基于改进量子粒子群优化的多阈值图像分割算法

合集下载

基于改进粒子群算法的多阈值图像分割_武燕

Microcomputer Applications Vol. 27, No.5, 2011 技术交流微型电脑应用 2011年第27卷第5期 ·59·文章编号：1007-757X(2011)05-0059-03基于改进粒子群算法的多阈值图像分割武燕，张冰摘要：提出了一种改进的粒子群算法，在初始化种群时采用相对基学习原理，以获得较优的初始候选解；在后期迭代过程中引入扩张模型，使粒子不易陷入局部极小值点，并将其用于多阈值图像分割。

由最大熵阈值法得到所要优化的目标函数，用改进的粒子群算法对其进行优化，使其能够准确并迅速的得到分割的最佳阈值组合，并用该阈值组合对图像进行分割。

将此分割结果与遗传算法的多阈值分割结果相比较可以看出，该算法可更为准确快速的实现图像分割。

关键词：粒子群优化算法；相对基学习；扩张模型；多阈值；图像分割中图法分类号：TP301 文献标志码：A0 引言图像分割是目标识别的首要和关键步骤，其目的是将背景与目标分离，为计算机视觉的后续处理提供依据。

图像分割的方法主要包括阈值法、边缘检测等[1]。

其中，阈值分割因其快速简单使其成为图像分割中最基本最常用的方法。

常用的阈值法有最大熵阈值法、最大类间方差阈值法及最小误差阈值法等。

最大熵阈值法的原则使得总熵最大。

所以确定阈值是阈值分割的关键，根据阈值的个数，图像阈值分割可以分为单阈值分割和多阈值分割。

多阈值分割问题可转化为一系列单阈值分割问题来进行解决，但此需要在全灰度范围内搜索一个最佳门限的组合，耗时较多，难于实际应用。

为了简化计算，可以利用遗传、免疫等进化算法来搜索最佳阈值[2]。

而在本文中，将改进的粒子群算法引入图像分割中的多阈值选择，对最大熵阈值法(ME)进行了优化，使其能够准确并迅速地找到图像分割的最佳阈值，对图像进行多阈值分割。

1 基于最大熵的多阈值图像分割最大熵阈值法的基本依据是使得图像中目标与背景分布的信息量最大，即通过测量图像灰度直方图的熵，找出最佳阈值。

基于粒子群优化算法的图像分割

安康学院学年论文（设计）题目_____________________________________________ 学生姓名_______________ 学号_____________________________ 所在院（系）_______________________________________ 专业班级__________________________________________________ 指导教师_____________________________________________年月曰基于粒子群优化算法的图像分割（作者：）（）指导教师：【摘要】本文通过对粒子群优化算法的研究，采用Java编程，设计出一套用于图像分割的系统。

基于粒子群优化算法的图像分割系统，可以将一幅给定的图像进行分割，然后将分割结果保存。

图像分割的目的是将感兴趣的区域从图像中分割出来，从而为计算机视觉的后续处理提供依据。

图像分割的方法有多种，阈值法因其实现简单而成为一种有效的图像分割方法。

而粒子群优化（PSO）算法是一类随机全局优化技术，它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短寻找阈值的时间。

因此，基于粒子群优化算法的图像分割以粒子群优化算法为寻优工具，建立具有自适应和鲁棒性的分割方法。

从而可以在最短的时间内，准确地确定分割阈值。

关键词：粒子群优化（PSO，图像分割，阈值法，鲁棒性AbstractT his paper based on the particle swarm optimizati on algorithm, desig ns a set of system for image segme ntati on using Java program min g. Image segme ntati on system based on particle swarm optimizati on algorithm, the image can be a given segmentation, and then the segmentation results would be saved. Image segmentation is the purpose of the interested area from the image, thus providing the basis for the subsequent processing of computer vision. There are many methods of image segmentation, threshold method since its simple realization, becomes a kind of effective method in image segmentation. Particle swarm optimization （PSO） algorithm is a stochastic global optimization technique; it finds optimal regions of complex search spaces for threshold time shorte ned through the in teractio n betwee n particles. Therefore, particle swarm optimization algorithm of image segmentation based on particle swarm optimization algorithm based on optimizati on tools; establish segme ntati on method with adaptive and robust. Therefore, it is possible for us in the shortest possible time to accurately determ ine the segme ntati on threshold.Key word s: PSO, image segmentation, threshold method, robust.1引言1.1研究的背景和意义技术的不断向前发展，人们越来越多地利用计算机来获取和处理视觉图像信息。

