基于Normalized Cut的图像分割改进算法

用Normalized Cu(tN-Cut)准则分割图片时,会出现诸如过分割或者欠分割的不理想情况。在N-Cut结果的基础上提出了一种改进算法:利用合并-分裂方法,将颜色和纹理相似的区域合并,并对某些区域做进一步N-Cut分割。实验证明,改进后的算法不仅保留了N-Cut方法的优点,而且从一定程度上解决了过分割和欠分割的缺点,能够处理一些自然界的彩色图片,得到了比较理想的分割结果。

基于Normalized cut的羽毛杆自动提取

针对羽毛杆进行有效分割问题,提出一种带纹理权重的归一化割(Ncut)方法完成羽毛杆提取。融合纹理信息的权重增强相似纹理边的相似度,减少了相近灰度区域干扰;并结合窄带单向膨胀方法完成初始轮廓的局部调整优化,消除了羽毛杆的边界泄漏。实验结果表明,所提方法可以用于羽毛杆的分割提取,为下一步的毛杆折痕检测奠定基础。

一种基于遗传算法的Normalized Cut准则图像分割方法

Normalized Cut准则图像分割是基于图论的方法,是一种比较典型的规范化分割,但由于其运算量较大、收敛条件难以控制等缺陷,使得图像二值化分割不均匀。本文从Normalized Cut缺陷研究入手,利用遗传算法全局快速检索特性,改进Normalized Cut优化函数,获得精度理想的图像分割效果。

基于改进监督LLE算法的故障特征提取方法

针对现有监督局部线性嵌入算法在低维输出向量重构过程中监督学习能力弱,不利于故障特征提取的问题,通过利用训练样本类标签信息扩大不同类样本间平均距离的方式,增加低维输出向量重构模型的监督学习能力,强化同类样本的聚集性和异类样本的互斥性。基于规范切割准则和低维输出向量重构误差,应用离散粒子群优化算法优化折中系数α和β、以及嵌入维数和邻域等参数,提高故障特征提取精度。将改进的监督局部线性嵌入方法应用于轴承故障特征提取,结果表明推荐方法的特征提取精度较高。

结合灰色理论和粒子群算法的归一化图像分割

为了对多目标图像进行有效分割,使用灰色关联分析来衡量像素点间的相似性,并将normalized cut准则推导为双阈值分割准则,最后使用粒子群算法优化该准则,得出最佳的分割阈值。实验表明该方法计算速度快,能有效分割多目标图像。