改进沙猫群优化算法的2D-OTSU多阈值图像分割

针对传统多级阈值图像分割方法精度低、收敛速度慢的问题,提出一种改进的沙猫群优化算法(Improved Sand Cat Swarm Optimization, ISCSO)用于全局优化,并应用于2D-OTSU多阈值图像分割任务。通过使用Henon混沌映射和反向折射机制初始化种群,使得种群的分布更加均匀,提高搜索的起始状态,从而增加算法的全局搜索能力;采用非线性灵敏度更新公式来平衡搜索多样性和收敛精度;引入可变螺旋搜索策略改进位置更新算法,以确保算法具有较好的搜索多样性和跳出局部最优解的能力。选取6张测试图像对ISCSO算法进行2DOTSU多阈值图像分割实验,采用峰值信噪比(PSNR)、特征相似性指数(FSIM)和结构相似性指数(SSIM)对实验结果进行评价。实验结果表明,基于ISCSO算法的2D-OSTU多阈值图像分割方法在图像分割任务中85.2%的结果优于对比算法,具有较强的搜索精度和收敛速度,这证明了ISCSO算法在图像分割领域的有效性和潜力。

基于通用学习均衡优化器的多阈值图像分割

传统的元启发式多阈值图像分割算法计算复杂度高且容易陷入局部最优,通用学习均衡优化器在搜索过程中使粒子从不同维度的候选粒子中学习,在求解复杂问题最优解时有很强的能力,克服了容易陷入局部最优的问题。提出将通用学习均衡优化算法优化最大类间方差法来实现多阈值图像分割,实验选择标准灰度图像,以峰值信噪比、结构相似度、运行时间和适应度值为评价标准,将该算法与均衡优化算法、粒子群优化算法进行了比较。结果表明,基于通用学习均衡优化器的多阈值图像分割算法结果的峰值信噪比、结构相似度在绝大多数情况下优于另外两个算法,并且收敛速度快,执行效率高。

基于贝叶斯算法优化的多阈值图像分割仿真

在多阈值图像分割过程中,若分割精度较低,会直接影响图像的分割效果。为提升图像的分割精度,提出基于贝叶斯算法优化的多阈值图像分割方法。通过确定贝叶斯算法优化时存在的影响因素,建立对应的适应度函数实时更新算法中种群个体适应度值;利用最小爬山法对算法中的变量展开独立性测试,建立算法的优化框架,利用蚁群算法学习贝叶斯网络结构,寻找算法种群的高阶优良模式,从而实现贝叶斯算法的优化;基于贝叶斯优化算法对图像灰度级的发生概率均值展开计算,获取图像类间方差,确定最佳分割阈值完成多阈值图像的分割处理。实验结果表明,所提方法在图像分割时,概率兰德系数(PRI)值接近1,全局一致性误差指数(GCE)与信息变化指数(VOI)值小,表明所提方法性能高、图像分割效果好。

基于改进蜉蝣算法优化多阈值图像分割

针对图像多阈值分割中存在分割效率低、计算时间长以及精度不高等问题,提出了一种基于改进蜉蝣算法的多阈值图像分割算法。首先,在初始化阶段引入类随机采样方法中的Sobol序列,增强种群的遍历性和多样性;其次,提出一种自适应非线性惯性权重,平衡了全局与局部寻优能力,提高了算法的收敛效率,利于种群向最优解逼近;最后,采用指数熵作为计算适应度的目标函数,通过改进蜉蝣算法对图像分割的多阈值组合进行寻优,确定最优分割阈值。为了验证该改进算法的有效性,选择了伯克利图像来进行分割验证,并与其他智能算法进行比较。实验结果表明:该改进算法在分割准确性、计算时间、结构衡量指标(structure similarity index measure,SSIM)和峰值信噪比(peak signal-to-noise ratio,PSNR)上均优于对比算法,能快速有效地解决复杂多目标图像的多阈值分割问题,具有较强的工程实用性。