基于改进粒子群算法的阈值图像分割

收稿日期：２０１３ —０５ — ０５ —２６
作者简介：张新娟（１９８３－），女，陕西西安人，硕士，研究方向为图像处理、智能算法优化
＠现代计算机２０１３．０６下
０引
言
易于实现．无需复杂调整等优点，自算法提出以来，在数据聚类、函数优化、模糊系统控制、神经网络训练等领域引起极为广泛的关注本文针对基本粒子群算法中存在的易于陷入局部
种方法都涉及到寻最优值的问题．因此如何有效快速
的选取最优阈值是图像阈值分割的关键粒子群优化算法［４－５］（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉ０ｎ．ＰＳＯ）是由Ｋｅｎｎｅｄｙ和Ｅｂｅｒｈａｒｔ于１９９５年提出的一种群体智能算法。由于ＰＳＯ算法设置参数少，流程简单、
＼
＼＼
图形图像
文章编号：１００７ — １４２３（２０１３）１８ — ００１８ — ０４
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００７ — １４２３．２０１３．１８．００５
和Ｔｓａｉ＊矩不变法是比较理想的分割方法所述的这几
１ＰＳＯ算法理论

基于微粒群优化算法的图像阈值分割

Image&Multimedia Technology•图像与多媒体技术基于微粒群优化算法的图像阈值分割文/高世博本文简要介绍了微粒群优化摘算法、图像阈值分割原理和方法，要将微粒群优化算法应用到图像阈值分割问题中，对最优分割阈值进行全局寻优，并与基于迭代法、OtSU法的阈值图像分割结果进行对比，结果表明微粒群算法优化的分割阈值分割效果更好。

将本方法应用到犯罪现场灰尘加层足迹图像的处理中，取得了较好的图像分割效果，为公安技术人员对犯罪现场物证信息后期处理提供了一种新的方法。

【关键词】微粒群优化算法图像分割阈值分割1引言微粒群优化算法(Particle Swarm Optimization,PSO)是一种进化优化算法，凭借程序设计简单易实现、参数调整少、算法收敛速度快等优点，已成为优化算法的研究热点之一，并广泛应用于图像处理领域。

图像分割是图像识别和图像处理的基本前提步骤，马军等针对植物叶片图像分割中的叶片重叠问题应用微粒群算法对最大爛阈值分割法的适应度函数进行寻优，实验结果表明该方法能够更加高效地对植物叶片图像进行分割。

邢雪提出了一种基于自适应惯性权重粒子群优化的图像分割方法，通过组合改进的粒子群算法和Otsu法来分割图像，获得了优异的图像处理结果。

兰蓉等针对刑侦图像分割问题，提出了一种基于粒子群优化直觉模糊集相似度的阈值算法，利用粒子群优化的方法自适应选取相似度中的权重，仿真结果表明，该算法能获得较好的分割效果。

在众多图像分割的方法中，阈值分割法是一种最基本和应用最广泛的图像分割技术，其实质就是利用灰度直方图信息得到图像分割的阈值。

最优分割阈值的确定一般利用迭代法或者Ostu法确定。

本文将微粒群优化算法引入阈值图像分割最优阈值的选择确定，进行仿真实验，并对犯罪现场灰尘加层足迹图片进行了分割处理，以期为公安部门技术人员开展现场物证处理工作提供一种更加有效的技术方法。

