一种基于 Parzen窗技术和Tsallis熵原理的图像分割新方法

提出了一种基于Parzen窗技术和Tsallis熵原理的图像分割新方法．该方法采用Parzen窗技术来估计图像灰度值的空间概率分布,再结合Tsallis熵来构造新的目标函数,最后在图像灰度值范围内搜索使该目标函数达到最大值的灰度值作为最佳全局阈值．通过和传统的基于Tsallis熵理论的图像分割方法相比较,结果表明该方法对图像分割精度非常高,且稳定性强．     

基于IBCC优化算法的多阈值图像分割

图像阈值分割算法中,如何确定最优阈值是关键.使用传统多阈值法对较复杂图像进行分割,存在计算复杂度高、分割速度慢等问题.文章将细菌群体趋药性优化算法和阈值分割算法相结合,并且对细菌群体趋药性算法进行改进,提出了基于改进细菌群体趋药性优化算法的多阈值图像分割算法.实验结果证明,文章提出的算法具有很好的收敛性和稳定性,得到了较好的图像分割效果和图像分割速度.     

基于二维最大熵阈值图像分割技术的改进方法

针对数字图像处理的问题,提出了一种基于二维最大熵阈值图像分割技术的改进方法。改进方法通过比较阈值选取方案来消除误差,并将原本复杂的二维解空间的求解过程递推简化到了一维求解过程,大大减少了计算量。     

基于Matlab的图像阈值分割算法研究

重点讨论了图像分割法中的阈值研究法,包括全局阈值法和自适应阈值法。对全局阈值算法中的人工选择法、迭代式阈值选择法、最大类间方差法以及自适应算法中的分水岭算法进行了重点分析,用Matlab进行实现并给出了实验结果;分析了几种算法的适用情况,并提出了一些改进意见。     

局部动态阈值图像分割算法研究

图像分割是预处理图像转入图像分析的关键环节,在图像分析、模式识别中起着重要的作用,采用图像分割可以将图像中感兴趣物像、不感兴趣物像进行分离,实现了提取目标参数、特征的可能性,所以图像分割一直受到人们的重视。提出了一种应用局部动态阈值进行图像分割的算法,通过试验表明:采用局部动态阈值进行图像分割算法在分割复杂背景图像时具有较好的分割效果,是一种有效的分割算法。     

颅骨图像的阈值分割算法研究

针对颅骨CT图像中灰度值范围变化较大的特点,阐述了两种图像的分割方法,一种是基于边缘信息的分割,一种是基于区域信息的图像分割,提出了在颅骨CT图像分割中采用基于区域的阈值分割算法,并通过软件编程实验证明了它具有算法简单、识别效果好、效率高的特点．     

基于OTSU实现图像分割

图像分割是图像处理的一个重要环节。图像分割有很多种算法,本文采用Otsu阈值分割算法对图像进行分割。经过实验发现,Otsu阈值分割法的算法简单、计算速度较快、实时性较高,对于目标和背景灰度差值较大的图像,其分割效果较好,但对于灰度差异不太明显的图像,其分割效果就不是很理想。     

快速、准确的图像阈值分割新方法

图像分割是数字图像处理系统中基本而关键的技术.通过阈值分割是其最简单的技术,它假设目标和背景是可以分离的.详细讨论将自适应遗传算法与OTSU算法相结合应用于最佳阈值的确定中,提出了相应的算法并用于图像分割,由于自适应遗传算法具有全局搜索最优解能力,因此能在很短时间内自动确定阈值.实验仿真结果表明,该方法不仅可以实现准确的图像分割,并且使得分割速度大大提高.     

一种图像自适应阈值分割算法

本文中简单介绍了在手腕骨X线片的自动判读系统中，对图像进行分割时改进的自适应阈值分割法。它是图像处理技术在医学和体育科学领域中的一个应用和尝试，此文的算法基于骨龄图像自动判读系统。     

基于Parzen窗技术和信息熵的图像分割阈值选取新方法PWET

传统的阈值选取方法是以图像的灰度直方图做为像素灰度值的概率密度函数的近似估计,然后利用此密度函数来构造目标函数,通过在灰度值中搜索使目标函数最大化(最小化)的灰度值做为最优全局阈值,从而实现图像的分割.为了克服以直方图(灰度值出现的频率)替代灰度值的概率分布不够准确的缺陷,提出了一种基于parzen窗技术和信息熵的阅值选取新方法PWET.该方法以图像的像素坐标集为样本空间,利用parzen窗技术估计图像灰度值的空间概率分布,再结合信息熵来构造新的目标函数,通过在灰度值范围内搜索使目标函数最大的灰度值作为最优全局阈值.通过将PWET方法和传统的KSW熵方法进行比较实验,结果表明PWET方法对图像分割更有效.     

