CN108038859B - 基于pso和综合评价准则的pcnn图分割方法及装置 - Google Patents
基于pso和综合评价准则的pcnn图分割方法及装置 Download PDFInfo
- Publication number
- CN108038859B CN108038859B CN201711096399.8A CN201711096399A CN108038859B CN 108038859 B CN108038859 B CN 108038859B CN 201711096399 A CN201711096399 A CN 201711096399A CN 108038859 B CN108038859 B CN 108038859B
- Authority
- CN
- China
- Prior art keywords
- particle
- comprehensive evaluation
- particle swarm
- pcnn
- current
- 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.)
- Expired - Fee Related
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 126
- 230000011218 segmentation Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 44
- 210000002569 neuron Anatomy 0.000 claims abstract description 36
- 239000002245 particle Substances 0.000 claims description 296
- 238000003709 image segmentation Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000000638 solvent extraction Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 description 8
- 241000209094 Oryza Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 101150112439 SMAP gene Proteins 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了基于PSO和综合评价准则的PCNN图分割方法及装置，在采用单调递增阈值搜索策略PCNN改进模型的基础上，提出以综合评价准则作为PSO的适应度函数，准确搜索出PCNN目标参数。该综合评价准则在利用最小交叉熵准则保证整体正确分割结果的同时，加入边缘匹配度，控制神经元像素沿着边缘纹理同步点火，保留更多细节，并使用噪点控制来保证分割图像的区域平滑性，提高抗噪能力，最终得到兼顾目标整体轮廓及纹理细节的理想分割结果。分割图像在综合评价和通用综合指标上均达到最优，客观评价结果与视觉主观评价相一致，算法具有较高的鲁棒性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及基于PSO和综合评价准则的PCNN图分割方法及装置。
背景技术
1990年，Eckhorn等人通过研究猫的大脑皮层视觉区神经元的内部机理，提出了一种具有同步脉冲发放特性的脉冲耦合神经网络(即Pulse Coupled Neural Network，简记为PCNN)；此后，Johnson等人用电路的理论解释了PCNN并将其改进成为适合于图像处理的模型。由此PCNN模型广泛应用于图像处理领域，尤其是图像分割领域。其中马义德等通过信息熵准则确定PCNN循环迭代次数实现图像分割，刘勍等对PCNN模型进一步简化，通过最小交叉熵准则得到分割图像，赵峙江等运用连通域计算的边缘统计准则确定PCNN循环迭代次数进行图像分割。
由于PCNN模型参数众多，前述方法中多数参数都是通过经验设定，对于不同的输入图像，需重新设定PCNN模型参数，然而仅凭经验人工设定既低效又繁琐。因此，众多文献开始研究PCNN模型的改进及参数的自适应设定，优化算法逐渐被引入。
郑欣等利用图像局部活跃度指标实现PCNN模型关键参数的自适应设定及图像分割。Chen Yuli等利用简化PCNN神经元动态特性和输入图像静态属性的直接联系对PCNN参数进行自适应设定得到一种图像自动分割方法。曲仕茹等将遗传算法运用于PCNN图像分割，实现参数的寻优设定。吴俊等提出了一种联合蚁群算法与简化PCNN结合的脑部核磁共振图像分割方法。Tan Wengchun等将改进的PCNN模型与PSO算法结合，以互信息作为分割准则，实现精子图像检测分析。
相比于其他优化方法，PSO算法无需编码，没有交叉和变异操作，原理清晰，参数更少，能更快地收敛到最优解，更适合应用在高效的图像分割操作。但现有这些运用优化算法进行PCNN参数自适应设定的图像分割方法中，分割评价准则基本都是单一的，仅采用熵，类间差，或者互信息等。单一准则对于分割结果评价相对片面，不够具体和完整，难以有效利用PCNN的有利特性。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供基于PSO和综合评价准则的PCNN图分割方法及装置，旨在解决现有技术中运用优化算法进行PCNN参数自适应设定的图像分割方法中，分割评价准则基本都是单一的，而单一准则对于分割结果评价相对片面，不够具体和完整，难以有效利用PCNN的有利特性的问题。
为了达到上述目的，本发明采取了以下技术方案：
一种基于PSO和综合评价准则的PCNN图分割方法，其中，所述方法包括以下步骤：
S1、输入初始待分割图像，将初始待分割图像经边缘处理后进行粒子群初始化；