2微粒群优化算法简介PSO算法中，每个优化问题的解都是搜索空间中的一只鸟，称之为“微粒”。

基于粒子群优化算法的Kapur熵多阈值图像分割

渊4冤
在对复杂图像进行多阈值图像分割处理时袁利
用 K 个阈Βιβλιοθήκη T = 蓘 t1袁 t2袁噎袁 tK 蓡袁将图像分割为 K
得图像中目标区域与背景区域分布的信息量最大袁
则该像素点即为阈值图像分割点遥
假设一幅图像大小为 M 伊N 袁灰度级为 L遥单阈
值图像分割法利用一个阈值 T 将图像分为两个区
域袁其表达式为
嗓 D 1= 嗓蓸 x袁 y 蔀讦0臆g蓸 x袁 y 蔀臆T - 1 瑟袁
D 2= 嗓蓸 x袁 y 蔀讦T臆g蓸 x袁 y 蔀臆L - 1 瑟 .
科技创新与生产力
2018年 11 月总第 298 期
079
应用技术 A pp lied Techn olog y
2 K apur熵阈值图像分割法
K apur熵阈值图像分割法利用了信息论中的香
农渊Shannon冤熵这一重要概念遥在信息论中袁熵
是用来衡量某个分布的均匀程度的物理量袁熵值越大袁说明分布越均匀遥 [10] 应用在图像分割领域中袁测量图像灰度直方图的熵值袁找到一个像素点袁使
中袁实验结果表明该算法能够很好地提高收敛速度并增加稳定性遥陈明等[8]将模拟退火算法结合改进 O tsu 阈值图像分割法袁实验结果表明该方法能够大大提高分割效率遥彭正涛等[9]将 O tsu 阈值图像分割法结合粒子群优化算法袁提出一种快速图像分割法袁实验结果证明该方法能够提高分割速度和分割精度遥上述学者的实验证实了将优化算法应用到阈值图像分割领域中的合理性及优越性遥因此袁本文引入粒子群优化算法渊Particle Sw arm O ptim ization袁 PSO 冤袁应用到 K apur熵阈值图像分割法中袁以改善传统的 K apur熵阈值图像分割法中的各类问题遥

粒子群优化的改进Tsallis熵图像阈值分割

粒子群优化的改进Tsallis熵图像阈值分割提出基于改进粒子群优化的二维Tsallis熵分解算法。

首先将二维Tsallis熵算法降维分解为两个一维Tsallis熵，同时在目标函数中引入类内离散测度函数，最终以此目标函数作为改进后粒子群优化算法的寻优函数，完成图像的全局最优解阈值分割。

实验结果表明，相对一维及二维Tsallis熵算法，改进算法在主观效果和區域间对比度评价指标上有较大改善，在铁路轨道异物图像的分割中满足实时性要求、抗噪效果更佳。

标签：图像分割；Tsallis熵；类内离散度；粒子群优化；铁路轨道异物图像Abstract：A two-dimensional Tsallis entropy decomposition algorithm based on improved particle swarm optimization （PSO）is proposed. Firstly，the two-dimensional Tsallis entropy algorithm is decomposed into two one-dimensional Tsallis entropies. At the same time，the within-class scatter function is introduced into the objective function. Finally，the objective function is used as the optimization function of the improved particle swarm optimization algorithm. The global optimal threshold segmentation of the image is completed. The experimental results show that the proposed method is greatly improved in terms of subjective visual effect and inter regional contrast evaluation indicators compared to the relevant methods，such as one-dimensional Tsallis and two-dimensional Tsallis entropy algorithm，and then the railway obstacle images segmentation meet the requirements of real-time and better anti-noise effect.Keywords：image segmentation；Tsallis entropy；within-class scatter；particle swarm optimization （PSO）；railway obstacle image高速铁路的安全运行离不开环境信息的采集、传递和实时处理。

基于改进粒子群算法的图像阈值分割方法

基于改进粒子群算法的图像阈值分割方法章慧;龚声蓉;严云洋【期刊名称】《计算机科学》【年(卷),期】2012(039)009【摘要】针对图像提取问题,最优阈值选取是否合理对图像分割效果至关重要.在处理不同种类图像区域时,粒子群算法(PSO)由于早熟现象难以准确计算最优分割阈值,因此导致图像分割准确率低.为了提高图像分割准确率且准确地提取出图像目标,提出一种基于混沌粒子群算法(CPSO)的图像阈值分割方法.受益于混沌运行的遍历性、对初始条件的敏感性等优点,CPSO很好地解决了PSO的粒子群过早聚集和陷入局部最优等难题,加快了全局搜索最优解的能力.采用具体图像对CPSO算法图像分割性能进行仿真实验,结果表明,相比于其它图像分割算法,CPSO不仅加快了运算速度,提高了图像分割效率,而且提高了图像分割准确率,非常适合于图像实时分割处理.%Aiming at image extraction problem , optimal threshold selection is key for image segmentation results. In processing different kinds of image region, because of particle swarm optimization algorithm (PSO)'s premature phe-nomenon, it is difficult to accurately calculate the optimal segmentation threshold image segmentation, and accuracy rate is low. In order to improve the segmentation accuracy and accurate extraction of the image target, this paper proposed a image threshold segmentation methods based on chaos particle swaim optimization algorithm(CPSO). Benefit from chaotic operation of ergodicity, sensitivity to initial conditions and other advantages, CPSO improves particle swarm prematureaggregation and can notbe traped in a local optimum problem, accelerates the overall optimal solution search ability. The CPSO image segmentation performance is best by simulation experiment,and the experimental results show that, compared with other image segmentation algorithm,CPSO not only accelerates the speed of operation , improves the efficiency of image segmentation,but also improves the segmentation accuracy,and it is very suitable for real-time image segmentation.【总页数】4页(P289-291,301)【作者】章慧;龚声蓉;严云洋【作者单位】淮阴工学院计算机工程学院淮安223003;苏州大学计算机科学与技术学院苏州215006;淮阴工学院计算机工程学院淮安223003【正文语种】中文【中图分类】TP391【相关文献】1.结合粒子群算法优化归一割的图像阈值分割方法 [J], 任爱红2.基于自适应粒子群算法和数据场的图像二维阈值分割 [J], 李娜;李元香3.改进粒子群算法安检图像阈值分割方法研究 [J], 陈鹏;邹涛4.基于改进粒子群算法的图像阈值分割的加速算法 [J], 江军兵;严利民5.基于量子粒子群算法的Ostu图像阈值分割 [J], 冯斌;王璋;孙俊因版权原因，仅展示原文概要，查看原文内容请购买。

