三维直方图重建和降维的Otsu阈值分割算法

针对三维Otsu阈值分割算法中因区域误分而产生的抗噪性差这一问题,提出了一种三维直方图重建和降维的Otsu阈值分割算法.该方法首先在详细分析三维直方图中噪声点分布的基础上,通过重建三维直方图,减弱了噪声干扰;然后将三维直方图区域划分由八分法改为二分法,使得阈值搜索的空间维度从三维降低到一维,减少了处理时间和存储空间.本文最后给出了算法的分割结果和运行时间,并与三维Otsu方法、二维分解法和二维斜分法进行对比.实验结果表明,本文算法的抗噪性更强,且分割效果更为理想,同时时间复杂度也远低于三维Otsu法.

RGB-双边滤波增强的二维Otsu阈值分割算法

针对猪易发生粘连而难以分割的问题,利用改进的YOLOV4网络用于猪个体检测,将双边滤波改为三通道的RGB-双边滤波,提升边缘锐化效果,在二维Otsu阈值分割算法中引入类内与类间融合的分割度量函数,提升分割效果。选取的有锐化边缘和没有锐化边缘图片做对比实验,实验表明,添加锐化边缘后粘连猪的分割更清晰。选取单个猪、多只猪不粘连和多只猪粘连三种数据集做对比实验,实验表明,添加锐化边缘后的分割平均准确率都较高,并且最大与最小准确率的跨度不大,表明该方法的稳定性较好。

一种改进的二维Otsu阈值分割算法

Otsu算法,也被称之为最大类间方差算法,是实现阈值分割的经典算法之一。二维Otsu算法是一维Otsu算法的推广,它充分考虑了图像的灰度信息和空间邻域信息,可以有效滤除噪声影响,但是同样存在着运算量大、时效性差的问题。对此提出了一种改进的二维Otsu快速阈值分割算法,先将二维Otsu算法分解为两个一维Otsu算法,并集成类间和类内方差信息构造了一种新的阈值判别函数,同时通过降维,进一步降低计算量。实验结果表明,该算法在时间效率与分割效果两方面明显优于传统的二维Otsu算法与快速二维Otsu算法。

一种改进的Otsu阈值分割算法

当目标与背景的类内方差差别较大时,Otsu法分割阈值偏向于方差较大的一类,从而使分割的效果不佳.针对这一问题,提出了一种改进Otsu阈值分割方法.利用目标在图像中所占比例,综合类内方差与类间方差,修正最佳阈值选择公式,并缩小算法遍历灰度范围来提高算法运算速率,最后通过区域一致性对算法的分割效果进行评价.实验结果表明,改进的Otsu法分割效果较好,并提高了算法执行效率.

基于高斯分解的多尺度3D Otsu阈值分割算法

针对阈值图像分割算法对噪音敏感的问题,提出了一种新的基于分解的Otsu阈值分割算法。整个分割算法为一个迭代过程,在每次迭代中,该图像首先用3D Otsu算法进行分割,然后利用高斯核函数对原图像进行滤波,得到一个平滑的图像,然后被输入到下一个迭代中。最后,合并每次迭代过程中产生的分割结果,获得最终的分割结果。该算法的优点在于分割结果稳定,且具有较强的抗噪性。本文在MR大脑图像上进行实验,结果表明,该算法优于其他同类阈值分割算法。

基于侧抑制网络的二维Otsu阈值分割算法

传统二维Otsu阈值分割算法未考虑人类视觉特性,分割结果不符合人眼视觉感受。为此,提出一种二维Otsu算法与侧抑制网络相结合的分割算法。该算法从基于人类视觉系统的侧抑制网络出发,利用侧抑制网络增强中心,抑制周围的特性,通过侧抑制网络处理原始图像,得到侧抑制图像,构建基于像素的灰度信息和侧抑制信息的二维直方图,并采用类间最大方差作为最佳阈值的选取准则。实验结果表明,与传统的Otsu算法和二维Otsu算法等相比,该算法具有较好的对比度、光照强度适应性和间断拟合能力,并能提高对图像噪声的鲁棒性,获得更理想的分割结果。

基于边缘信息的二维Otsu阈值分割算法的改进

在灰度图像的处理中,Otsu法是普遍的阈值分割方法,在对Ostu阈值分割方法不断改进的过程中,以二维的Otsu阈值分割方法应用最为广泛,在二维的Otsu方法的统计量中加入均值的方式虽然在一定的程度上消除了噪声,但对于背景与目标区域不明显时,二维Otsu阈值分割不能得到理想的效果。文中在二维Otsu方法改进的过程中,在不增加算法复杂度的情况下使用Sobel算子加入边缘信息,可以有效刻画边缘信息,同时可以很有效减少边缘处的噪声。

