基于改进北方苍鹰优化算法的多阈值图像分割

多阈值图像分割是一种简单、准确、高效且普遍的图像分割方法,相比单阈值图像分割更适用于包含大量信息的彩色图像。在多阈值图像分割中,随着阈值数量的增加,传统的枚举法计算量增大,分割一幅彩色图像不仅需要更多的时间,而且分割精度也随之降低。提出一种基于改进北方苍鹰优化(INGO)算法的多阈值图像分割方法。利用立方混沌优化与透镜成像反向学习策略增加种群多样性,在优化初始解的同时扩大种群搜索范围,使INGO算法尽可能搜索到潜在的最优解,增强算法的搜索能力。将最优最差反向与透镜成像反向学习策略相结合,避免INGO算法易陷入局部最优的情况,提高收敛精度。在对经典的伯克利测试图像进行多阈值彩色图像分割的实验结果表明,在GWO、PSO、ChOA等算法中,INGO算法取得峰值信噪比和特征相似度最优平均值的占比分别为100.000%和78.125%,在保证算法收敛效率的同时获得较优的图像分割结果,在多阈值图像分割领域具有较强的理论应用价值。

基于含水率补偿模型的柔性温度传感器设计

文中针对柔性温度传感器的测量精度受含水率影响较大的问题,提出一种带有含水率补偿模型的柔性温度传感器设计方案。首先,以石墨烯为导热填料,以聚乙烯醇和丙烯酰胺为基体制备了柔性温度传感器。其次,根据多组含水率条件下柔性温度传感器的实测数据,采用一种改进鹰栖息优化BP神经网络模型对含水率变化引起的误差进行补偿,以提高传感器测量精度。最后,基于STM32单片机及LabVIEW给出测量系统的设计方案,并对整个系统进行调试。结果表明:所提方案可以较显著地降低柔性温度传感器的测量误差,具有准确、可靠、可持续监控等优点。