基于莱维飞行麻雀搜索优化的Otsu多阈值图像分割

群智能算法优化多阈值图像分割策略,易陷入局部最优,搜索精度不高。将莱维飞行扰动策略融入麻雀种群觅食的搜索优化过程,以增加图像分割空间搜索的多样性,从而提高分割精度,避免搜索过程陷入局部最优;同时嵌入Sin混沌搜索机制,改进种群初始化策略,加强搜索性能。最终实现多阈值图像分割的应用性能提升,在保持算法全局寻优能力的基础上大幅度提高收敛速度和求解精度。对经典的图像多阈值分割的实验结果表明,本文方法相比于传统的智能优化策略,在寻优率和分割精度方面提升显著,收敛能力强。

改进的混合蛙跳算法及其在多阈值图像分割中的应用

针对混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)存在的计算复杂度高、优化效率不理想等问题,提出了一种改进的混合蛙跳算法(Improved Shuffled Frog Leaping Algorithm,ISFLA)。在原始SFLA的基础上进行如下改进:首先,将其中每次只更新组内最差青蛙的方式改为更新组内所有青蛙的方式,这既增大了获得优质解的概率,又省去了调整组内迭代次数的步骤,从而提升了优化效率和可操作性;其次,将基于局部最优更新的方法和基于全局最优更新的方法融合为一种混合扰动更新方法,从而避免了复杂条件的选择步骤,进一步提升了优化效率;最后,去掉随机更新方式,以免优质解被破坏,从而提高了整体的优化性能。将ISFLA用于CEC2005和CEC2015连续基准函数的优化测试和基于Renyi熵的灰度和彩色图像分割的多阈值选择实验中,结果表明,与SFLA和state-of-the-art的LSFLA相比,ISFLA具有更高的优化效率,更适用于多阈值图像分割的阈值选择。

基于模糊熵的自适应多阈值图像分割方法

模糊技术能够很好地表达和处理不确定问题,是图像处理领域中一种非常重要的技术。基于模糊理论,文中提出了基于模糊熵的自适应多阈值分割方法。根据图像像素的概率分布,将图像行区域化,利用每个区域中像素属于前景和背景的模糊性定义隶属度函数,采用一维搜索方法确定最佳的隶属度函数窗宽,计算最大模糊熵,从而找到区域最优阈值。文中对多目标、光照不均匀、存在噪声和分割不完全的图像进行实验,结果表明该方法能够很好地解决上述问题,并且较传统的基于Otsu和模糊熵的图像单阈值分割方法,效果显著提高,具有较好的适应性和实用性。

改进的细菌觅食算法用于多阈值图像分割

针对细菌觅食算法中细菌趋化方向选择的随机性,以及趋化操作中更新细菌位置没有参照菌群群体最优位置以及个体历史最优位置信息等问题,提出改进的细菌觅食算法(IBFA)。首先,细菌趋化方向的选择,结合细菌自身学习及群体合作,避免浪费细菌到达最优解的时间;其次,粒子群算法应用到趋化步骤中,更新细菌位置参照菌群群体最优位置以及个体历史最优位置信息,以提高算法全局搜索能力和收敛速度;最后,由IBFA算法优化最大类间方差函数来取得最优阈值。IBFA算法的性能分别与传统最大类间方差法、基于细菌觅食的多阈值图像分割结果对比,实验结果表明,本文算法能有效缩短图像分割时间,提高图像分割准确率。

基于莱维飞行樽海鞘群优化算法的多阈值图像分割

针对Otsu算法用于多阈值图像分割中存在运算时间长和精度低的不足,利用群智能优化算法对图像分割算法进行优化.本文首先应用莱维飞行算法对樽海鞘群优化算法进行改进,将多阈值Otsu函数作为优化算法的适应度函数,利用改进后的LSSA寻找适应度函数的最大值,同时获得相对应的多阈值.其次,通过对几幅基本图像、伯克利大学图像分割库中的图像和实际污油图像进行多阈值Otsu分割研究,在最佳适应度值、PSNR、SSIM指标以及算法耗时方面进行对比分析.实验结果表明本文提出的算法可以获得更为准确的分割阈值和更高的分割效率.

