基于加权灰度图与混合阈值分割方法的光伏热斑检测

在光伏红外热图像中,热斑和部分高温工作区的亮度非常接近。在利用传统的阈值分割技术提取热斑时,往往会将工作区也一并分割出来,形成虚假热斑。结合Otsu算法和Sauvola算法的优点,提出了一种基于加权灰度图的混合阈值分割方法。通过对灰度图加权处理,降低工作区亮度,从而增强热斑与工作区的对比度,改善热斑的可视性。利用Otsu算法与Sauvola算法二值化灰度图,并根据二值图差异度计算混合阈值,以此消除虚假热斑的干扰。实验证明,该方法适用于检测存在高温工作区的光伏板热斑,能够精准有效地分割热斑。

基于改进Otsu算法的生菜叶片图像分割方法

针对传统的Otsu算法计算量大、实时性差等缺点,提出了一种新的PSO+Otsu(S)分割方法.将RGB颜色空间转换成HSV颜色空间,并提取S分量图像.针对基本粒子群优化算法提出一种新的惯性权重系数w更新策略,并利用改进的粒子群优化算法搜索最优阈值,将搜索到的最优阈值作为Otsu算法的分割阈值,并对S分量图像进行分割,最终得到生菜叶片分割图.结果表明:提出的生菜叶片图像分割方法不但适合单叶片图像分割,而且适合冠层叶片图像分割;运用本算法分割单个生菜叶片图像以及生菜冠层图像时程序运行时间分别为118,126 ms,迭代次数分别为6,5次,相比于Otsu算法以及标准PSO+Otsu算法,本算法不仅有效缩短了程序运行时间,而且提高了图像分割的准确率,具有较好的实时性.

一种结合粒子群算法和自适应加权窗的二维Otsu图像分割新方法

针对传统二维Otsu门限分割方法中滤噪和小目标保持性能的不足,提出了一种基于自适应加权窗的二维Otsu门限分割的新方法。新方法对二维Otsu的邻域窗口设置方法做了改进,使用中心点的局部平稳特征来自适应地确定下一邻域窗口的尺寸大小,然后利用粒子群算法来加快门限的计算速度,从而提高门限分割的性能。实验结果表明:与目前广泛使用的一维Otsu、二维Otsu方法以及直线型门限二维Otsu方法相比,新方法有着更好的门限分割效果,并且有更好的噪声抑制和目标保持效果。

基于2维鲸鱼优化加权的WGG-Otsu算法的钢板表面缺陷图像分割

相对于1维Otsu算法,2维灰度级-梯度Otsu算法的抗噪声能力有所增强,但对受噪声影响较大的钢板表面缺陷图像的分割精度仍不高,且分割效率较低.为提高钢板表面缺陷图像分割的精度和效率,提出2维鲸鱼优化加权的灰度级-梯度Otsu算法.2维鲸鱼优化加权的灰度级-梯度Otsu算法能增大分布概率较低的阈值类间方差,减少背景与目标间差异对分割的影响.仿真实验结果表明,4种算法中,2维鲸鱼优化加权的灰度级-梯度Otsu算法的分割精度及效率均最高.

基于动态分组和权重学习教与学算法的Otsu图像阈值分割

在实际应用中最大类间方差法(Otsu)的计算量大,算法运行所需时间长。对此在动态分组教与学算法(DGSTLBO)的基础上加入权重学习和极差比较,提出基于动态分组和权重学习的教与学算法(GDSWLTLBO),将DGSWLTLBO与Otsu算法结合提高了图像分割的质量。实验结果表明,该算法有效地降低了运行时间,避免在教学过程陷入局部最优,提高了探索能力与寻优能力,保证了算法的全局收敛性。算法在图像分割的结果优于动态分组的教与学算法、教与学算法、粒子群算法、灰狼算法,在相同误差条件下,时间平均缩短了70%。

改进的OTSU和最大熵结合的迭代图像分割算法

传统图像分割算法多存在难以精确分割灰度值与背景相近的虚弱对象,且常将噪声分割为对象,本文针对难以解决虚弱对象的精确分割问题,提出了一种以保留类内方差的OTSU和最大熵原理为基础,通过多次迭代求取更加精准的阈值对图像进行分割的改进算法。首先,计算初始阈值,将图像分割为对象与背景二类,再分别求得对象与背景的加权平均值,根据该平均值将图像像素分为对象、虚弱、背景3类区域;其次,运用OTSU算法对虚弱区域进行阈值更新,通过迭代使得到的阈值更加精准。实验结果表明,该算法不仅能将细小碎片分割出来,还能较完整地保留轮廓信息,对于有光亮噪声的图像依旧能够快速且准确地分割出目标对象。该算法对虚弱对象分割效果好,抗噪能力强,显著优于其他传统分割算法。

基于改进萤火虫算法的二维Otsu图像分割法

对二维最大类间方差(2-D Otsu)算法和萤火虫算法研究现状进行了调查研究.为了解决二维Otsu图像阈值分割方法存在的计算复杂度高、实时性差等缺点,提出了一种将改进的萤火虫算法与二维Otsu算法结合的图像分割算法,即通过自适应惯性权重优化的萤火虫算法(IFA)搜寻图像分割的最佳阈值.实验结果表明,改进后的算法能够很好的实现图像分割的效果,有效地缩短了图像分割的运行时间,可以运用于图像分割的实时处理.

一种自适应粒子群优化算法在陶瓷图像分割中的应用

传统的Otsu算法分割图像需要遍历图像的每一级灰度值,其计算复杂度会随着图像量化等级的增大而急剧增加。对此,提出一种新的自适应粒子群优化(APSO)算法应用于图像分割过程。APSO根据粒子适应度优劣,融入了一种新的用于调节粒子飞行速度的惯性权重方法,并构建了一种新的极值扰动方法,分别对粒子个体极值和全局最优极值进行扰动,避免粒子种群陷入局部最优区域。在一组陶瓷及标准图像的仿真测试表明:针对具有复杂纹理的陶瓷图像和标准测试图像,APSO应用于陶瓷图像的分割时间相比Otsu平均少215 ms,应用于标准测试图像的分割时间相比Otsu平均少82 ms,APSO算法能在较短时间内收敛至全局最优值,更好地分割出具有复杂纹理的陶瓷图像细节部分。