基于改进遗传算法的最大2维熵图像分割

为了解决传统最大2维熵分割算法计算量大、耗时较多等缺陷,提出一种基于改进遗传算法的最大2维熵图像分割法。通过对遗传算法变异操作方式进行改进,提高遗传算法寻找最大2维熵分割阈值的速度,加速分割算法对图像的分割,并进行了仿真实验验证。结果表明,改进模型的运行时间被压缩到了0.95s,远远低于传统的最大2维熵分割法。改进的分割方法实现了分割效率的提高,同时也保证了图像的分割精度。

基于改进麻雀算法的最大2维熵分割方法

为了提高最大2维熵分割的性能,提出了基于改进麻雀算法的最大2维熵分割方法,可减小运算量并且缩短计算时间。首先,融合反向学习策略和自适应t分布变异,引入精英粒子,以扩大算法搜索范围,增加算法后期局部搜索能力;其次,使用萤火虫机制,对最优解进行扰动变异,进一步增加种群多样性;最后,采用提出的改进麻雀算法寻找图像最大2维熵,得到最优阈值分割图像。结果表明,4幅图像的平均运行时间为0.3695s,远低于基础2维熵算法的1.7547s和基础2维Otsu算法的5.7936s。所提出的改进麻雀算法的全局搜索和局部寻优能力相比原麻雀算法有较大改善,缩短了传统最大2维熵图像分割方法的运行时间,在峰值信噪比和结构相似度指标上均得到提升,具有一定的应用价值。

基于改进鲸鱼优化算法的最大2维熵图像分割

为了避免原鲸鱼优化算法早熟收敛、易陷入局部最优等缺陷,首先在原鲸鱼优化算法初始化过程中采用了猫映射产生混沌序列结合反向解方法取代随机产生初始种群;其次在位置更新机制上采用了疯狂算子和黄金正弦算法的方法;最后将改进鲸鱼优化算法用于寻求图像2维最大熵来确定图像分割最佳阈值的选取。对10个经典基准函数进行了试验仿真验证,得到了原鲸鱼优化算法在初始种群多样性及寻解遍历性上有所增加,全局搜索能力提高和摆脱局部最优的结果。结果表明,改进算法能得到函数最优值0,0.00030,-3.32;改进算法在寻优能力和稳定性等方面有较大提升,能实现对目标图像精确分割且耗时少。该研究为群智能算法应用于图像分割提供了参考。

基于改进蝗虫优化算法的最大2维熵图像分割

本文针对图像分割中阈值选取问题,将改进的蝗虫优化算法应用于图像分割阈值选取中,不仅减少了计算复杂度,并且提升了分割精确度。利用贝塔函数产生初始种群,在初始化过程中种群均匀性及多样性得以保证。引入两部分非线性惯性权重,第一部分促使种群在全局大范围精确地搜索,以便得到更为精确的解;第二部分主要应用于后期加快收敛,使算法快速跳出局部最优。利用经典基准函数进行了试验仿真验证,改进后的算法求解质量及收敛速度有较好的表现。