基于改进正余弦优化算法的多阈值图像分割

针对多阈值图像分割方法计算量大、分割精度低的问题,提出了基于改进正余弦算法(improved sine cosine algorithm,ISCA)的多阈值图像分割方法。首先对种群进行混沌初始化来提高初始种群质量;其次根据粒子适应度值的大小自适应地调整参数;最后引入反向学习策略并择优选取粒子。伯克利图像和植物冠层图像分割实验的结果表明,该算法的运行时间较短,而且分割精度较高,具有较强的鲁棒性。

改进乌鸦算法优化多阈值图像分割

目的针对传统乌鸦算法随机搜索的盲目性和易陷入局部最优的缺点,提出一种改进乌鸦算法,用于多阈值图像分割。方法采用精英分享策略,弥补乌鸦位置更新的盲目性;引入Levy飞行机制,避免算法陷入局部最优;随迭代次数调整变尺度系数,限制搜索步长,加快算法收敛;以Kapur熵为适应函数,利用改进乌鸦算法对不同类型图像进行多阈值分割,并与传统乌鸦、布谷鸟等4种算法的分割结果进行对比分析。结果改进乌鸦算法对Lena,Flower,Fruits和Boat图分割后的结构相似性分别为0.7703,0.7761,0.7276和0.7921;标准偏差分别为0.0295,0.0385,0.0344和0.0173,实验数据表明,改进算法较其他算法有着更好的分割效果。结论文中算法有效地改进了传统乌鸦算法的盲目性和易陷入局部最优的缺点,能够准确地分割复杂图像,在多阈值图像分割领域具有一定的参考价值。

改进乌鸦算法的二维Tsallis熵多阈值图像分割算法

针对二维Tsallis熵在多阈值图像分割算法中计算量大、计算时间长等问题,提出一种基于改进乌鸦搜索的二维Tsallis熵多阈值图像分割算法。在乌鸦位置更新过程中引入Levy飞行机制,提高全局寻优能力;根据迭代次数自适应调整尺度系数,限制Levy飞行的搜索范围,加快算法收敛速度;将改进乌鸦搜索算法与二维Tsallis熵结合,减少计算时间、提高分割精度。以经典伯克利分割数据库中的图像为例进行分割实验,结果表明,与其他经典算法相比,改进乌鸦搜索算法分割图像收敛速度快、计算时间短、分割准确度更高。

基于共生生物搜索算法的多阈值图像分割方法

为了解决多阈值OTSU图像分割方法存在的阈值个数增加计算复杂度也随之增加的问题,笔者提出了基于共生生物搜索算法的多阈值图像分割方法,利用共生生物搜索算法寻找最优阈值,提高分割精度。通过对经典图像进行实验,分析实验结果的峰值信噪比和特征相似度,可知共生生物搜索算法能够有效地提高图像分割精度,减少运算时间。

基于标准离差法的模糊散度多阈值图像分割

由于图像具有模糊性且单阈值分割算法不能满足实际需求,同时考虑单一隶属度函数适应性较差,提出基于标准离差法的模糊散度多阈值图像分割算法。将常用的单阈值隶属度函数推广至多阈值形式,并利用标准离差法计算客观权重,通过线性加权为待分割图像构造新的隶属度函数;推导出多阈值α-型模糊散度作为选取最佳阈值的准则函数;采用粒子群算法优化准则函数以降低多阈值分割算法的运行时间。实验结果表明,该算法可以实现复杂图像多阈值分割,改善分割精度。

基于改进粒子群的二维模糊散度多阈值图像分割

针对只利用灰度信息的图像分割算法精度低和未加优化的二维多阈值分割算法耗时长,以及粒子群算法易出现虚假收敛的问题,提出基于改进粒子群的二维模糊散度多阈值图像分割算法。考虑图像像素空间邻域信息,建立二维隶属度函数,进而推导出二维多阈值α型模糊散度作为选取最佳阈值的准则函数;用线性递减和线性递增函数分别对粒子群算法的自我认知和社会认知部分做改进;用改进粒子群算法优化求解二维多阈值α-型模糊散度的多组阈值。实验结果表明,该算法可以提高分割精度和改善分割性能。

基于鸡群算法的Tsallis熵多阈值图像分割

为了改善Tsallis熵在多阈值图像分割时存在计算量大、耗时长、实用性差的问题,提出基于鸡群算法的Tsallis熵多阈值图像分割方法。首先分析基于Tsallis熵的单阈值分割原理并将其推广到多阈值分割,同时推导出Tsallis熵的多阈值选取公式;其次用鸡群算法求解Tsallis熵函数的最优问题;最后,用穷举法、粒子群算法、差分进化算法及鸡群算法分别对4个典型图像进行多阈值分割,并将各算法的分割数据分别作比较。实验结果表明,鸡群算法能够快速准确地分割复杂图像,且分割效果优于穷举法、粒子群算法以及差分进化算法。

基于粒子群优化算法的Kapur熵多阈值图像分割

本文将多阈值图像分割中的最佳阈值向量优化问题作为研究对象,采用粒子群优化算法(PSO)对Kapur熵阈值图像分割法的最佳阈值向量进行寻优。传统的Kapur熵阈值图像分割法存在算法运算速度慢、精度不高等问题,本文提出的基于粒子群优化算法的Kapur熵多阈值图像分割法改善了上述问题,具有算法运行快、分割精度高的特点。利用本文提出的方法在阈值等级分别为1,2,3,4,5的情况下进行实验,并应用峰值信噪比(PSNR)指标和结构相似性(SSIM)指标对分割后的图像进行评估。实验结果表明,本文提出的基于粒子群优化算法的Kapur熵多阈值图像分割法优于传统的Kapur熵多阈值图像分割法,可以更加高效地对复杂图像进行多阈值图像分割处理,具有较强的实用性。

应用改进状态转移算法优化多阈值图像分割

针对多阈值图像分割中阈值求解效率低、精度不足的问题,提出了一种基于改进状态转移算法的图像多阈值分割方法。改进状态转移算法的伸缩变换采用一种方差自适应的正态分布策略,增强了算法在初期包含全局最优解的可能性,以及算法在后期的收敛性。另一方面,通过精英解集加权和来确定邻域中心,增加了群体间的交流,能充分利用精英解集间的信息实现启发式搜索,同时"贪婪准则"最优解保留机制保证了算法的收敛。实验表明,相比其它算法,上述方法在收敛效率和精度方面有显著优势。

基于改进雁群算法的Otsu多阈值图像分割

阈值分割是一种被广泛应用的图像分割技术。然而,传统的最大类间方差法(Otsu算法)在多阈值图像分割中面临着计算复杂度高、执行时间长及分割准确性不够等挑战。针对这些现象,提出一种基于改进雁群优化算法(CBLSGSO)的Otsu多阈值图像分割算法,该算法将Cubic混沌映射模型嵌入雁群算法初始化过程中,提高种群的多样性;提出多区域引导式结构,对种群动态切分并设计不同的进化机制,扩大种群寻优范围;引入自适应正余弦策略和蝴蝶算法搜索策略,提高算法的收敛精度,有效地平衡了算法的全局寻优能力和局部寻优能力。为验证改进后Otsu算法性能,选取ACC、Jaccard、Specificity、F1-score、FSIM、SSIM和PSNR等指标作为评价指标,并与近年来不同学者提出的图像分割算法进行实验对比,验证了算法的有效性。实验结果表明,基于改进雁群算法的Otsu图像分割法能更快速精确地解决复杂图像分割问题。

基于贝叶斯学习的数字化图像多阈值分割方法

经典Otsu分割算法精度高,适应度强,但由于其分割稳定度较差,计算效率较低,在实际使用时具有一定的应用局限。为提升Otsu图像分割的稳定度与计算效率,提出一种基于贝叶斯网络结构学习算法对搜索节点进行优化,提高整体计算效率。首先通过在BN层通过独立性测试,构架初始种群BN_0,并利用GR算法不断修正进化方向;然后构建MSWT树网解决种群扩张时多父节点导致算法收敛速度低的问题;接着采用ACO算法规划个体转移禁忌表,通过结合个体转移概率,完成最优阈值规划;最后构建OEA-Otsu数字图像多阈值分割模型,通过解析适应函数进行并利用最优Gbest结构规划完成图像多阈值分割输出。仿真结果表明,较其它基线优化算法相比,经OEA优化后的图像多阈值分割模型,FSIM指标整体提高了5.91%,SSIM指标至少提升了2.33%,PSNR指标分析在实验数据上分别增加了12.76%、10.74%以及12.48%。即提出的OEA-Otsu模型有效的提高了图像分割的稳定度差与计算效率。