S2、获取粒子群的当前位置参数，并根据预设的PCNN改进型模型获取粒子群的每一粒子的综合评价值，并根据每一粒子的综合评价值获取与每一粒子对应的个体最优位置、及整个粒子群最优位置；
S3、将粒子的个体最优位置、及整个粒子群最优位置带入预设的PSO算法，得到每一粒子的下一代更新速度以及更新后的位置；
S4、当粒子群PSO算法中的更新代数大于5次时，则判断粒子群中粒子的最大综合评价值与前后5代内的差值是否小于预设的误差阈值，当粒子群中粒子的最大综合评价值与前后5代内的差值小于所述误差阈值时则执行步骤S5，当粒子群中粒子的最大综合评价值与前后5代内的差值大于或等于所述误差阈值时则执行步骤S6；
S5、将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果；
S6、判断当前更新代数是否小于粒子群初始化时所设置的粒子群最大更新代数，若当前更新代数小于粒子群初始化时所设置的粒子群最大更新代数则返回执行步骤S2，若当前更新代数大于或等于粒子群初始化时所设置的粒子群最大更新代数则返回执行步骤S5。
所述基于PSO和综合评价准则的PCNN图分割方法，其中，所述步骤S1具体包括：
S11、输入初始待分割图像；
S12、将初始待分割图像通过微分算子处理，得到边缘图像；
S13、设置PCNN图像分割模型参数寻优中的粒子群总数、粒子群最大更新代数、粒子群中每一粒子的维度、及当前位置参数，其中，当前位置参数包括阈值时间常数、连接系数、迭代次数。
所述基于PSO和综合评价准则的PCNN图分割方法，其中，所述PCNN改进型模型为：
Fij[n]＝Iij，
Lij[n]＝∑WijklYkl[n-1]，
Uij[n]＝Fij[n](1+βLij[n])，
其中，下标i，j为神经元标号；k，l为中心像素的邻域像素的标号，Fij为神经元的输入项，Lij为各神经元的连接输入，Uij为各神经元的内部活动项，Yij为各神经元的脉冲输出，Eij为各神经元的动态阈值，n为当前模型的循环迭代次数，Iij为输入图像对应像素点的灰度值，β为内部活动项连接系数，E0为最大灰度值，g[n]为动态门限变换函数，a为阈值时间常数，c为一个底数常数，Wijkl为通过比较与中心像素的欧式距离归一化后得到的连接权矩阵。
所述基于PSO和综合评价准则的PCNN图分割方法，其中，所述步骤S2具体包括：
S21、获取粒子群的当前位置参数，当前位置参数包括阈值时间常数、连接系数、迭代次数；
S22、根据预设的PCNN改进型模型获取粒子群的每一粒子的交叉熵参数、边缘匹配度和噪点控制度，并根据每一粒子的交叉熵参数、边缘匹配度和噪点控制度获取对应的综合评价值；
S23、根据每一粒子的综合评价值，获取与每一粒子对应的个体最优位置及整个粒子群最优位置。
所述基于PSO和综合评价准则的PCNN图分割方法，其中，所述综合评价值为(交叉熵参数+边缘匹配度+噪点控制度)/3。
所述基于PSO和综合评价准则的PCNN图分割方法，其中，所述PSO算法为：
vid(t+1)＝wvid(t)+c1r1(pbestid(t)-χid(t))
+c2r2(gbestd(t)-χid(t))；
χid(t+1)＝χid(t)+vid(t+1)；
其中，i，d分别表示粒子标号和粒子群维度标号，t为PSO当前更新代数，vid(t)表示粒子i更新到t代时第d维的飞行速度分量，χid(t)表示粒子i更新到t代时第d维的飞行位置分量；pbestid(t)表示粒子i更新到t代时第d维的个体当前最优的位置分量；gbestd(t)表示粒子i更新到t代时全粒子群最优位置的第d维分量，c1为认知加速因子，c2为社会加速因子，r1为[0,1]的随机数，r2为[0,1]的随机数；w为惯性权重。
一种基于PSO和综合评价准则的PCNN图分割装置，其中，包括：
处理器，适于实现各指令；以及
存储装置，适于存储多条指令，所述指令适于由处理器加载并执行以下步骤：
输入初始待分割图像，将初始待分割图像经边缘处理后进行粒子群初始化；
获取粒子群的当前位置参数，并根据预设的PCNN改进型模型获取粒子群的每一粒子的综合评价值，并根据每一粒子的综合评价值获取与每一粒子对应的个体最优位置、及整个粒子群最优位置；
将粒子的个体最优位置、及整个粒子群最优位置带入预设的PSO算法，得到每一粒子的下一代更新速度以及更新后的位置；
当粒子群PSO算法中的更新代数大于5次时，则判断粒子群中粒子的最大综合评价值与前后5代内的差值是否小于预设的误差阈值，当粒子群中粒子的最大综合评价值与前后5代内的差值小于所述误差阈值时则执行将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果的步骤，当粒子群中粒子的最大综合评价值与前后5代内的差值大于或等于所述误差阈值时则执行判断当前更新代数是否小于粒子群初始化时所设置的粒子群最大更新代数的步骤；
将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果；
判断当前更新代数是否小于粒子群初始化时所设置的粒子群最大更新代数，若当前更新代数小于粒子群初始化时所设置的粒子群最大更新代数则返回执行获取粒子群的当前位置参数，并根据预设的PCNN改进型模型获取粒子群的每一粒子的综合评价值，并根据每一粒子的综合评价值获取与每一粒子对应的个体最优位置、及整个粒子群最优位置的步骤，若当前更新代数大于或等于粒子群初始化时所设置的粒子群最大更新代数则返回执行将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果的步骤。
所述基于PSO和综合评价准则的PCNN图分割装置，其中，所述获取粒子群的当前位置参数，并根据预设的PCNN改进型模型获取粒子群的每一粒子的综合评价值，并根据每一粒子的综合评价值获取与每一粒子对应的个体最优位置、及整个粒子群最优位置的步骤具体包括：
