多类类间最大方差算法在图像分割中的应用

介绍了多类类间最大方差法的基本原理,从实际道路图像着手分析该算法存在的两个问题即分类数难以确定以及当分类数增加时其时间复杂度成指数上升.针对确定分类数问题,本文设计了一种直方图均值确定分类数法,其将确定分类数转换成了以图像直方图的概率密度函数的均值为限定条件来求其波峰个数;当分类数大于3类时使用无导数方法对多类类间最大方差法得到局部最优解.建立总量为7209幅图像的道路图像库,对道路图像做实验分析得到确定分类数算法的时间复杂度为O(L)且其平均耗时为0.717毫秒,对图像库抽样计算得到整个算法的平均耗时小于45毫秒.

基于双自适应遗传算法的Otsu图像分割研究

为了克服标准遗传算法在图像分割过程中存在易早熟、易陷入局部最优的缺点,同时针对类间最大方差法仅对灰度直方图分布呈双峰的图像效果显著的不足,提出了一种基于双自适应遗传算法的改进Otsu图像分割算法。该方法将传统的自适应遗传算法与新算法进行融合形成双自适应遗传算法,同时考虑目标背景可变的Otsu图像分割算法,使得对个体的评价更为合理,改善种群的全局搜索能力。实验结果表明:与传统Otsu图像分割法及基于遗传算法的图像分割方法相比,该算法求得出的阈值范围更加稳定,且可以获得更优的图像分割效果,有利于计算机视觉的后续处理。

基于局部颜色熵的免疫组化图像边缘检测

针对免疫组化图像边缘提取中经常出现的染色区域颜色混叠现象,提出了一种局部的颜色熵方法,由免疫组化图像在R、G、B单颜色通道的局部图像熵来合成最终的图像熵,并根据图像熵使用类间最大方差法提取目标边缘。Matlab仿真实验表明,与传统的图像熵分割方法相比,该方法对图像中有颜色变化但亮度近似的边界区域有很好的边界提取效果,而且还有效避免了传统图像熵在图像边缘拐角处的熵值丢失或阶跃的情况,算法分割的准确性和鲁棒性都得到明显的提高。