CN107392919B - 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 - Google Patents
基于自适应遗传算法的灰度阈值获取方法、图像分割方法 Download PDFInfo
- Publication number
- CN107392919B CN107392919B CN201710515579.9A CN201710515579A CN107392919B CN 107392919 B CN107392919 B CN 107392919B CN 201710515579 A CN201710515579 A CN 201710515579A CN 107392919 B CN107392919 B CN 107392919B
- Authority
- CN
- China
- Prior art keywords
- population
- image
- probability
- individuals
- gray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000002068 genetic effect Effects 0.000 title claims abstract description 49
- 238000003709 image segmentation Methods 0.000 title claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 22
- 238000009401 outcrossing Methods 0.000 claims abstract description 4
- 230000035772 mutation Effects 0.000 claims description 22
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 description 14
- 108090000623 proteins and genes Proteins 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000004083 survival effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Abstract
基于自适应遗传算法的灰度阈值获取方法、图像分割方法，属于图像处理技术领域。本发明灰度阈值获取方法包括以下步骤:S01，对图像灰度值进行种群初始化；S02，计算种群内个体的适应度值；S03，进行选择操作并更新种群；S04，计算个体的交叉概率，根据交叉概率进行交叉操作，并更新种群；S05，计算个体的变异概率，根据变异概率进行变异操作，并更新种群；S06，判断是否满足终止条件，若满足则获取最优解并得到最优灰度阈值；否则执行步骤S02。本发明图像分割方法根据上述灰度阈值获取方法获取的灰度阈值进行图像分割。本发明具有自主学习和自适应性和较高的鲁棒性，且能够从全局并发求解灰度阈值，较好地规避局部最优值，准确高效。
Description
技术领域
本发明图像处理技术领域，尤其涉及一种基于自适应遗传算法的灰度阈值获取方法、图像分割方法。
背景技术
图像处理从本质上讲是对图像信息进行加工以满足人们的视觉心理或应用需求的行为。而图像分割是图像处理技术中的一种，其目的是将图像分成各具特性的区域并提取出感兴趣的部分以满足人们的某种需要。近年来，对图像分割的研究一直是图像处理技术研究中心的热点，人们对其关注和投入不断提高，它是一种重要的图像分析技术，是从图像处理得到图像分析的关键步骤。
图像分割方法主要有边缘检测分割法、区域分割法、阈值分割法等。其中，阈值分割法因实现简单、运算效率高而成为一种有效的图像分割方法，而阈值的确定是阈值法图像分割的关键。然而要在一幅多峰直方图的全灰度范围内搜索一个最佳的多阈值组合使得分割结果更为精准，求解的过程将变得异常耗时，运行速度慢，无法满足图像分割对实时性的要求，严重地阻碍了图像分割进程。
现有并行区域分割技术是对感兴趣区域进行并行方式检测来对图像进行分割。该分割基于的图像灰度阈值是靠先验知识来确定的，但对于不同图像具有不同特点，依赖先验知识确定的图像灰度阈值自适应性、稳定性差，进而使得依赖于图像灰度阈值进行图像分割的结果不准确。
目前广泛应用的是以BP 神经网络为基础的图像分割方法，这种方法输入的是图像的灰度信息，输出的是用于图像分割的阈值。BP神经网络的基本要素是处理单元和加权连接，层的处理元素集合包括输入层、一个或多个隐含层和输出层。每个处理单元接收来自其输入连接的值，执行先前定义的数学运算，并产生一个单一的输出值，连接权值以权重矩阵的形式存储信息。通过神经网络学习确定连接权值和阈值，训练好神经网络后就可以对其它的输入确定其输出。但该算法在特定类图像的分割方面有独特优势，并且其训练结果很大程度上取决于初始连接权值和阈值，因此训练结果容易陷入局部最低点，导致网络不能准确地分割图像。为了克服该问题，发明专利申请CN106023195A公开了基于自适应遗传算法的BP神经网络图像分割方法及装置。该图像分割方法将BP神经网络技术和自适应遗传算法技术相结合进行图像分割，但该算法复杂。另外，发明专利申请CN105488528A公开了一种基于改进自适应遗传算法的神经网络图像分类方法，也存在同样问题。
发明内容
本发明针对现有技术存在的问题，提出了一种简单的，能全局并发求解灰度阈值，较好规避局部最优值的基于自适应遗传算法的灰度阈值获取方法、及根据上述方法获取的灰度阈值进行的图像分割方法。
本发明将标准正态分布模型引入遗传算法中，提出一种自适应遗传算法，并将其应用于图像分割中。本发明提出的遗传算法不仅不依赖先验知识，而且具有较强的自适应、自主学习能力，能很好地避免陷入局部最优解。在应用遗传算法求解图像分割的灰度阈值时，算法将利用迭代过程中得到的反馈信息自行调节并发搜索过程。由于该算法遵循适者生存的自然选择策略，所以较好的灰度阈值将有较高生存概率，而较大的生存概率意味着能够以较大的可能性进入下次迭代过程，即通过交叉和变异等操作产生效果更优的灰度阈值；另外，该算法具有较强的并发性，本发明不仅能获取较优的分割效果，而且具有较高效率。
本发明是通过以下技术方案得以实现的：
基于自适应遗传算法的灰度阈值获取方法，包括以下步骤:
步骤S01，对图像灰度值进行种群初始化；
步骤S02，计算种群内个体的适应度值；
步骤S03，进行选择操作并更新种群；
步骤S04，计算个体的交叉概率，根据交叉概率进行交叉操作，并更新种群；
步骤S05，计算个体的变异概率，根据变异概率进行变异操作，并更新种群；
步骤S06，判断是否满足终止条件，若满足则获取最优解并得到最优灰度阈值；否则执行步骤S02；
其中，所述步骤S04、所述步骤S05采用正态分布动态调整交叉概率和变异概率。
作为本发明优选，步骤S02的适应度值按如下公式计算：
其中，f（t）为个体适应度值，t为种群初始化后的图像灰度值，t作为用于将图像分割为第一类区域和第二类区域的图像灰度阈值，w0，w1分别为第一类区域和第二类区域内像素点出现的概率，t0，t1分别为第一类区域和第二类区域内像素点的平均图像灰度值。
作为本发明优选，步骤S03选择操作具体为：对当前代种群按照适应度由大到小选择若干个个体，将选择的个体复制到下一代种群。
作为本发明优选，步骤S04的交叉概率按如下公式进行调节：
其中，PCmax、PCmin 分别是最大交叉率和最小交叉率；fmax是种群的最大适应度值；
为种群的平均适应度值；f为种群的适应度值，c3是调控参数。
作为本发明优选，步骤S05的变异概率按如下公式进行调节：
其中，PMmax、PMmin分别为最大变异率和最小变异率；fmax是种群的最大适应度值，
为种群的平均适应度值，f为种群的适应度值，c2是调控参数。
作为本发明优选，步骤S04的交叉操作具体为：按照交叉概率由大到小依次选择若干对个体进行交叉，将交叉后的个体代替交叉前的个体。
作为本发明优选，步骤S04的交叉操作进行单点交叉。
作为本发明优选，步骤S05的变异操作具体为：按照变异概率由大到小依次选择若干个个体进行变异，将变异后的个体代替变异前的个体。
图像分割方法，包括以下步骤：
步骤一，读取图像信息并计算待分割图像的图像灰度直方图；
步骤二，根据上述基于自适应遗传算法的灰度阈值获取方法获取最优灰度阈值；
步骤三，根据最优灰度阈值对图像进行分割。
作为本发明优选，步骤三的图像分割具体包括：根据至少一个最优灰度阈值将待分割的图像划分为至少两类区域，进行并行方式的图像分割。
最优灰度阈值指的是在对指定待划分的感兴趣区域内经阈值获取方法获得的最优解所得到的。当有多个感兴趣区域时，或对同一个感兴趣区域多个部分像素范围内进行阈值获取操作时，最优灰度阈值有多个。
本发明具有以下有益效果：
本发明一种基于自适应遗传算法的灰度阈值获取方法、图像分割方法，具有自主学习和自适应性、以及较高的鲁棒性，解决了现有先验知识适应性、稳定性差的问题，进而能从全局并发来求解灰度阈值，并进行准确高效的图像分割，为后续图像特征提取和识别提供了更准确信息，图像分析更精准。
附图说明
图1为本发明基于自适应遗传算法的灰度阈值获取方法的流程图；
图2为本发明图像分割方法的流程图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些描述，但本发明并不限于这些实施例。
并行区域分割技术是一种采用并行方式对感兴趣区进行检测来对图像进行分割的技术。首先对于一幅灰度图像，该技术会根据预先确定的一个处于图像灰度取值范围中的灰度阈值将所有像素归为两大类，灰度值大于灰度阈值的像素为一类，灰度值小于灰度阈值的像素归为另一类，灰度值等于灰度阈值的像素可视情况归为前面两类中的任意一类。通常情况下，两类像素分属于图像中的两类区域，从而根据阈值分类完成了对图像的分割。
但现有灰度阈值的获得是根据先验知识获得的，是基于以往的经验总结出来，并不能很好地适应不同的情况，因此图像分割的自适应性和稳定性不尽人意。遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，是一个迭代过程，通过适应度函数对每次迭代中留下的候选群体进行评价和选择，然后结合交叉、变异算子进化出新一代群体。利用标准遗传算法获得的图像阈值进行图像分割，其分割精度不够，易早熟。其中在进行交叉、变异操作时，交叉概率和变异概率是固定的，并不能很好地适应不同的求解情况，所求的结果往往不令人满意。为此，本发明将正态分布引入遗传算法中，随着求解过程的不断推进，对交叉、变异概率进行动态调整，从而达到自适应的目的；并将该自适应遗传算法用于图像分割中，以便获得较优的分割结果。
本发明以单个阈值划分两个图像区域进行示例性描述，且本发明不限于多个阈值获取，不限于对图像进行多区域分割。
如图1，本发明基于自适应遗传算法的灰度阈值获取方法，包括以下步骤：
步骤S01，对图像灰度值进行种群初始化。
具体地，对图像灰度值进行编码，根据灰度范围采用二进制编码串进行编码，随机产生第0代M个初始种群，M为自然数，例如M=100。在此过程，还设置迭代次数N，N为自然数，如N=50；并设置最大交叉概率PCmax，最小交叉概率PCmin，最大变异概率PMmax、最小变异概率PMmin，一般将最大交叉概率PCmax设置为0.75，将最小交叉概率PCmin设置为0.5，将最大变异概率PMmax设置为0.7，将最小变异概率PMmin设置为0.6。
步骤S02，计算种群内个体的适应度值。
解码后根据适应度函数确定适应度值。
f(t)＝w0w1(t0-t1)2
其中，f（t）为个体适应度值，t为种群初始化后的图像灰度值，t作为用于将图像分割为第一类区域和第二类区域的图像灰度阈值，w0，w1分别为第一类区域和第二类区域内像素点出现的概率，t0，t1分别为第一类区域和第二类区域内像素点的平均图像灰度值。
步骤S03，进行选择操作并更新种群。
将当代种群中的个体按照适应度值由大至小选择前M个个体，将它们复制到下一代种群中。也就是说，优胜劣汰的方式选择性更新种群。
步骤S04，计算个体的交叉概率，根据交叉概率进行交叉操作，并更新种群。
在遗传算法中，交叉概率是非常关键的因素之一，对算法的执行效率和结果都有非常大的影响。为了克服交叉操作在标准遗传算法中的问题，在交叉操作中引入正态分布来动态调整，提高算法的自适应性。
交叉概率如下公式进行调节：
其中，PCmax、PCmin分别是最大交叉率和最小交叉率；fmax是种群的最大适应度值；
为种群的平均适应度值；f是种群的适应度值；c3是调控参数。上述种群的最大适应度值、平均适应度值在步骤S02中获得。c3一般取3。
按照交叉概率由大到小依次选择若干对个体进行交叉，将交叉后的个体代替交叉前的个体。交叉操作采用的是自适应变化的交叉算子。交叉算子将两个被选中的个体的基因串的某一部分进行交叉和互换操作，从而得到两个新的个体。其中，交叉的位置是随机进行选择的。交叉操作可以进行单点交叉，即两个待交叉个体基因串中选择一个交叉点，将该点后部分的基因串相互交换组成两个新的个体。交叉操作可参照实数交叉法进行计算。该交叉操作还可以进行多点交叉，即在两个待交叉个体基因中选择两个交叉点，然后进行部分基因串互换。另外，还可进行多点交叉。
步骤S05，计算个体的变异概率，根据变异概率进行变异操作，并更新种群。
在遗传算法中，变异概率是非常关键的因素之一，对算法的执行效率和结果都有非常大的影响。为了克服变异操作在标准遗传算法中的问题，在变异操作中引入正态分布来动态调整，提高算法的自适应性。
变异概率如下公式进行调节：
其中，PMmax、PMmin分别为最大变异率和最小变异率；fmax是种群的最大适应度值，f为种群的适应度值，
为种群的平均适应度值，c2是调控参数。上述种群的最大适应度值、平均适应度值在步骤S02中获得。c2一般取3。
按照变异概率由大到小依次选择若干个个体进行变异，将变异后的个体代替变异前的个体。变异操作采用的是自适应变化的变异算子。变异个体上的基因串的某个基因值突变形成新的基因串，具体可按照下述公式进行变异。
其中，i表示种群中第i个个体，
表示个体i的第j个基因，
，
分别为基因的上下限，r为[0，1]的随机数；f（g）为变异系数，n为当前迭代次数，N为最大迭代次数。
在步骤S04，S05中，交叉算子因其全局搜索能力而作为主要算子，变异算子因其局部搜索能力而作为辅助算子。遗传算法通过交叉和变异这对相互配合又相互竞争的操作而使其具备兼顾全局和局部的均衡搜索能力。当遗传算法通过交叉算子已接近最优解邻域时，利用变异算子的这种局部随机搜索能力可以加速向最优解收敛。自适应遗传算法进行最佳阈值获取时，个体之间的交叉概率和变异概率随着适应度进行动态调整，既保持了群体进化的多样性，又加快了遗传算法的收敛速度。
至此，完成一次完整的遗传操作，即依次序进行了选择操作、交叉操作和变异操作。上述选择操作、交叉操作、变异操作的次数根据需要进行设置。
步骤S06，判断是否满足终止条件，若满足则获取最优解并得到最优灰度阈值；否则执行步骤S02。
所述终止条件可以设置为迭代的最大次数，当迭代次数未到达最大值时，继续进入步骤S02，进入下一代种群遗传算法计算；当迭代次数达到最大值时，终止运算，获得最后一次迭代的最优解，根据该最优解得到相应的最优灰度阈值。或者，所述终止条件还可以设置为最大适应度值或平均适应度值不再发生变化，一旦满足则算法结束，获得最后一次迭代的最优解，根据该最优解得到相应的最优灰度阈值，否则继续迭代。
本发明图像分割方法，包括以下步骤：
步骤一，读取图像信息并计算待分割图像的图像灰度直方图。
读取的图像信息为感兴趣区域，针对该区域计算待分隔图像的图像灰度直方图。
步骤二，根据上述基于自适应遗传算法的灰度阈值获取方法获取最优灰度阈值。
步骤三，根据最优灰度阈值对图像进行分割。
该最优灰度阈值将感兴趣区域划分为两类区域，进而进行图像分割，图像数据处理及分析。
图2具体示出了本发明图像分割方法的流程图，包括如下步骤：
步骤S10，读取图像信息并计算待分割图像的图像灰度直方图；
步骤S20，对图像灰度值进行种群初始化；
步骤S30，计算种群内个体的适应度值；
步骤S40，进行选择操作并更新种群；
步骤S50，计算步骤S40选择操作产生的种群中的个体的交叉概率，根据交叉概率选择若干对个体进行交叉操作，并更新种群；
步骤S60 ，计算步骤 S50 交叉操作产生的种群中的个体的变异概率，根据变异概率选择若干个个体进行变异操作，并更新种群；
步骤S70 ，判断是否满足终止条件，若满足则获取最优解并得到最优灰度阈值，执行步骤 S80 ；否则执行步骤 S30；
步骤S80 ，根据最优灰度阈值对图像进行分割。
其中，所述步骤S04、所述步骤S05采用正态分布动态调整交叉概率和变异概率。
本发明采用遗传算法从多个点同时搜索，并对多个解进行评估，具有全局搜索特性，这在一定程度上能够避免陷入局部最优解，同时易于并行化，使求解过程更加高效、快捷。另外，遗传算法具有自组织、自适应和自学习特性，基于适者生存的优选原则，较优的计算结果会以较大概率进入下次的进化过程，随着迭代次数的不断增加，搜索到的结果质量会越来越好，因此遗传算法的这种自组织、自适应特征赋予了它根据实际环境的变化自动学习待解决问题的特性和规律的能力。为了进一步提高遗传算法规避局部最优解的能力，使其具有较高鲁棒性，本发明引入标准正态分布模型至遗传算法中形成一种自适应遗传算法，将其应用于图像分割中，以便获得较优的分割结果。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
Claims (8)
1.一种基于自适应遗传算法的灰度阈值获取方法，其特征在于，包括以下步骤:
步骤S01，对图像灰度值进行种群初始化；
步骤S02，计算种群内个体的适应度值；
步骤S03，进行选择操作并更新种群；
步骤S04，计算个体的交叉概率，根据交叉概率进行交叉操作，并更新种群；
步骤S05，计算个体的变异概率，根据变异概率进行变异操作，并更新种群；
步骤S06，判断是否满足终止条件，若满足则获取最优解并得到最优灰度阈值；否则执行步骤S02；
其中，所述步骤S04、所述步骤S05采用动态分布动态调整交叉概率和变异概率；
步骤S04的交叉概率按如下公式进行调节：
其中，PCmax、PCmin分别是最大交叉率和最小交叉率；fmax是种群的最大适应度值；
为种群的平均适应度值；f是种群的适应度值，c3是调控参数；
步骤S05的变异概率按如下公式进行调节：
其中，PMmax、PMmin分别为最大变异率和最小变异率；PMmax是种群的最大适应度值，
为种群的平均适应度值，f是种群的适应度值，c2是调控参数。
2.根据权利要求1所述的一种基于自适应遗传算法的灰度阈值获取方法，其特征在于，步骤S02的适应度值按如下公式计算：
f(t)＝w0w1(t0-t1)2
其中，f(t)为个体适应度值，t为种群初始化后的图像灰度值并作为用于将图像分割为第一类区域和第二类区域的图像灰度阈值，w0，w1分别为第一类区域和第二类区域内像素点出现的概率，t0，t1分别为第一类区域和第二类区域内像素点的平均图像灰度值。
3.根据权利要求1所述的一种基于自适应遗传算法的灰度阈值获取方法，其特征在于，步骤S03选择操作具体为：对当前代种群按照适应度由大到小选择若干个个体，将选择的个体复制到下一代种群。
4.根据权利要求1所述的一种基于自适应遗传算法的灰度阈值获取方法，其特征在于，步骤S04的交叉操作具体为：按照交叉概率由大到小依次选择若干对个体进行交叉，将交叉后的个体代替交叉前的个体。
5.根据权利要求1所述的一种基于自适应遗传算法的灰度阈值获取方法，其特征在于，步骤S04的交叉操作进行单点交叉。
6.根据权利要求1所述的一种基于自适应遗传算法的灰度阈值获取方法，其特征在于，步骤S05的变异操作具体为：按照变异概率由大到小依次选择若干个个体进行变异，将变异后的个体代替变异前的个体。
7.一种图像分割方法，其特征在于，包括以下步骤：
步骤一，读取图像信息并计算待分割图像的图像灰度直方图；
步骤二，根据上述权利要求1-6之一的基于自适应遗传算法的灰度阈值获取方法获取最优灰度阈值；
步骤三，根据最优灰度阈值对图像进行分割。
8.根据权利要求7所述的一种图像分割方法，其特征在于，步骤三的图像分割具体包括：根据至少一个最优灰度阈值将待分割的图像划分为至少两类区域，进行并行方式的图像分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710515579.9A CN107392919B (zh) | 2017-06-29 | 2017-06-29 | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710515579.9A CN107392919B (zh) | 2017-06-29 | 2017-06-29 | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107392919A CN107392919A (zh) | 2017-11-24 |
| CN107392919B true CN107392919B (zh) | 2021-07-20 |
Family
ID=60334398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710515579.9A Active CN107392919B (zh) | 2017-06-29 | 2017-06-29 | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107392919B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107992395B (zh) * | 2017-11-28 | 2020-10-30 | 江苏方天电力技术有限公司 | 一种基于遗传算法的告警阈值设置方法 |
| CN108198197A (zh) * | 2018-01-26 | 2018-06-22 | 上海康斐信息技术有限公司 | 一种基于粒子群算法的图像边缘检测方法及系统 |
| CN108564593A (zh) * | 2018-03-30 | 2018-09-21 | 四川斐讯信息技术有限公司 | 一种基于变异型粒子群算法的图像分割方法及系统 |
| CN108596926A (zh) * | 2018-04-02 | 2018-09-28 | 四川斐讯信息技术有限公司 | 基于交叉型粒子群算法的灰度阈值获取、图像边缘检测方法 |
| CN109035280A (zh) * | 2018-06-14 | 2018-12-18 | 四川斐讯信息技术有限公司 | 一种基于交叉型粒子群算法的图像分割方法及系统 |
| CN109003287A (zh) * | 2018-07-24 | 2018-12-14 | 昆山智易知信息科技有限公司 | 基于改进遗传算法的图像分割方法 |
| CN110853067A (zh) * | 2019-10-31 | 2020-02-28 | 北京科技大学 | 一种基于变异型粒子群算法的图像边缘检测方法及装置 |
| CN111127501B (zh) * | 2019-12-03 | 2023-05-30 | 重庆邮电大学 | 基于多粒度遗传算法的图像分割方法 |
| CN112150475A (zh) * | 2020-10-12 | 2020-12-29 | 山东省科学院海洋仪器仪表研究所 | 一种水下图像的悬浮微粒特征分割提取方法 |
| CN116883672B (zh) * | 2023-09-05 | 2024-01-16 | 山东省工业技术研究院 | 基于聚类划分的差分进化算法和otsu算法的图像分割方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134221A (zh) * | 2014-08-21 | 2014-11-05 | 河海大学 | 一种基于自适应遗传算法和otsu算法的图像分割方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8014590B2 (en) * | 2005-12-07 | 2011-09-06 | Drvision Technologies Llc | Method of directed pattern enhancement for flexible recognition |
| CN106023195B (zh) * | 2016-05-18 | 2019-03-01 | 河南师范大学 | 基于自适应遗传算法的bp神经网络图像分割方法及装置 |
-
2017
- 2017-06-29 CN CN201710515579.9A patent/CN107392919B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134221A (zh) * | 2014-08-21 | 2014-11-05 | 河海大学 | 一种基于自适应遗传算法和otsu算法的图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 云模型在图像分割领域中的应用研究;李婷;《中国优秀硕士学位论文全文数据库信息科技辑》;20150915(第09期);第45-48页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107392919A (zh) | 2017-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
| CN107506799B (zh) | 一种基于深度神经网络的开集类别发掘与扩展方法与装置 | |
| CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
| WO2019179403A1 (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
| CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
| CN114841257B (zh) | 一种基于自监督对比约束下的小样本目标检测方法 | |
| CN113486764B (zh) | 一种基于改进的YOLOv3的坑洼检测方法 | |
| CN110443257B (zh) | 一种基于主动学习的显著性检测方法 | |
| CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
| CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
| CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
| CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
| CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
| CN116503676B (zh) | 一种基于知识蒸馏小样本增量学习的图片分类方法及系统 | |
| CN112733614B (zh) | 一种带有相似尺寸强化识别的害虫图像检测方法 | |
| CN110929848A (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
| CN112819063B (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
| CN112381030B (zh) | 一种基于特征融合的卫星光学遥感图像目标检测方法 | |
| CN113011243A (zh) | 基于胶囊网络的面部表情分析方法 | |
| CN110796260B (zh) | 一种基于类扩张学习的神经网络模型优化方法 | |
| CN111222534A (zh) | 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法 | |
| CN109934286A (zh) | 基于文本特征提取和不平衡处理策略的Bug报告严重程度识别方法 | |
| CN116051924B (zh) | 一种图像对抗样本的分治防御方法 | |
| CN107507210B (zh) | 一种基于遗传算法的图像边缘检测方法及装置 | |
| CN115294424A (zh) | 一种基于生成对抗网络的样本数据增强方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201102 Address after: 318015 no.2-3167, zone a, Nonggang City, no.2388, Donghuan Avenue, Hongjia street, Jiaojiang District, Taizhou City, Zhejiang Province Applicant after: Taizhou Jiji Intellectual Property Operation Co.,Ltd. Address before: 201616 Shanghai city Songjiang District Sixian Road No. 3666 Applicant before: Phicomm (Shanghai) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: An Lin Inventor after: Qin Jia Inventor after: Li Peng Inventor before: Li Peng |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20210622 Address after: 528000, one of the fourth floors of No.1 building, No.117 Zhangcha 1st Road, Chancheng District, Foshan City, Guangdong Province Applicant after: GUANGDONG WEIREN MEDICAL TECHNOLOGY Co.,Ltd. Address before: 318015 no.2-3167, area a, nonggangcheng, 2388 Donghuan Avenue, Hongjia street, Jiaojiang District, Taizhou City, Zhejiang Province Applicant before: Taizhou Jiji Intellectual Property Operation Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Grayscale threshold acquisition method and image segmentation method based on adaptive genetic algorithm Effective date of registration: 20230227 Granted publication date: 20210720 Pledgee: Foshan rural commercial bank Limited by Share Ltd. Pledgor: GUANGDONG WEIREN MEDICAL TECHNOLOGY Co.,Ltd. Registration number: Y2023980033570 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |