佳阈值选取是脑CT图像中的关键,针对传统多阈值法的阈值选择难题为了提高脑。CT图像的分割准确率,提出一种萤火虫群算法优化多阈值的脑CT图像分割方法首先建立了基于多阈值法的脑图像分割数学模型,然后通过萤火虫群算法数学模型进行求解,搜索到脑CT图像分割的最佳阈值,CT最后采用最佳阈值完成脑CT图像的分割。仿真结果表明,萤火虫群算法提高了脑CT图像的精度,获得了更加理想的脑CT图像结果。     

基于混沌粒子群优化的倒数熵阈值选取方法

基于信息熵的方法是一类重要的阈值选取方法,但现有的最大熵方法存在无定义值问题。为此,提出了基于倒数熵的阈值选取方法。首先给出了倒数熵的定义及一维阈值选取方法,导出了基于二维直方图区域直分及区域斜分的倒数熵阈值选取算法公式;然后考虑到二维倒数熵分割运算量较大,提出利用混沌小生境粒子群算法来寻找最优阈值,避免了算法早熟,提高了搜索精度和算法效率。实验结果表明:二维倒数熵阈值选取的斜分方法在抗噪性和运算时间上优于直分方法;而与基于粒子群优化的二维最大熵方法相比,本文提出的基于混沌小生境粒子群优化的二维倒数熵斜分法在运行时间上降低了约40%,分割效果更佳。      

基于NSCT和Tsallis熵的SAR图像快速分割方法

针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型;然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳;同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。      

基于改进斑点鬣狗优化算法的红外图像分割

针对斑点鬣狗优化算法（spotted hyena optimizer,SHO）容易陷入局部最优解、求解质量低等缺点,本文提出使用Lévy飞行和单纯形搜索算法改进SHO（spotted hyena optimizer based on simplex method and Lévy flight, Lévy_SM_SHO）。将Lévy_SM_SHO与Lévy飞行斑点鬣狗优化算法（spotted hyena optimizer based on Lévy flight, Lévy_SHO）、单纯形搜索斑点鬣狗优化算法（spotted hyena optimizer based on simplex method, SM_SHO）和SHO在测试函数上结果进行对比,实验证明改进算法能够取得较好的优化结果。并将Lévy_SM_SHO算法用于红外图像阈值分割问题,通过与粒子群算法（particle swarm optimization, PSO）分割结果对比,证明Lévy_SM_SHO算法能够取得较好的阈值分割结果。     

MIMO系统中改进的二进制粒子群天线选择算法

在多输入多输出系统中,发射端和接收端的多天线配置提高了信道容量和传输可靠性,而天线选择技术能在保持系统优点的同时有效地降低运算复杂度以及硬件成本。为了能在时变的信道条件下快速地选择出一组最优的天线子集,提出了一种基于二进制粒子群算法的改进的天线选择算法。推导出了二进制粒子群联合收发端天线选择的信道容量公式,并将其作为粒子群算法的适应度函数,使天线选择问题转换成二进制编码串的组合优化问题。通过改进模糊函数提高粒子群算法的收敛性,让二进制粒子群尽可能地收敛于全局最优位置。仿真结果表明,改进的算法能在降低运算复杂度的同时提高收敛性,且系统信道容量趋近于最优算法。     

改进的最小类内绝对差阈值分割及快速算法

现有的最小类内绝对差阈值分割方法分割结果不够准确及计算效率过低,为此,本文提出了基于递推混沌粒子群的改进最小类内绝对差阈值分割方法。首先引入了灰度级 梯度直方图以提高分割准确性,然后简化了阈值选取公式并推出了相应的递推算法,最后利用基于改进的Tent混沌粒子群算法寻找最优阈值,提出了以递推方式计算适应度,大大减少了重复计算。实验结果表明:与基于灰度级 平均灰度级最小绝对差穷举算法相比,本文方法剔除了边缘点和噪声点的影响,选取的阈值更为准确,同时,利用群体智能优化搜索过程,运算时间降低了两个数量级;与基于灰度级 梯度最大类间方差及Logistic混沌粒子群递推算法相比,本文方法基于改进的Tent混沌映射,遍历性更高,因此收敛性更好。