获取粒子群的当前位置参数，当前位置参数包括阈值时间常数、连接系数、迭代次数；
根据预设的PCNN改进型模型获取粒子群的每一粒子的交叉熵参数、边缘匹配度和噪点控制度，并根据每一粒子的交叉熵参数、边缘匹配度和噪点控制度获取对应的综合评价值；
根据每一粒子的综合评价值，获取与每一粒子对应的个体最优位置及整个粒子群最优位置。
所述基于PSO和综合评价准则的PCNN图分割装置，其中，所述综合评价值为(交叉熵参数+边缘匹配度+噪点控制度)/3。
一种存储介质，其中，其中存储有多条指令，所述指令适于由处理器加载并执行所述基于PSO和综合评价准则的PCNN图分割方法的步骤。
有益效果：本发明提供的PCNN模型全参数自适应的图像分割算法，在采用单调递增阈值搜索策略PCNN改进模型的基础上，提出以综合评价准则作为PSO的适应度函数，准确搜索出PCNN目标参数。该综合评价准则在利用最小交叉熵准则保证整体正确分割结果的同时，加入边缘匹配度，控制神经元像素沿着边缘纹理同步点火，保留更多细节，并使用噪点控制来保证分割图像的区域平滑性，提高抗噪能力，最终得到兼顾目标整体轮廓及纹理细节的理想分割结果。分割图像在综合评价和通用综合指标上均达到最优，客观评价结果与视觉主观评价相一致，算法具有较高的鲁棒性。
附图说明
图1为本发明所述的基于PSO和综合评价准则的PCNN图分割方法较佳实施例的流程图。
图2为本发明所述的基于PSO和综合评价准则的PCNN图分割方法中步骤S100的流程图。
图3为本发明所述的基于PSO和综合评价准则的PCNN图分割方法中步骤S200的流程图。
图4为Lena图像对比实验分割结果图。
图5为Airship图像对比实验分割结果图。
图6为Rice图像对比实验分割结果图。
具体实施方式
本发明提供基于PSO和综合评价准则的PCNN图分割方法及装置，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明的一种基于PSO和综合评价准则的PCNN图分割方法的具体实施例。所述方法包括以下步骤：
步骤S100、输入初始待分割图像，将初始待分割图像经边缘处理后进行粒子群初始化；
步骤S200、获取粒子群的当前位置参数，并根据预设的PCNN改进型模型获取粒子群的每一粒子的综合评价值，并根据每一粒子的综合评价值获取与每一粒子对应的个体最优位置、及整个粒子群最优位置；
步骤S300、将粒子的个体最优位置、及整个粒子群最优位置带入预设的PSO算法，得到每一粒子的下一代更新速度以及更新后的位置；
步骤S400、当粒子群PSO算法中的更新代数大于5次时，则判断粒子群中粒子的最大综合评价值与前后5代内的差值是否小于预设的误差阈值，当粒子群中粒子的最大综合评价值与前后5代内的差值小于所述误差阈值时则执行步骤S500，当粒子群中粒子的最大综合评价值与前后5代内的差值大于或等于所述误差阈值时则执行步骤S600；
步骤S500、将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果；
步骤S600、判断当前更新代数是否小于粒子群初始化时所设置的粒子群最大更新代数，若当前更新代数小于粒子群初始化时所设置的粒子群最大更新代数则返回执行步骤S200，若当前更新代数大于或等于粒子群初始化时所设置的粒子群最大更新代数则返回执行步骤S500。
在图像分割算法过程中，首先给出一个全局零阈值使得所有像素在第一次迭代中，全部被激活，并根据PCNN改进型模型产生下一代阈值，进行循环迭代。耦合子系统会对邻域神经元像素产生作用，当某一像素小于输入阈值，若邻域内存在与其灰度相近的像素，则会引起该邻域像素抑制，从而输出序列，第n次输出序列Y[n]构成的二值图像即为PCNN的输出分割图像。
现有技术中，原始的PCNN模型有八个参数需要设置，而上述PCNN改进型模型需要通过分析来设置的参数仅有阈值时间常数a，连接系数β和迭代次数n三个。
优选的，如图2所示，其为本发明所述的基于PSO和综合评价准则的PCNN图分割方法中步骤S100的流程图。具体实施方式中，所述步骤S100具体包括：
步骤S110、输入初始待分割图像；
步骤S120、将初始待分割图像通过微分算子处理，得到边缘图像；
步骤S130、设置PCNN图像分割模型参数寻优中的粒子群总数、粒子群最大更新代数、粒子群中每一粒子的维度、及当前位置参数，其中，当前位置参数包括阈值时间常数、连接系数、迭代次数。
本实施例中，设置粒子群总数m＝30，粒子中每一粒子的维度为3，设置粒子群最大更新代数为100。设置当前位置参数的取值范围，其中阈值时间常数a的范围为[0,10],连接系数β的范围为[-1,1]，迭代次数n为[1,15]内的整数。传统技术中的PCNN模型有八个参数需要设置，而本发明中改进的PCNN模型需要通过分析来设置的参数仅有时间常数a(时间常数a即为阈值时间常数)，连接系数β和迭代次数n三个。
具体实施方式中，所述PCNN改进型模型为：
Fij[n]＝Iij (1)，
Lij[n]＝∑WijklYkl[n-1] (2)，
Uij[n]＝Fij[n](1+βLij[n]) (3)，
PCNN改进型模型分为三部分，包括接收、调制以及脉冲产生。式(1)为接收部分中的反馈输入，式(2)为接收部分的耦合子系统，式(3)为调制部分，在脉冲产生部分中，式(4)为脉冲点火子系统，式(5)(6)为动态门限子系统。其中，下标i，j为神经元标号，k，l为中心像素的邻域像素的标号。Fij为神经元的输入项；Lij、Uij、Yij、Eij分别为各神经元的连接输入、内部活动项、脉冲输出和动态阈值。n为当前模型的循环迭代次数。Iij为输入图像对应像素点的灰度值。β为内部活动项连接系数。E0为最大灰度值。g[n]是一个动态门限变换函数，随时间上升，其中a为阈值时间常数(动态门限中的递增阈值时间常数)，c为一个底数常数，一般设定为2或者e。
更具体的实施方式中，W为连接权矩阵，可通过比较与中心像素的欧式距离归一化后得到，连接权矩阵的公式为：
