基于粒子群优化算法的自适应图像分割方法

提出了一种基于粒子群优化算法的图像分割新方法。粒子群优化(PSO)算法是一类随机全局优化技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短了寻找阈值的时间。将PSO用于基于改进的最佳加权熵阈值法的图像分割中,试验结果表明,该方法不仅能够避免陷入局部极值,而且其速度得到了明显的改善,是一种有效的图像分割新方法。     

基于二维最小Tsallis交叉熵的图像阈值分割方法

利用Tsallis熵的非广延性,提出了二维最小Tsallis交叉熵阈值分割方法.首先给出了二维Tsallis交叉熵的定义,并以最小二维Tsallis交叉熵为准则,利用粒子群优化算法来搜索最优二维阈值向量.该方法不仅进一步考虑了像素之间的空间邻域信息,而且考虑了目标和背景之间的相互关系,其分割性能优于基于Shannon熵的交叉熵阈值法和一维最小Tsallis交叉熵阈值法,并且具有很强的抗噪声能力.实验结果表明,该方法可以实现快速、准确的分割. 关键词： Tsallis交叉熵 二维直方图 粒子群优化算法 图像分割     

基于粒子群算法的多阈值图像分割方法

在对粒子群优化算法的基本原理和方法进行简要概述的基础上,提出了一种基于粒子群的多阈值图像分割算法。算法采用信息熵构建优化目标函数,提出了新的粒子更新准测,并以此对图像进行了多阈值优化搜索。实验表明,该算法不仅能对图像进行正确的分割,而且还具有稳定性高,易于实现,速度快等特点。     

二维广义模糊熵图像阈值分割法

针对一维广义模糊熵不能有效处理含噪图像的分割问题,在二维灰度直方图上定义了图像的二维隶属度函数,提出了二维广义模糊熵阈值分割法.该方法不仅考虑了图像的点灰度值,同时考虑了图像像素的邻域平均灰度值,能更好地利用图像中的信息.为了提高二维广义模糊熵阈值法的运行速度、解决参量选取问题,结合粒子群优化搜索方法,设计了嵌套式的优化过程.实验表明,二维广义模糊熵阈值分割法对噪音图像有更好的适应性.     

二维广义模糊熵图像阈值分割法

针对一维广义模糊熵不能有效处理含噪图像的分割问题,在二维灰度直方图上定义了图像的二维隶属度函数,提出了二维广义模糊熵阈值分割法.该方法不仅考虑了图像的点灰度值,同时考虑了图像像素的邻域平均灰度值,能更好地利用图像中的信息.为了提高二维广义模糊熵阈值法的运行速度、解决参量选取问题,结合粒子群优化搜索方法,设计了嵌套式的优化过程.实验表明,二维广义模糊熵阈值分割法对噪音图像有更好的适应性.     

基于最大模糊熵和遗传算法的图像分割

为了分割照度不均匀的网格图像,提出了一种基于最大模糊熵和遗传算法的阈值分割方法。基于模糊集合理论,根据像素灰度值把原始图像中的像素分为黑和亮两个模糊集,利用最大模糊熵准则确定模糊区间的范围,寻找模糊参数的最优组合,实现图像分割。由于穷举法搜索模糊参数的最优组合存在计算复杂度高、占用存储空间大等缺点,因此采用了遗传算法确定最优阈值。为了验证该方法的有效性,对其进行了图像分割实验,并与最大类间方差法、迭代法和一维最大熵法进行了比较。实验结果表明,该方法能够自动、有效地选取阈值,分割效果优于其它三种算法,并能保留原始图像的主要特征。     

一维Renyi熵阈值法中参数的自适应选取

提出了一种自适应选取一维Renyi熵阈值分割法中参数α的方法.该方法以一种图像分割质量评价指标-均匀性测度为适应度函数,利用粒子群算法在参数空间进行优化搜索,从而可以根据具体的图像获得合适的参数,得到最佳的图像分割阈值.结果表明:一般情况下,可以(0,1)范围内搜索最优的α值;当需要更好的分割效果时,可在(0,10)范围内搜索最优的α值.     

基于广义混沌混合PSO的快速红外图像分割算法

为了准确的实现红外目标识别,提出了一种基于广义混沌混合PSO的快速红外图像分割算法.二维模糊划分最大熵分割方法不仅利用了灰度信息以及空间邻域信息,而且兼顾了图像自身的模糊性,能取得较为满意的分割结果.该方法实质上是一种具有搜索空间大、多局部极值点的典型非线性整数规划问题.广义混沌混合PSO算法在广义PSO算法的基础上,引入自适应平衡搜索,当算法发生停滞时引入模拟退火机制有选择地对当前全局最优粒子进行混沌优化,在增强局部搜索能力的同时能够克服早熟收敛现象.实验证明,运用广义混沌混合PSO算法实现红外图像二维模糊划分最大熵分割是快速、稳定的.     

一种基于代价函数和模糊熵的图像分割方法

提出了一种基于代价函数和模糊熵的图像分割方法.该方法先用代价函数最小化法对退化的图像作预处理,之后,利用模糊熵作进一步的处理.实验结果表明:新方法和一般的阈值分割方法相比,不但分割图像的错分率较小,而且图像的视觉效果也有较大的改善.     

基于类内绝对差和混沌粒子群的红外图像分割

提出了基于类内绝对差、背景与目标面积差及混沌小生境粒子群优化(NCPSO)的红外目标图像阈值分割方法。类内绝对差小能确保分割后类的内聚性好,背景与目标的面积差可抑制均等分割的趋势,两者综合构成更为合理的阈值选取准则函数。给出了一维阈值选取公式,通过推广到二维,抗噪性能明显改善;针对二维阈值分割计算量大的问题,利用混沌变异的小生境粒子群算法搜索最佳阈值向量;最后与Fisher准则法、Otsu方法和最大熵阈值分割法作了比较。实验结果表明,该方法在分割效果和运行时间上都具有明显的优势。     

基于改进的二维指数熵及混沌粒子群的阈值分割

鉴于现常用的灰度级—平均灰度级二维直方图区域划分存在明显的不足,提出了基于灰度级—梯度二维直方图的指数熵阈值选取方法,给出了基于改进的二维直方图的指数熵阈值选取公式,并利用混沌粒子群优化算法寻找最佳分割阈值,采用递推方式降低迭代过程中适应度函数的计算代价。实验结果表明,与现有的有关算法相比,该方法不仅使分割后的图像区域内部更均匀、边界形状更准确、特征细节更清晰,而且使计算效率及粒子群的收敛精度得到提高。     

基于粒子群分类器的雷达目标一维像识别

设计了一种用于雷达一维像识别的粒子群分类算法.新算法首先对数据样本预处理,利用粒子群优化算法通过训练数据进行分类规则的提取,根据提取得到的规则对雷达一维像进行分类识别.基于Bayes定理和随机状态转移过程对新算法的收敛性进行分析.通过对三种飞机缩比模型的实测数据的识别实验,验证了新算法对实测数据和加噪数据均具有较高的识别率.     

改进粒子群优化算法的高光谱波段选择

高光谱图像具有数百个连续、狭窄的光谱带,光谱范围跨越可见光到红外光,可提供地物的精细光谱属性,对于地物材质和属性的识别分类具有重要应用价值。针对感兴趣目标选择有限的光谱波段进行传输和处理,对于提升高光谱数据处理时效性、以及设计面向特定应用的实用化光谱仪都具有重要意义。而如何结合目标特征选择最优波段成为在提升处理效率的同时保证目标识别或分类精度的必然要求。因此如何从数以百计维度的高光谱图像中选择出具有较好分类识别能力的波段子集是急需解决的问题。提出基于改进粒子群优化算法的高光谱波段选择方法,该方法区别于传统的粒子群优化算法,引入 “概率突跳特性”,并设定新解的淘汰机制,将“停滞”的新解进行淘汰,提高了算法的全局寻优性能。然后基于目标光谱特征采用了最优波段选择的优化目标函数,通过改进的粒子群优化算法求解目标函数,并将选定的波段子集反馈到支持向量机（SVM）中执行分类应用。采用两个标准的高光谱数据集（Indian Pines, Salinas）对选择出的波段子集进行分类测试,结果表明该方法相较于现有方法具有较高的分类精度,在几种方法中,传统的粒子群算法筛选出的波段效果最差;该算法筛选出的波段的分类精度最好,两个数据集的分类精度分别可以达到98.141 4%和99.084 8%。     

基于混沌粒子群优化的图像Contourlet阈值去噪

提出了基于混沌粒子群优化的图像Contourlet阈值去噪方法.该方法在Contourlet变换域内利用混沌粒子群算法来确定最优阈值,再通过软阈值函数去噪,且不需要噪音方差等先验信息.实验结果表明：该方法与小波Bayeshrink阈值、基于粒子群的小波阈值、Contourlet自适应阈值等去噪方法相比,能有效地去除高斯白噪音和椒盐噪音的混合噪音,提高峰值信噪比,并较好地保留图像的细节和纹理,从而明显地改善了图像的视觉效果.     

利用二维属性直方图的最大熵的图像分割方法

提出二维属性直方图的概念。它是一种由先验知识约束的二维直方图,可以使一些图像处理方法得到简化和变得可行。在此基础上提出一种基于二维属性直方图的图像分割方法。该方法步骤是构造图像的属性集,确定相应的二维属性直方图,然后利用二维属性直方图的最大熵法确定灰度阈值。为了说明该方法的性能,将其用于一种海底小目标图像分割。同时,也使用一维属性直方图的最大熵分割法。结果表明该方法比一维属性直方图的最大熵法抗干扰性更强,分割效果更好。二维属性直方图的概念具有理论意义与应用价值。该方法适用于图像有某种先验知识的场合。     

A Hybrid Preaching Optimization Algorithm Based on Kapur Entropy for Multilevel Thresholding Color Image Segmentation

Multilevel thresholding segmentation of color images plays an important role in many fields. The pivotal procedure of this technique is determining the specific threshold of the images. In this paper, a hybrid preaching optimization algorithm (HPOA) for color image segmentation is proposed. Firstly, the evolutionary state strategy is adopted to evaluate the evolutionary factors in each iteration. With the introduction of the evolutionary state, the proposed algorithm has more balanced exploration-exploitation compared with the original POA. Secondly, in order to prevent premature convergence, a randomly occurring time-delay is introduced into HPOA in a distributed manner. The expression of the time-delay is inspired by particle swarm optimization and reflects the history of previous personal optimum and global optimum. To better verify the effectiveness of the proposed method, eight well-known benchmark functions are employed to evaluate HPOA. In the interim, seven state-of-the-art algorithms are utilized to compare with HPOA in the terms of accuracy, convergence, and statistical analysis. On this basis, an excellent multilevel thresholding image segmentation method is proposed in this paper. Finally, to further illustrate the potential, experiments are respectively conducted on three different groups of Berkeley images. The quality of a segmented image is evaluated by an array of metrics including feature similarity index (FSIM), peak signal-to-noise ratio (PSNR), structural similarity index (SSIM), and Kapur entropy values. The experimental results reveal that the proposed method significantly outperforms other algorithms and has remarkable and promising performance for multilevel thresholding color image segmentation.