一种基于最大熵的改进型PCNN图像分割新方法

提出了一种基于最大熵的改进型PCNN图像分割算法。该算法对传统的PCNN模型进行了简化,采用线性方式调整动态阈值函数,采用最大熵确定PCNN网络的循环迭代次数,并对神经元反馈输入函数进行了修正,实现了对图像的最优分割。仿真实验结果表明,该方法能获得视觉效果较好的分割效果并具有较强的普适性。     

自适应分级粒子群算法的阈值图像分割研究

提出了一种改进型的粒子群算法,并与阈值法相结合应用于图像分割。该改进粒子群算法通过调节惯性权重而获得合理有效的收敛速度;采用分级思想对粒子进行分类并对普通粒子速度更新公式进行修改,从而有效避免了优化过程中粒子的早熟现象;结合遗传算法中的交叉思想增加种群的多样性,增强全局搜索能力从而避免算法陷入局部最优解。将其应用于的阈值图像分割,试验结果表明：相对于标准PSO算法,该自适应分级粒子群算法具有较强的全局寻优能力,且收敛速度快、鲁棒性好,能很好地应用于阈值图像分割。     

改进黑猩猩优化算法在阈值图像分割中的应用研究

黑猩猩优化算法(Chimp Optimization Algorithm, ChOA)是根据猩猩群体狩猎行为构建的一种群智优化算法.针对该算法在寻优能力和收敛效率等方面的困扰,提出一种改进的黑猩猩优化算法(Modified ChOA, MChOA).在MChOA算法中,利用特殊混沌模型对种群进行初始化,在提高种群针对性的同时,提高算法的收敛效率,并在位置更新过程中引入单纯形法策略来对种群中较差个体进行优化,进一步提高了算法的全面搜索能力,避免过早陷入局部最优.为了验证算法改进后的效果,将模糊Kapur熵作为目标函数,将MChOA算法应用于阈值图像分割中,与改进的模糊灰狼优化算法(MDGWO)的图像分割效果对比,MChOA算法的图像分割效果更佳.     

基于反向萤火虫算法的多阈值缺陷图像分割(英文)

为了分割QFN表面的缺陷,提出一种基于反向萤火虫算法的大津多阈值分割法.首先,将大津阈值分割扩展为大津多阈值分割.其次,提出了一种基于反向学习的萤火虫算法.在该算法中,生成的反向萤火虫用于增加萤火虫的多样性和全局搜索能力.然后,将基于反向学习的萤火虫算法应用于多阈值分割.最后,使用所提出的方法对QFN缺陷图像进行阈值分割实验,并将结果与穷举法、基于粒子群算法的大津多阈值分割法、基于萤火虫算法的大津多阈值分割法进行比较.实验结果表明,所提方法能更有效地分割QFN表面缺陷,且分割速度快.     

一种改进的脉冲耦合神经网络图像分割方法

针对传统脉冲耦合神经网络图像分割需要人工多次调整网络参数的问题,提出根据图像本身信息的自适应参数设置方法。并对传统脉冲耦合神经网络进行改进,利用改进的脉冲耦合神经网络进行图像分割,并利用最大二维Tsallis熵准则自适应确定分割结果。仿真实验结果表明,该方法能获得视觉效果较好的分割结果。     

基于HSI色彩的血细胞图像的分割算法实现

图像分割是图像处理和计算机视觉中基本而关键的技术之一，分割质量高低直接影响图像的后续分析处理．利用染色后的血细胞图像的HSI色彩信息对其进行阈值分割，并对分割后的二值图像中的孔洞进行填充优化，基本解决了此类图像目标分割困难的问题，取得了较好的分割效果，有利于细胞识别。     

基于并行粒子群算法的Otsu双阈值医学图像分割

医学图像分割一直是医学影像分析领域的研究热点。由于粒子群优化(PSO)容易陷入局部极小,因此该算法用于搜索某些函数极值时精确度较低且稳定性较差。针对该问题,结合Otsu分割技术,提出了一种基于并行粒子群优化算法的Otsu双阈值医学图像分割算法。在该算法中,将粒子群体分成若干个子群体,进化在多个不同的子群中并行进行,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验结果表明,提出的分割算法与传统粒子群算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性,其收敛速度明显优于基于单种群的粒子群算法的Otsu双阈值医学图像分割。     

基于信息熵图像分割算法的若干改进

最大熵阈值法是图像分割的一种重要方法,在图像处理与识别中广为应用。针对原有最大熵阈值法的不足,从3个方面对其进行了改进研究:参数化最大熵分割准则,引入灰度对比度对分割进行评价来选取参数来改善最大熵阈值法的分割性能;加权图像指数熵,引入了信息熵的指数形式并对其加权,依照灰度的分布选取权重,并通过分割后灰度对比度来确定权的参数,更充分地利用了图像的灰度信息;基于高频率灰度信息对原始熵进行变形,充分考虑了高频率灰度对分割的影响。通过对比实验表明,改进算法确定的阈值可以获得更佳的分割效果。     

基于信息熵图像分割算法的若干改进

最大熵阈值法是图像分割的一种重要方法,在图像处理与识别中广为应用。针对原有最大熵阈值法的不足,从3个方面对其进行了改进研究:参数化最大熵分割准则,引入灰度对比度对分割进行评价来选取参数来改善最大熵阈值法的分割性能;加权图像指数熵,引入了信息熵的指数形式并对其加权,依照灰度的分布选取权重,并通过分割后灰度对比度来确定权的参数,更充分地利用了图像的灰度信息;基于高频率灰度信息对原始熵进行变形,充分考虑了高频率灰度对分割的影响。通过对比实验表明,改进算法确定的阈值可以获得更佳的分割效果。     

基于改进JSEG算法的图像分割

JSEG算法是一种有效的彩色图像分割方法,传统的JSEG算法主要包含两个部分：颜色量化和空间分割。在颜色量化阶段的阈值是提前预设的,但它并不能满足现实生活中复杂的图像问题。传统JSEG算法的J值计算仅考虑了像素的位置信息和类标志,并没有考虑像素的颜色信息,因此它并不能表示边界强度。提出一种改进的Canny算子检测的边缘信息,对原始的J值进行有效修正,从而构建新的J图,完成最后的区域增长。实验结果表明,图像预期分割效果良好,有着很好的鲁棒性。