改进粒子群算法的多阈值灰度图像分割

摘
Multilevel thresholding grayscale image segmentation based on improved particle swarm optimization
WANG Shuliang ， ZHAO Heji
( School of Computer Science and Technology， Shandong University， Jinan Shandong 250101 ， China)
*
Abstract: Concerning the not flexible update rules of the cooperative learning Particle Swarm Optimization ( PSO) and comprehensive PSO， a new algorithm based on improved PSO for graysale image segmentation using multilevel thresholding was proposed． The update strategy of particles depends on the state of the particle in that algorithm: in the early iterations， the velocity of particle is increasing in order to speed up the search for optimal solution; later， the velocity of particle begins to decrease so that the particle can search for a broader area， avoiding to trap in local optimization; when particles was caught in local optimization， the particle begins to update its velocity and position according to the chosen example particle that can make the particle escape from the local optimization; in addition， the object function of evaluating every particle's optimal solution is image exponential entropy． The simulation experiment results show that the new improved PSO solves the problems of the low execution efficiency of the traditional entropy algorithm and the not flexible update rules and easily falling into local optimization of the PSO， and its segmentation results are very good， stable and efficient in the case of single thresholding and multilevel thresholding． Key words: grayscale image segmentation; Particle Swarm Optimization ( PSO) ; cooperative learning; comprehensive learning; image exponential entropy; multilevel thresholding