PCNN中，相邻的一群神经元可发放同步脉冲。当一个或数个神经元激活，输出的脉冲信号传送到相邻的神经元，使之迅速激活，从而这一群神经元都开始点火；当一个或数个神经元由于阈值升高而抑制时，这一信息也迅速地传到相邻的神经元，从而使这一群神经元迅速抑制。整群神经元就像一个巨大的神经元，同步地发放出脉冲。这称为PCNN网络的捕获特性或同步脉冲发放现象。
在图像分割算法过程中，首先给出一个全局零阈值使得所有像素在第一次迭代中，全部被激活，并根据式(5)产生下一代阈值，进行循环迭代。耦合子系统会对邻域神经元像素产生作用，当某一像素小于输入阈值，若邻域内存在与其灰度相近的像素，则会引起该邻域像素抑制，从而输出序列，第n次输出序列Y[n]构成的二值图像即为PCNN的输出分割图像。
图3为本发明所述的基于PSO和综合评价准则的PCNN图分割方法中步骤S200的流程图。具体实施方式中，所述步骤S200具体包括：
步骤S210、获取粒子群的当前位置参数，当前位置参数包括阈值时间常数、连接系数、迭代次数；
步骤S220、根据预设的PCNN改进型模型获取粒子群的每一粒子的交叉熵参数、边缘匹配度和噪点控制度，并根据每一粒子的交叉熵参数、边缘匹配度和噪点控制度获取对应的综合评价值；
步骤S230、根据每一粒子的综合评价值，获取与每一粒子对应的个体最优位置及整个粒子群最优位置。
具体实施方式中，所述PSO算法为：
vid(t+1)＝wvid(t)+c1r1(pbestid(t)-χid(t))
+c2r2(gbestd(t)-χid(t)) (7)；
χid(t+1)＝χid(t)+vid(t+1) (8)；
其中，下标i，d分别表示粒子标号和粒子群维度标号，t为PSO当前更新代数；vid(t)表示粒子i更新到t代时第d维的飞行速度分量，χid(t)表示粒子i更新到t代时第d维的飞行位置分量；pbestid(t)表示粒子i更新到t代时第d维的个体当前最优的位置分量；gbestd(t)表示粒子i更新到t代时全粒子群最优位置的第d维分量，c1为认知加速因子，c2为社会加速因子，r1为[0,1]的随机数，r2为[0,1]的随机数；w为惯性权重。
PSO算法是一种群体智能优化算法，主要应用于在所求问题的解空间中搜索出目标位置。经典的PSO算法首先假设D维搜索空间中有总数为m的粒子群，每个粒子都以一定的速度飞行，其中粒子i的当前位置为Xi＝(χi1,χi2,…,χiD)，飞行速度为Vi＝(νi1,νi2,…,νiD)。每个粒子都有一个由优化目标函数决定的适应值，根据粒子适应值的大小确定粒子个体最优位置pbesti＝(pbesti1,pbesti2,...,pbestiD)，以及整个粒子群所经历过的全局最优位置gbest＝(gbest1,gbest2,...,gbestD)。能够通过粒子个体的飞行经验以及群体的飞行经验，对粒子的飞行速度和位置进行动态更新。
为平衡全局搜索和局部搜索的性能，加快算法收敛速度，使算法在更新初期搜索能力较强，在后期搜索中逐渐收敛到较好区域，进行更精细的搜索，本文采用线性调整惯性权重w策略，其方程为：
其中w1，w2分别为初始惯性权重和终止惯性权重，t和T分别是当前更新代数以及最大更新代数。
在PCNN分割图像过程中运用PSO目的在于自动准确地搜索出解空间中最优位置，即PCNN模型的图像分割最优参数。
粒子群算法在更新迭代中，需要得到每个粒子的当前适应值来评价粒子位置的优劣，并作为粒子速度和位置更新的重要依据。而在待分割图像分割上，评价粒子位置的优劣就是评价分割图像结果的好坏。传统的PCNN分割标准一般采用的是比较信息熵，交叉熵，类间方差等，这些标准主要应用于搜索出图像分割的最佳阈值，在评价分割结果优劣上相对片面，不能有效利用PCNN模型的连接域和神经元抑制特性对图像进行更加准确具体地分割。为了在准确分割图像背景和目标的前提下，保留更多目标轮廓细节以及减少错误分割带来的噪点，本文提出一种综合的适应度函数，即综合评价准则。此适应度函数由交叉熵参数DM，边缘匹配EM以及噪点控制度NM构成。
交叉熵是用于度量分割图像与原图像之间的目标和背景两个概率分布之间的信息量差异，利用最小交叉熵准则能搜索出使分割前后图像目标和背景信息量差异最小的阈值。使用交叉熵作为综合评价之一，能够保证图像分割的准确性。交叉熵参数定义如下：
其中f是图像灰度值；h(f)是图像的灰度直方图；Z是灰度上限；t是假定阈值，可通过比较图像分割前后的累积直方图得到；u1(t)和u2(t)分别是背景和目标的类内均值；CE为交叉熵；DM为将交叉熵归一化处理后得到的评价交叉熵优劣的参数，DM越接近于1，分割阈值越优，分割越准确。
在PCNN模型中，由于其捕获特性和同步脉冲发放现象，多个相近灰度值神经元会在相同时刻点火，但实际中灰度值相同的像素点可能是目标也可能是背景，如何将这些像素点进行正确分割，对分割结果有着重要影响。考虑到边缘是图象分割的重要特征之一，可作为分割评价优劣的一个标准，为此本文引入边缘匹配度作为综合评价之一。利用边缘作为分割边界，引导神经元像素进行同步脉冲发放，将目标及目标的细节纹理逐一分割。
为了降低运算复杂度以及增强抗噪性能，本文采用微分算子进行边缘检测。梯度阈值使用最大类间差方法自适应得到。边缘匹配度为：
其中，Y_edge(i，j)为分割图像的二值化边缘像素，I_edge(i，j)为原图像的二值化边缘像素。EM值越大，分割图像保留细节越丰富。
为了让分割图像在保留目标轮廓细节基础上，不会因错误分割导致的噪点出现，引入噪点控制参数作为综合评价之一。若目标像素8-邻域范围内无其他目标像素，则将其视为不连续的分割点，即盐噪点。同样的，背景像素8-邻域范围内无其他背景像素，则视为为椒噪点。噪点控制度为
V(i，j)＝H*Y(m，n) (15)，
其中，Y(m,n)为包含当前像素Y(i,j)的8-邻域像素，V(i,j)为目标像素数，Smap为盐噪点标记图，Pmap为椒噪点标记图，Ν为图像总像素数，k为归一化控制参数，取值范围为(0,1)。NM值越大，分割图像受噪点影响越小。