一种基于Levy-人工蜂群的三维Otsu阈值分割算法

针对图像分割过程中三维Otsu算法运算时间长、计算量大的问题,提出了一种基于Levy-人工蜂群算法的三维Otsu阈值分割算法。首先,以像素灰度值-邻域均值-邻域中值的三维类间方差作为人工蜂群算法的适应度函数;其次,采用Levy飞行模式评价像素的适应度,对其种群更新及邻域搜索过程进行优化,以增强其全局搜索能力;最后,利用改进后的算法得到的分割阈值对图像进行分割。仿真实验结果表明,与传统三维Otsu阈值分割算法相比,所提算法能够有效降低图像存储空间,处理时间降低了30.8%,具备更好的抗噪性能,分割效果也更为理想。

二维Otsu阈值分割算法的改进

自动图像阈值分割技术已经被广泛的应用在图像处理和计算机视觉领域中的目标检测,跟踪和识别上。其中Otsu阈值分割算法是一种被广泛使用的分割技术,对于那些直方图呈双峰分布的图像可以得到优秀的分割效果。然而如果直方图是单峰或是有异常数据出现时,传统的Otsu阈值分割算法则会发生错误。为改善传统Otsu法在处理图像时的计算受噪声干扰严重、实时性差、复杂度高等缺点,本文提出了一种改进的基于中值的Otsu阈值分割算法。最后进行的多次测试和实验说明这种改进的方法与传统的Otsu阈值分割算法相比较会得到更加满意的结果。

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。

改进?鱼优化算法和熵测度的图像多阈值分割

针对传统图像多阈值分割方法存在效率低、分割质量差等问题,提出一种改进?鱼优化算法并结合熵测度(weight lens remora optimization algorithm,WLROA)的图像多阈值分割方法。针对?鱼优化算法易陷入局部极值等缺陷,引入透镜成像反向学习策略,生成透镜反向解来增加种群多样性,进而提高算法跳出局部极值能力;提出一种自适应权重因子,对个体位置进行自适应扰动,提高算法探索能力。以最小化交叉熵作为优化目标,利用WLROA确定最小交叉熵并获得相应分割阈值。选取部分伯克利大学分割数据集图像和遥感图像测试提出算法的分割性能,测试结果表明,WLROA与其他知名算法相比具有更好的分割效果,能够有效实现复杂图像的精确处理。

二维Otsu的Z字折线阈值分割方法

针对二维直方图阈值分割算法存在的因误分类而导致的分割精度下降的问题,结合二维直方图的先验知识的阈值分割方法,提出了二维Otsu的Z字折线阈值分割方法。基于二维Otsu区域斜分法的基础上进行改进。我们结合二维直方图中的边界区域和噪声区域的信息,采用Z字折线阈值作为分割标准,纠正了普遍存在的错误分类,并利用小概率事件原则自适应确定折线方程,实现高精度图像分割的同时还有效提高了算法的适应性。实验结果表明,改进方法能够有效提高图像分割的精度,增强自适应性,与同类分割算法比较,性能有了明显提升。

基于改进袋獾算法的破片图像多阈值分割

针对静爆场中所拍摄图片存在破片目标小、背景复杂的问题,提出一种基于改进袋獾算法的破片图像多阈值分割。基于Tent混沌映射初始化种群,加入自适应权重策略以提高算法全局搜索能力,结合精英反向学习策略来避免算法过早陷入局部最优。基于优化袋獾算法求解Tsallis相对熵的最小值,作为目标函数值计算最佳阈值对破片图像进行目标分割。仿真结果表明,ITDO在12类基准函数上相较于其他算法表现出更强的收敛性和稳定性。ITDO-Tsallis算法与其他两种先进算法相比,收敛时间更快、求解目标更精准,说明该算法能有效解决静爆场破片图像目标分割问题。

基于改进蜜蜂觅食算法的多阈值图像分割

为解决传统多阈值图像分割方法搜索最优阈值效率低的问题,利用蜜蜂觅食算法中蜂群对蜜源的智能搜索机制,提高多阈值图像分割的最优阈值搜索效率。针对蜜蜂觅食算法邻域收缩过快易陷入局部最优问题,引入自适应邻域收缩策略,根据搜索陷入停滞的状态,自适应调整邻域收缩率,在保证算法搜索效率的同时,进一步提高算法寻优精度。仿真实验结果证明该方法提升了蜜蜂觅食算法的优化性能和算法鲁棒性,基于最大类间方差的图像多阈值分割实验验证了该方法的有效性。

基于改进灰狼优化算法的QFN芯片图像多阈值分割方法

在QFN芯片封装缺陷检测中,增加图像分割环节可有效提高缺陷检测准确性与检测效率。针对图像分割中传统算法效率低、智能优化算法分割精度低稳定性差的问题,本文提出一种基于改进灰狼优化算法(IGWO)的图像多阈值分割方法。首先,改进原始灰狼优化算法非线性因子,平衡算法搜索效率与挖掘能力;其次,引入反向学习策略提高种群整体质量,引入正弦函数、调整头狼权重以改进灰狼更新策略,增强算法多样性与挖掘能力;然后,提出头狼靠拢与种群变异交替进行的位置更新策略,平衡算法收敛性能与跳出局部最优能力;最后,以Kapur熵为适应度函数,求解最优分割阈值。将本文提出的改进灰狼优化算法的多阈值图像分割方法,与灰狼优化算法(GWO)、基于翻筋斗觅食策略的灰狼优化算法(DSF-GWO)、基于莱维飞行的樽海鞘群优化算法(LSSA)、改进北方苍鹰算法(INGO)的图像分割方法进行实验对比,结果表明:本文方法在分割用时方面,约为DSF-GWO的1/2,INGO的1/4;在分割精度与稳定性方面,在进行QFN芯片缺陷图像的连续30次分割时,本文方法具有最大Kapur熵平均值、最小标准差与最短分割时间。因此本文方法可实现高精度、高稳定性与高效率的QFN芯片图像多阈值分割。

面向FT-M7002的阈值分割算法优化实现

在国产高性能DSP的快速发展过程中,缺乏能充分发挥其体系结构优势的高性能图像处理算法。针对以上问题,对应用比较广泛的Otsu阈值分割算法进行面向FT平台的并行优化。在分析FT-M7002体系结构以及Otsu阈值分割算法的基础上,使用飞腾向量指令集进行手工向量化改写以充分利用FT-M7002平台超长向量寄存器,从而减少数据访存次数提高数据级并行性。在多种图像矩阵规模下进行性能测试,结果显示,阈值分割中的阈值比较模块优化后获得了3.74~4.39倍的加速效果,Otsu阈值分割算法总体优化实现获得了1.77~1.87倍的加速效果。

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。

改进ISCA算法的工业炉火焰图像阈值分割方法

工业炉是一种利用燃料燃烧的热量对物料进行加工的高温设备。若使用不当,极易发生爆炸现象,通过观测工业炉火焰图像可准确了解燃料的燃烧情况,避免事故的发生。但工业炉火焰图像易受燃烧工况等因素的影响,选取分割阈值存在一定的难度,无法准确地分割火焰图像。为此,提出一种基于改进ISCA算法的工业炉火焰图像阈值分割算法。利用混沌映射、归一化方式改进ISCA算法,根据贪婪选择设立对立学习机制,增加种群多样性,有效避免陷入局部最优解。基于中值滤波算法,对火焰图像噪声进行去除,利用阈值分割、灰度直方图,建立火焰图像阈值分割函数模型,结合Kapur熵最大化、累积分布函数求解该模型,完成工业炉火焰图像阈值分割。实验结果表明,所提算法的误分率始终低于2%,阈值分割用时在0.3 s以下,第17次迭代即可完成收敛,该算法在工业炉火焰图像阈值分割过程中运算速度快且阈值分割误分率低,可以有效提高工业炉火焰图像阈值分割精度。

基于增强算术优化算法的多阈值图像分割

针对传统多阈值图像分割方法中存在的分割质量一般、分割速度较慢等问题,提出一种基于改进的增强算术优化算法的多阈值图像分割方法。利用双重反向学习初始化种群,增强算法的搜索性能,将金枪鱼群优化算法的螺旋搜索策略引入到算术优化算法的加减策略中,帮助算法摆脱局部最优解。提出一种自适应余弦加速函数,更好地平衡算法的开发和探索能力。试验结果显示,提出的方法能够在提升算法收敛效率的同时分割出较好质量的图像。

增强蒲公英算法优化乳腺癌图像多阈值分割

针对显微镜下乳腺癌病理组织图像结构复杂,细胞边界模糊等情况,基于传统的阈值分割在乳腺癌图像的分割应用中不能很好地实现把病灶区准确分离开来的问题,提出一种基于增强蒲公英优化算法(IDO)的乳腺癌图像多阈值分割方法.该方法引入IDO计算类间方差的最大值(Otsu)作为目标函数寻找最佳阈值,IDO建立回守策略解决传统蒲公英算法(DO)无限制搜索,超出像素范围的问题;引入对立式学习(OBL)避免算法陷入局部最优.实验结果表明,与哈里斯鹰算法(HHO)、人工猩猩部队优化算法(GTO)、传统蒲公英优化算法(DO)、海洋捕食者算法(MPA)相比,在相同阈值个数情况下IDO算法适应度值最大、收敛最快,并且在峰值信噪比(PSNR)、结构相似度(FSIM)、特征相似度(SSIM)这3个性能指标上也比其他对比算法更具有优势.