基于粒子群优化算法的图像分割技术研究

基于粒子群优化算法的图像分割技术研究近年来，图像分割技术在计算机视觉领域得到了广泛应用。

例如，在医学影像分析、人脸识别、车辆自动驾驶等领域中，图像分割技术都是不可或缺的。

而基于粒子群优化算法的图像分割技术，不仅具有较高的准确性和稳定性，而且能够有效地解决图像分割难题。

一、图像分割技术概述图像分割技术是将图像分割成多个区域或对象的过程。

这对于人类以及计算机来说都是必须的，因为它是处理和理解图像的基本方法。

图像分割技术根据其方法和应用领域的不同，可以分为不同的分类学。

基于颜色、纹理、形状、边缘等视觉信息的图像分割算法已经被广泛研究，并且在某些问题领域中已经取得了令人瞩目的成果。

但是，这些算法的准确性与稳定性往往依赖于样本的选择，处理方法和模型限制等因素。

此外，有些问题很难用这些传统的算法进行解决，例如，大规模复杂图像的分割等等。

二、粒子群算法粒子群优化算法（Particle Swarm Optimization, PSO）是一种优化算法，它是从自然界的鸟群领域中提取灵感设计而来的。

在算法过程中，根据每个粒子的运动状态，通过互相协作来寻找局部最优或全局最优解。

粒子群优化算法在复杂度和收敛速度方面都有很好的表现。

它的优点是不需要对整个搜索空间进行搜索，而是利用神经网络的思想，从一个好的解出发逐步进行调整，从而获得全局最优解。

三、基于PSO的图像分割技术在粒子群优化算法的基础上，研究者们对其进行了改进，将其应用于图像分割领域。

他们通过将图像的各个像素点表示为粒子，通过优化粒子的运动状态来实现对图像的分割。

该方法不仅获得了很好的分割效果，而且不需要完整的图像分割信息，也不需要先验知识。

基于PSO的图像分割算法流程如下：首先，将图像转化为灰度图像，将每个像素点设置为粒子，并使用混沌序列初始化它们的位置和速度。

接着，使用聚类算法来计算每个粒子的适应值，即用颜色或纹理等属性来计算粒子的质量。

通过数学模型进行计算，确定每个粒子的运动方向，分别在搜索空间内赋予它们新的位置和速度。

基于改进粒子群算法的植物冠层图像分割

第35卷第1期2019年1月森林工程F O R E ST ENG IN EERIN GV ol.35 No.1Jan., 2019基于改进粒子群算法的植物冠层图像分割郎春博，贾鹤鸣*,邢致恺，彭晓旭，李金夺，康立飞(东北林业大学机电工程学院，哈尔滨150040)摘要：针对标准粒子群算法易陷入局部最优而导致图像分割效果欠佳的问题，采用一种与模拟退火算法相结合的混合粒子群算法来优化多阈值图像分割的阈值选取过程，将O t s u类间方差函数作为算法的适应度函数，并利用模拟退火算法“突跳”的特点有效避免陷入局部最优。

实验结果表明：该算法可以有效地处理复杂植物冠层图像分割的问题，能够在保证运行效率的同时提高图像的分割精度。

为提高植物生长状态评估的可靠性以及叶片信息的准确性提供理论基础，具有较强的工程实用性。

关键词：植物冠层图像；粒子群优化算法；模拟退火算法；多阈值图像分割；大津法中图分类号：S432; T P391.41文献识别码：A文章编号：1006-8023( 2019) 01-0047-06 Multi Threshold Segmentation of Plant Canopy Image Based on ImprovedParticle Swarm OptimizationLANG C h u n b o,JIA H em ing*,XING Zhikai,PENG Xiaoxu,LI J in d u o,KANG Lifei(C o lle g e o f M ech a n ica l and E lectrical E ngineering, N ortheast F orestry U niversity, H arbin 150040)A b stra ct：A im in g at the problem that the standard particle swarm algorithm is easy to fall into the loca l optim um w hich leads to poor im age segm entation effect, a hybrid particle swarm optim ization algorithm com b in ed with sim ulated annealing algorithm is used to optim ize the threshold selection process o f m u lti-th reshold im age segm entation. T he variance function betw een Otsu classes is used as the fitness function o f the algorithm and sim ulated annealing algorithm is used to avoid ju m ping into loca l optim um. The experim ent results show that the algorithm can effectively deal with the problem o f com p lex plant canopy im age segm entation, and can im prove the im age segm entation accu racy w hile guaranteeing the operation efficien cy. It provides a theoretical basis for im proving the reliability o f plant growth con dition evaluation and the a ccu racy o f le a f inform ation, with a strong engineering practicability K ey w ord s：Plant ca n o p y im age; particle swarm optim ization algorithm; sim ulated an nealin g algorithm; m ulti threshold im age segm entation; O tsu m eth od0引言植物的冠层作为植物最先接触到外界气体环境和光照的部位，其结构形态与植物的生长状况密切相关。

基于改进粒子群优化算法的Otsu图像分割方法

用。针对这一问题，提出一种基于改进粒子群优化算法的Ｏｔｓｕ分割方法。该方法以Ｏｔｓｕ算法中的类间方差作为粒子群优化算法的适应度函数，以当前分割阈值作为粒子的当前位置，以阈值更新速度作为粒子的当前速度，以粒子最优适应值的改进量作为惯性权重，在灰度空间动态搜索使类间方差最大的阈值。实验结果表明：该方法能获得与经典
Ｏｔｓｕ相当的分割效果，而且显著地缩短了分割时间，算法效率更高。
关键词图像分割，Ｏｔｓｕ，粒子群优化算法，惯性权重，适应值中图法分类号ＴＰ３９１．４１文献标识码Ａ
ＯｔｓｕＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎＭｅｔｈｏｄＢａｓｅｄＯｎＩｍｐｒｏｖｅｄＰＳＯＡｌｇｏｒｉｔｈｍ
Ｈｏｗｅｖｅｒ，ｉｔｓｓｈｏｒｔｃｏｍｉｎｇｓｌｉｋｅｌａｒｇｅａｍｏｕｎｔｏｆｃｏｍｐｕｔａｔｉｏｎａｎｄｐｏｏｒｒｅａｌｔｉｍｅｑｕａｌｉｔｙｈａｖｅ１ｉｍｉｔｅｄｉｔｓａｐｐｌｉｃａｔｉｏｎ．Ｔｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍ，ｗｅｐｒｏｐｏｓｅｄａｎｅｗｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｕｓｉｎｇｔｈｅｐｒｉｎｃｉｐｌｅｏｆＯｔｓｕｂａｓｅｄｏｎａｎｉｍｐｒｏｖｅｄＰＳＯａｌｇｏｒｉｔｈｍ．Ｔａｋｉｎｇｔｈｅｃｌａｓｓ－ｂｅｔｗｅｅｎｖａｒｉａｎｃｅｏｆＯｔｓｕａｓｔｈｅｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎｏｆＰＳＯ，ｔｈｅｃｕｒｒｅｎｔｓｅｇｍｅｎｔａｔｉｏｎｔｈｒｅｓｈｏｌｄ

基于改进PSO算法的Otsu快速多阈值图像分割

基于改进PSO算法的Otsu快速多阈值图像分割彭正涛;方康玲;苏志祁【摘要】为了确定图像分割的最佳阈值,基于改进粒子群优化算法,提出了一种快速多阈值图像分割方法.首先引入独立峰值将直方图划分为若干区域,然后在各个区域使用最大类间方差法得到优化的目标函数,用具有非均匀变异特性和雁群飞行启示的线性递减惯性权重粒子群算法对目标函数进行优化,得到分割的最佳阈值,并用该阈值对图像进行分割.将分割结果与常规最大类间方差法的多阈值分割结果相比较,证明该算法不仅可以正确地实现图像分割,并可使分割速度大大提高.%To determine the optimal threshold in image segmentation, a new multilevel threshold method based on improved particle swarm optimization (PSO) is proposed. Firstly, the histogram was divided into several areas by the conception of independent peaks. Secondly, the maximum between-class variance ( MV) method was used to get the optimization object function in each area.Thirdly, the object function was optimized by the non-uniform mutation and geese-LDW PSO, the optimal thresholds was obtained,and the image was segmented by the threshold. Compared with the basic MV algorithm, the experimental results show that the new method can realize the image segmentation well and improve the speed greatly.【期刊名称】《现代电子技术》【年(卷),期】2011(034)006【总页数】5页(P10-14)【关键词】图像分割;粒子群算法;非均匀变异;线性递减惯性权重;独立峰值;多阈值;最大类间方差【作者】彭正涛;方康玲;苏志祁【作者单位】武汉科技大学,信息科学与工程学院,过程控制与信息技术研究室,湖北,武汉,430081;武汉科技大学,信息科学与工程学院,过程控制与信息技术研究室,湖北,武汉,430081;武汉科技大学,信息科学与工程学院,过程控制与信息技术研究室,湖北,武汉,430081【正文语种】中文【中图分类】TN911-340 引言图像分割是图像处理中基本而关键的技术，其目的是把图像分成各具特性的区域并提取出感兴趣的目标，为后续的分类、识别和检索提供依据，分割结果影响甚至决定图像分析与理解的准确程度。

基于量子粒子群优化算法的最小交叉熵多阈值图像分割

收稿日期:2007-01-16;修回日期:2007-05-10 基金项目:航空科学基金资助项目(04C53015);国家自然科学基金资助项目(50475148) 作者简介:赵勇(1976-),男,博士,主要研究方向为图像处理、计算机视觉(zhaoyong1107@);方宗德(1948-),男,教授,博导,主要研究方向为汽车工程;庞辉(1980-),男,博士,主要研究方向为汽车工程;王侃伟(1975-),男,博士,主要研究方向为汽车工程.基于量子粒子群优化算法的最小交叉熵多阈值图像分割*赵勇,方宗德,庞辉,王侃伟(西北工业大学机电学院,西安710072)摘要:首先提出了一种减少最小交叉熵适应度函数计算量的快速递推编程技术;然后采用量子粒子群优化法搜索获得图像最优多阈值,并用该阈值实现图像分割。

实验分析结果表明,该方法具有实现阈值寻优速度快,最优解对应图像分割效果好的特点。

关键词:最小交叉熵;多阈值;递推编程;量子粒子群中图分类号:TP 391.41 文献标志码: A 文章编号:1001-3695(2008)04-1097-03Mu lt ilevel m inim u m cross en tr opy t hr esh old select ion based on quant um pa rt icle sw arm optim izat ionZHAO Yong,FANG Zong-de,PANG Hui,WAN G Kan-wei(College of Mechanical &Electronic Engineering,Northwestern Polytechnical University,Xi ’an 710072,China)Abst ract :This pa per first pres ented a recurs iv e prog ra m m ing technique w hich reduced an order of m ag nitude for com putingfor com put ing the M CET fit ness funct ion.T hen,a qua ntum part icle swa rm opt im iza tion (QPS O)algorithm w as proposed for s earching the nea r-opt im a l M CET t hresholds.The experim ent al result s show t ha t the propos ed QPS O-ba sed algorithm show s highly effective a nd speediness.Key words:m inim um cross entropy;m ult ilev el t hresholding;recursiv e progra m m ing;qua nt um pa rt icle s warm opt im iza tion 图像分割是指将图分成具有某种特征差异的不同区域,主要方法有阈值法、边缘检测法、区域跟踪法。

基于粒子群优化算法的Kapur熵多阈值图像分割

基于粒子群优化算法的Kapur熵多阈值图像分割马军;鲍日洋;彭晓旭;宋苏航;陈培昕;孙康健【摘要】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.【期刊名称】《科技创新与生产力》【年(卷),期】2018(000)011【总页数】4页(P79-81,85)【关键词】图像分割;多阈值图像分割;粒子群优化算法;Kapur熵【作者】马军;鲍日洋;彭晓旭;宋苏航;陈培昕;孙康健【作者单位】东北林业大学机电工程学院, 黑龙江哈尔滨 150040;东北林业大学机电工程学院, 黑龙江哈尔滨 150040;东北林业大学机电工程学院, 黑龙江哈尔滨150040;东北林业大学机电工程学院, 黑龙江哈尔滨 150040;东北林业大学机电工程学院, 黑龙江哈尔滨 150040;东北林业大学机电工程学院, 黑龙江哈尔滨150040【正文语种】中文【中图分类】TP391.411 多阈值图像分割研究综述数字图像分割是图像处理过程中的重要技术，其目的是将图像中的目标区域从背景中分离出来，为后续的研究分析提供良好的基础环境，长期以来被许多国内外学者视为研究的重要领域[1-2]。

目前，常见的图像分割法包括阈值图像分割法、区域图像分割法、边缘检测图像分割法等[3]。

基于改进粒子群优化算法的Otsu图像分割方法_刘申晓概要

第 40卷第 8期 2013年 8月计算机科学C o m u t e r S c i e n c e V o l . 40N o . 8A u . 2013到稿日期 :2012-11-01返修日期 :2013-04-13本文受河南省教育厅科学技术研究重点项目 (12B 510018 , 郑州市嵌入式系统应用技术重点实验室 (121P Y F Z X 177资助。

刘申晓硕士 , 主要研究方向为数字图像处理、计算机网络 , E -m a i l :50974936@q q . c o m ; 王学春硕士生 , 主要研究方向为数字图像处理、嵌入式系统应用 ; 常朝稳博士 , 硕士生导师 , 主要研究方向为图像处理、可信计算。

基于改进粒子群优化算法的 O t s u 图像分割方法刘申晓 1王学春 1常朝稳 2(黄河科技学院信息工程学院郑州 450006 1 (解放军信息工程大学电子技术学院郑州 450004 2摘要 O t s u 算法分割图像时不依赖于图像的内容 , 具有较好的适应性 , 但计算量大和实时性差的缺点限制了其应用。

针对这一问题 , 提出一种基于改进粒子群优化算法的 O t s u 分割方法。

该方法以 O t s u 算法中的类间方差作为粒子群优化算法的适应度函数 , 以当前分割阈值作为粒子的当前位置 , 以阈值更新速度作为粒子的当前速度 , 以粒子最优适应值的改进量作为惯性权重 , 在灰度空间动态搜索使类间方差最大的阈值。

实验结果表明 :该方法能获得与经典 O t s u 相当的分割效果 , 而且显著地缩短了分割时间 , 算法效率更高。

关键词图像分割 , O t s u , 粒子群优化算法 , 惯性权重 , 适应值中图法分类号 T P 391. 41文献标识码 AO t s u I m a g e S e g m e n t a t i o n M e t h o d B a s e d o n I m p r o v e d P S O A l go r i t h m L I U S h e n -x i a o 1 WA N G X u e -c h u n 1 C HA N GC h a o -we n 2(S c h o o l o f I n f o r m a t i o n E n g i n e e r i n g , H u a n g h e S c i e n c e a n d T e c h n o l o g y C o l l e g e , Z h e n g z h o u 450006, C h i n a 1(I n s t i t u t e o f E l e c t r o n i c T e c h n o l o g y , t h e P L A I n f o r m a t i o n E n g i n e e r i n gU n i v e r s i t y , Z h e n g z h o u 450004, C h i n a 2A b s t r a c t T h e O t s u i m a g e s e g m e n t a t i o n a l g o r i t h m h a s g o o d a d a p t a b i l i t y d u e t o i t s c o n t e n t s -i n d e p e n d e n t c h a r a c t e r i s t i c s . H o w e v e r , i t s s h o r t c o m i n g s l i k e l a r g e a m o u n t o f c o m p u t a t i o n a n d p o o r r e a lt i m e q u a l i t y h a v e l i m i t e d i t s a p p l i c a t i o n . T o s o l v e t h i s p r o b l e m , w e p r o p o s e d a n e w s e g m e n t a t i o n a l g o r i t h m u s i n g t h e p r i n c i p l e o f O t s u b a s e d o n a n i m p r o v e d P S O a l g o r i t h m. T a k i n gt h e c l a s s -b e t w e e n v a r i a n c e o f O t s u a s t h e f i t n e s s f u n c t i o n o f P S O , t h e c u r r e n t s e g m e n t a t i o n t h r e s h o l d a s t h e p a r t i c l e ’ s c u r r e n t l o c a t i o n , a n d t h eu p d a t i n g s p e e d o f t h r e s h o l d a s t h e p a r t i c l e ' s c u r r e n t s p e e d , a n d u s i n g t h e i m -p r o v e m e n t o f p a r t i c l e ’ s b e s t f i t n e s s v a l u e a s t h e i n e r t i a w e i g h t o f P S O , t h e p r o p o s e d a l g o r i t h m s e a r c h e s f o r t h e t h r e-s h o l d w h i c h m a k e s t h e m a x i m u m v a l u e o f t h ec l a s s -b e t w e e n v a r i a n c e i n g r e y s p a c ed y n a m i c a l l y . T he e x p e r i m e n t a l r e -s u l t s s h o w t h a t t h e n e w a l g o r i t h m c a n g e t s e g m e n t a t i o n r e s u l t w h i c h i s e q u a l t o t h e c l a s s i c O t s u , s i g n if i c a n t l y r e d u c e s t h e t i m e o f s eg m e n t a t i o n p r o c e s s a n d a l s oh a s hi g h e r e f f i c i e n c y. K e y w o r d s I m a g e s e g m e n t a t i o n , O t s u , P a r t i c l e s w a r m o p t i m i z a t i o n , I n e r t i a w e i g h t , F i t n e s s v a l u e1引言图像分割是指把图像划分成若干个各具特性的子区域并提取出感兴趣目标的技术和过程 , 它是由图像处理到图像分析的关键步骤 , 也是计算机视觉领域的基本问题 [1]。

基于量子粒子群优化算法的最小交叉熵多阈值图像分割

基于量子粒子群优化算法的最小交叉熵多阈值图像分割
赵勇;方宗德;庞辉;王侃伟
【期刊名称】《计算机应用研究》
【年(卷),期】2008(025)004
【摘要】首先提出了一种减少最小交叉熵适应度函数计算量的快速递推编程技术;然后采用量子粒子群优化法搜索获得图像最优多阈值,并用该阈值实现图像分割.实验分析结果表明,该方法具有实现阈值寻优速度快,最优解对应图像分割效果好的特点.
【总页数】3页(P1097-1099)
【作者】赵勇;方宗德;庞辉;王侃伟
【作者单位】西北工业大学,机电学院,西安,710072;西北工业大学,机电学院,西安,710072;西北工业大学,机电学院,西安,710072;西北工业大学,机电学院,西
安,710072
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于改进BBO算法的二维交叉熵多阈值图像分割 [J], 李薇;胡晓辉;王鸿闯
2.基于最小交叉熵的改进PCNN杨梅图像分割算法 [J], 徐黎明;吕继东
3.基于最小Tsallis交叉熵改进型PCNN图像分割算法 [J], 李东兴;张起;高倩倩;吴秀东;蔡亚南
4.基于二维最小Tsallis交叉熵和遗传算法的快速图像分割 [J], 魏伟一;李战明;张
国权
5.基于BBO算法的二维交叉熵多阈值图像分割 [J], 李薇;胡晓辉;王鸿闯
因版权原因，仅展示原文概要，查看原文内容请购买。