为了能正确分割目标和背景，并兼顾目标整体轮廓和纹理细节，运用交叉熵参数，边缘匹配度以及噪点控制度等权重构成综合评价准则：
以CEC作为分割评价准则，CEC值越大，分割图像质量越好，利用PSO进行PCNN的参数寻优，即把综合评价CEC值作为PSO粒子群的适应值，其大小用于评定粒子位置的优劣，通过对比CEC值确定粒子i个体最优位置pbesti＝(pbesti1,pbesti2,...,pbestiD)和整个粒子群所经历过的全局最优位置gbest＝(gbest1,gbest2,...,gbestD)。
为了验证本发明的有效性和优越性，与其他PCNN分割算法进行对比实验。
图4为对细节较多的lena图像进行分割，其中图4(a)为lena原始图像，图4(b)为最大信息熵分割结果,图4(d)为PSO(MI)算法分割结果,二者在帽子和背部等区域出现了错误分割；图4(c)为交叉熵算法分割结果，在帽子顶端和鼻口等处有过分割现象；图4(e)所示的PSO(OTSU)方法能够准确分割出目标和背景，整体分割结果与图4(f)所示的本文算法(PSO自动获取最优参数为α＝5.6123,β＝-0.46381,n＝5)相似，但本文算法对面部轮廓，五官和帽穗纹理等细节信息保留更好。
图5是对两个目标图像Airship的分割结果。图5(a)为目标图像的原始图像，5(b)为最大信息熵分割结果，图5(d)为PSO(MI)算法分割结果，二者无法完整准确分割出目标和背景，引入了许多冗余信息。其他三种算法都正确将目标与背景分割开来，但由于目标表面灰度变化剧烈，图5(c)交叉熵算法和图5(e)所示的PSO(OTSU)方法在分割中小目标出现了明显断裂，大目标丢失了滑轮和机舱等处的细节信息。图5(f)为本文算法(PSO自动获取最优参数为α＝2.707,β＝-0.638,n＝6)分割结果，可以看到在准确分割出两个目标的前提下，很好地保留了目标滑轮和机舱的细节信息，保证了分割目标的完整性。
图6为对多目标Rice图像的分割，图6(a)为多目标Rice图像的原始图像，6(b)、(d)和(c)分别为最大熵，交叉熵以及PSO(MI)分割方法，三者都不同程度地出现了因错分导致的噪点。图6(e)为PSO(OTSU)方法，虽然控制了噪点，但在图像背景灰度较小的下部无法把每个米粒完整分割出。从图6(f)可以看到，本文算法(PSO自动获取最优参数为α＝2.9767，β＝-0.39531,n＝4)，将全部目标米粒完整分割出来，同时很好地抑制了噪点。
为了从数据上进行更加客观的对比，在本发明评价准则基础上，还可引入区域一致性、区域对比度、形状测度等通用分割性能评价指标，同时比较PCNN模型的迭代次数，从客观准则对算法进行对比分析，如表1、表2所示。
表1
表2
由表1可以看出，对于交叉熵参数，边缘匹配度和噪点控制度，本文算法在数据对比中都表现稳定或优于其他算法，在综合评价准则上最优。这反映在分割结果上表现为整体分割正确，抗噪能力强并且较好保留纹理细节。
从表2通用评价准则的数据对比中可以看出，本文算法在区域对比度和形状测度上都表现突出。由于对目标的分割除了保证其正确完整还考虑到细节的保留，因此在区域一致性上略有妥协但依然稳定。由这三项测度平均所得通用综合指标本文算法依然最优，分割较理想。
在算法效率上，最小交叉熵，最大信息熵，以及PSO(MI)算法的PCNN循环迭代次数较多，算法速度明显较慢。而PSO(OTSU)算法是预先设定好的5次迭代，非参数自适应，这样可能会导致解空间缩小，最优解游离于解空间范围外，得不到最优的分割结果。本文算法相比于其他自适应获取更新次数的方法，能更加快速地完成迭代，在解空间没有缩小的情况下，保证PCNN模型的运行效率。
基于上述基于PSO和综合评价准则的PCNN图分割方法，本发明还提供一种基于PSO和综合评价准则的PCNN图分割装置，其中，所述装置包括：
处理器，适于实现各指令；以及
存储装置，适于存储多条指令，所述指令适于由处理器加载并执行以下步骤：
输入初始待分割图像，将初始待分割图像经边缘处理后进行粒子群初始化；
获取粒子群的当前位置参数，并根据预设的PCNN改进型模型获取粒子群的每一粒子的综合评价值，并根据每一粒子的综合评价值获取与每一粒子对应的个体最优位置、及整个粒子群最优位置；
将粒子的个体最优位置、及整个粒子群最优位置带入预设的PSO算法，得到每一粒子的下一代更新速度以及更新后的位置；
当粒子群PSO算法中的更新代数大于5次时，则判断粒子群中粒子的最大综合评价值与前后5代内的差值是否小于预设的误差阈值，当粒子群中粒子的最大综合评价值与前后5代内的差值小于所述误差阈值时则执行将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果的步骤，当粒子群中粒子的最大综合评价值与前后5代内的差值大于或等于所述误差阈值时则执行判断当前更新代数是否小于粒子群初始化时所设置的粒子群最大更新代数的步骤；
将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果；
判断当前更新代数是否小于粒子群初始化时所设置的粒子群最大更新代数，若当前更新代数小于粒子群初始化时所设置的粒子群最大更新代数则返回执行获取粒子群的当前位置参数，并根据预设的PCNN改进型模型获取粒子群的每一粒子的综合评价值，并根据每一粒子的综合评价值获取与每一粒子对应的个体最优位置、及整个粒子群最优位置的步骤，若当前更新代数大于或等于粒子群初始化时所设置的粒子群最大更新代数则返回执行将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果的步骤。
具体实施例中，所述获取粒子群的当前位置参数，并根据预设的PCNN改进型模型获取粒子群的每一粒子的综合评价值，并根据每一粒子的综合评价值获取与每一粒子对应的个体最优位置、及整个粒子群最优位置的步骤具体包括：
获取粒子群的当前位置参数，当前位置参数包括阈值时间常数、连接系数、迭代次数；
根据预设的PCNN改进型模型获取粒子群的每一粒子的交叉熵参数、边缘匹配度和噪点控制度，并根据每一粒子的交叉熵参数、边缘匹配度和噪点控制度获取对应的综合评价值；
根据每一粒子的综合评价值，获取与每一粒子对应的个体最优位置及整个粒子群最优位置。
所述基于PSO和综合评价准则的PCNN图分割装置，其中，所述综合评价值为(交叉熵参数+边缘匹配度+噪点控制度)/3。
基于上述基于在线目标空间划分装置，本发明还提供一种存储介质，其中，其中存储有多条指令，所述指令适于由处理器加载并执行所述基于PSO和综合评价准则的PCNN图分割方法的步骤。
综上所述，本发明提出了基于PSO和综合评价准则的PCNN图分割方法及装置，算法在采用单调递增阈值搜索策略PCNN改进模型的基础上，提出以综合评价准则作为PSO的适应度函数，准确搜索出PCNN目标参数。该综合评价准则在利用最小交叉熵准则保证整体正确分割结果的同时，加入边缘匹配度，控制神经元像素沿着边缘纹理同步点火，保留更多细节，并使用噪点控制来保证分割图像的区域平滑性，提高抗噪能力，最终得到兼顾目标整体轮廓及纹理细节的理想分割结果。分割图像在综合评价和通用综合指标上均达到最优，客观评价结果与视觉主观评价相一致，算法具有较高的鲁棒性。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及本发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.一种基于PSO和综合评价准则的PCNN图分割方法，其特征在于，所述方法包括以下步骤：
S1、输入初始待分割图像；将初始待分割图像通过微分算子处理，得到边缘图像；设置PCNN图像分割模型参数寻优中的粒子群总数、粒子群最大更新代数、粒子群中每一粒子的维度、及当前位置参数，其中，当前位置参数包括阈值时间常数、连接系数、迭代次数；
S2、获取粒子群的当前位置参数，当前位置参数包括阈值时间常数、连接系数、迭代次数；根据预设的PCNN改进型模型获取粒子群的每一粒子的交叉熵参数、边缘匹配度和噪点控制度，并根据每一粒子的交叉熵参数、边缘匹配度和噪点控制度获取对应的综合评价值，其中，所述综合评价值为(交叉熵参数+边缘匹配度+噪点控制度)/3；根据每一粒子的综合评价值，获取与每一粒子对应的个体最优位置及整个粒子群最优位置；
S3、将粒子的个体最优位置、及整个粒子群最优位置带入预设的PSO算法，得到每一粒子的下一代更新速度以及更新后的位置；
S4、当粒子群PSO算法中的更新代数大于5次时，则判断粒子群中粒子的最大综合评价值与前后5代内的差值是否小于预设的误差阈值，当粒子群中粒子的最大综合评价值与前后5代内的差值小于所述误差阈值时则执行步骤S5，当粒子群中粒子的最大综合评价值与前后5代内的差值大于或等于所述误差阈值时则执行步骤S6；
S5、将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果；
S6、判断当前更新代数是否小于粒子群初始化时所设置的粒子群最大更新代数，若当前更新代数小于粒子群初始化时所设置的粒子群最大更新代数则返回执行步骤S2，若当前更新代数大于或等于粒子群初始化时所设置的粒子群最大更新代数则返回执行步骤S5。
2.根据权利要求1所述基于PSO和综合评价准则的PCNN图分割方法，其特征在于，所述PCNN改进型模型为：
Fij[n]＝Iij，
Lij[n]＝∑WijklYkl[n-1]，
Uij[n]＝Fij[n](1+βLij[n])，
其中，下标i，j为神经元标号；k，l为中心像素的邻域像素的标号，Fij为神经元的输入项，Lij为各神经元的连接输入，Uij为各神经元的内部活动项，Yij为各神经元的脉冲输出，Ykl为邻域神经元的脉冲输出，Eij为各神经元的动态阈值，n为当前模型的循环迭代次数，Iij为输入图像对应像素点的灰度值，β为内部活动项连接系数，E0为最大灰度值，g[n]为动态门限变换函数，a为阈值时间常数，c为一个底数常数，Wijkl为通过比较与中心像素的欧式距离归一化后得到的连接权重 矩阵。
3.根据权利要求1所述基于PSO和综合评价准则的PCNN图分割方法，其特征在于，所述PSO算法为：
vid(t+1)＝wvid(t)+c1r1(pbestid(t)-χid(t))+c2r2(gbestd(t)-χid(t))；
χid(t+1)＝χid(t)+vid(t+1)；
其中，i，d分别表示粒子标号和粒子群维度标号，t为PSO当前更新代数，vid(t)表示粒子i更新到t代时第d维的飞行速度分量，χid(t)表示粒子i更新到t代时第d维的飞行位置分量；pbestid(t)表示粒子i更新到t代时第d维的个体当前最优的位置分量；gbestd(t)表示粒子i更新到t代时全粒子群最优位置的第d维位置分量，c1为认知加速因子，c2为社会加速因子，r1为[0,1]的随机数，r2为[0,1]的随机数；w为惯性权重。
4.一种基于PSO和综合评价准则的PCNN图分割装置，其特征在于，包括：
处理器，适于实现各指令；以及
存储装置，适于存储多条指令，所述指令适于由处理器加载并执行以下步骤：
输入初始待分割图像；将初始待分割图像通过微分算子处理，得到边缘图像；设置PCNN图像分割模型参数寻优中的粒子群总数、粒子群最大更新代数、粒子群中每一粒子的维度、及当前位置参数，其中，当前位置参数包括阈值时间常数、连接系数、迭代次数；
获取粒子群的当前位置参数，当前位置参数包括阈值时间常数、连接系数、迭代次数；根据预设的PCNN改进型模型获取粒子群的每一粒子的交叉熵参数、边缘匹配度和噪点控制度，并根据每一粒子的交叉熵参数、边缘匹配度和噪点控制度获取对应的综合评价值，其中，所述综合评价值为(交叉熵参数+边缘匹配度+噪点控制度)/3；根据每一粒子的综合评价值，获取与每一粒子对应的个体最优位置及整个粒子群最优位置；
将粒子的个体最优位置、及整个粒子群最优位置带入预设的PSO算法，得到每一粒子的下一代更新速度以及更新后的位置；
当粒子群PSO算法中的更新代数大于5次时，则判断粒子群中粒子的最大综合评价值与前后5代内的差值是否小于预设的误差阈值，当粒子群中粒子的最大综合评价值与前后5代内的差值小于所述误差阈值时则执行将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果的步骤，当粒子群中粒子的最大综合评价值与前后5代内的差值大于或等于所述误差阈值时则执行判断当前更新代数是否小于粒子群初始化时所设置的粒子群最大更新代数的步骤；
将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果；
判断当前更新代数是否小于粒子群初始化时所设置的粒子群最大更新代数，若当前更新代数小于粒子群初始化时所设置的粒子群最大更新代数则返回执行获取粒子群的当前位置参数，当前位置参数包括阈值时间常数、连接系数、迭代次数，并根据预设的PCNN改进型模型获取粒子群的每一粒子的交叉熵参数、边缘匹配度和噪点控制度，并根据每一粒子的交叉熵参数、边缘匹配度和噪点控制度获取对应的综合评价值，其中，所述综合评价值为(交叉熵参数+边缘匹配度+噪点控制度)/3，并根据每一粒子的综合评价值，获取与每一粒子对应的个体最优位置及整个粒子群最优位置的步骤，若当前更新代数大于或等于粒子群初始化时所设置的粒子群最大更新代数则返回执行将粒子群中粒子的最大综合评价值对应的当前粒子位置作为目标位置，将目标位置对应的当前位置参数再次带入所述PCNN改进型模型，输出分割结果的步骤。
5.一种存储介质，其特征在于，其中存储有多条指令，所述指令适于由处理器加载并执行权利要求1-3任一项所述基于PSO和综合评价准则的PCNN图分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711096399.8A CN108038859B (zh) | 2017-11-09 | 2017-11-09 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711096399.8A CN108038859B (zh) | 2017-11-09 | 2017-11-09 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108038859A CN108038859A (zh) | 2018-05-15 |
| CN108038859B true CN108038859B (zh) | 2022-01-18 |
Family
ID=62093246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711096399.8A Expired - Fee Related CN108038859B (zh) | 2017-11-09 | 2017-11-09 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108038859B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986076A (zh) * | 2018-06-15 | 2018-12-11 | 重庆大学 | 一种基于pso优化pcnn的光伏阵列热斑检测方法 |
| CN109003270B (zh) * | 2018-07-23 | 2020-11-27 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
| CN109508662A (zh) * | 2018-11-01 | 2019-03-22 | 上海海事大学 | 一种矿用电机车行人安全监测方法及系统 |
| CN109523480B (zh) * | 2018-11-12 | 2022-05-06 | 上海海事大学 | 一种海雾图像的去雾方法、装置、计算机存储介质及终端 |
| WO2021109050A1 (zh) * | 2019-12-05 | 2021-06-10 | 惠州光弘科技股份有限公司 | 基于粒子群优化的smt焊点质量控制方法及系统 |
| CN111753853B (zh) * | 2020-07-08 | 2024-02-09 | 海南热带海洋学院 | 一种mpcnn-fast声呐图像特征点检测方法 |
| CN111863232B (zh) * | 2020-08-06 | 2021-02-19 | 深圳市柯尼达巨茂医疗设备有限公司 | 基于区块链和医学影像的远程疾病智能诊断系统 |
| CN112053378B (zh) * | 2020-09-04 | 2023-01-13 | 中原工学院 | 一种改进的pso优化pcnn模型的图像分割算法 |
| CN113205517B (zh) * | 2021-05-31 | 2023-04-07 | 中国民航大学 | 基于改进spcnn模型的机场跑道胶痕检测方法 |
| CN116703951B (zh) * | 2023-08-09 | 2023-10-20 | 成都理工大学 | 基于随机耦合神经网络的图像分割方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156945A (zh) * | 2014-07-16 | 2014-11-19 | 西安电子科技大学 | 基于多目标粒子群算法的灰度图像分割方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824291B (zh) * | 2014-02-24 | 2017-01-11 | 哈尔滨工程大学 | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 |
| CN104021536B (zh) * | 2014-06-16 | 2017-01-04 | 西北工业大学 | 一种自适应的sar图像和多光谱图像融合方法 |
| US10007971B2 (en) * | 2016-03-14 | 2018-06-26 | Sensors Unlimited, Inc. | Systems and methods for user machine interaction for image-based metrology |
-
2017
- 2017-11-09 CN CN201711096399.8A patent/CN108038859B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156945A (zh) * | 2014-07-16 | 2014-11-19 | 西安电子科技大学 | 基于多目标粒子群算法的灰度图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种参数自适应的PCNN图像分割算法;李东昇;《电子技术》;20141225;第43卷(第12期);正文第1-3页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108038859A (zh) | 2018-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038859B (zh) | 基于pso和综合评价准则的pcnn图分割方法及装置 | |
| Garcia-Lamont et al. | Segmentation of images by color features: A survey | |
| US9594977B2 (en) | Automatically selecting example stylized images for image stylization operations based on semantic content | |
| Pare et al. | An efficient method for multilevel color image thresholding using cuckoo search algorithm based on minimum cross entropy | |
| CN108648191B (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
| CN111353542A (zh) | 图像分类模型的训练方法、装置、计算机设备和存储介质 | |
| Harzallah et al. | Combining efficient object localization and image classification | |
| CN111445488B (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
| CN104156945B (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
| CN107492103A (zh) | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 | |
| CN108985268A (zh) | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 | |
| CN108229550A (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
| Majumdar et al. | Detection & Diagnosis of Plant Leaf Disease Using Integrated Image Processing Approach | |
| WO2023088174A1 (zh) | 目标检测方法及装置 | |
| CN114332539A (zh) | 针对类别不均衡数据集的网络训练方法 | |
| CN109740631A (zh) | 基于对象的obia-svm-cnn遥感影像分类方法 | |
| CN108550131A (zh) | 基于特征融合稀疏表示模型的sar图像车辆检测方法 | |
| Pramunendar et al. | New Workflow for Marine Fish Classification Based on Combination Features and CLAHE Enhancement Technique. | |
| Li et al. | Spatial kernel K-harmonic means clustering for multi-spectral image segmentation | |
| CN110991554B (zh) | 一种基于改进pca的深度网络图像分类方法 | |
| CN112926592A (zh) | 一种基于改进Fast算法的商标检索方法及装置 | |
| CN116912568A (zh) | 基于自适应类别均衡的含噪声标签图像识别方法 | |
| CN116071339A (zh) | 一种基于改进鲸鱼算法优化svm的产品缺陷识别方法 | |
| CN114092799A (zh) | 基于池化视觉Transformer林业害虫识别检测方法 | |
| CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220118 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |