CN110310297A - 一种基于多分辨率搜索粒子群算法的图像分割方法及系统 - Google Patents
一种基于多分辨率搜索粒子群算法的图像分割方法及系统 Download PDFInfo
- Publication number
- CN110310297A CN110310297A CN201910528944.9A CN201910528944A CN110310297A CN 110310297 A CN110310297 A CN 110310297A CN 201910528944 A CN201910528944 A CN 201910528944A CN 110310297 A CN110310297 A CN 110310297A
- Authority
- CN
- China
- Prior art keywords
- search
- optimal
- particle swarm
- algorithm
- image
- 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.)
- Granted
Links
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多分辨率搜索粒子群算法的图像分割方法及系统,所述方法包括:计算待分割图像的灰度直方图;根据所述灰度直方图,利用多分辨率搜索的粒子群算法获取最优灰度阈值;根据所述最优灰度阈值对所述待分割图像进行分割。本发明通过采用多分辨率搜索的粒子群算法进行多阈值图像分割,在分辨率较低时能够大大缩小搜索空间的范围,从而使得算法需要很少的迭代次数便能够收敛,而调高分辨率后的搜索是在原有优秀解的基础上开展,这大幅提升了求解的效率;本发明采用了标准粒子群和合作粒子群算法配合搜索,实现粗略搜索和精细搜索的结合,从而增强算法的搜索能力,进而有效提升了优化算法在求解图像多阈值分割问题中的优化效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种基于多分辨率搜索粒子群算法的图像分割方法及系统。
背景技术
人类从外部获取信息,绝大部分是通过视觉,而通过视觉获得的信息主要包括各类图像和视频等,因此相应的图像图形处理对于人类的信息交换具有重要的意义。
图像特征提取和识别等的前期重要处理包括图像分割,对图像进行分割后,才能有效开展后期的图像分析和图像理解等工作。图像分割有多种方法,其中的阈值分割法因实现简单、运算效率高而成为一种被广泛使用的图像分割方法,而阈值的确定是阈值分割法的最终分割效果的关键,然而要在图像的全灰度范围内搜索一个最佳的多阈值组合,采用穷举搜索的效率非常低。
现有的基于最大类间方差等各种准则的阈值分割方法,采用了包括遗传算法、蚁群算法、粒子群算法等启发式算法来搜索满足相应准则的搜索方法,这样虽然不一定能搜索到全局最优解,但是能以较少的时间得到一个次优解,这在大部分应用中都是可以接受的。然而目前基于这些启发式算法的多阈值分割方法存在着或收敛速度慢,或容易早熟收敛等缺陷。现有技术有的采用了较为被广为接受的分割准则(如OTSU),但是采用的变异策略的随机性太强,虽然具有一定跳出局部最优的可能,但是这跟随机搜索的区别并不大,对于算法的效率来说提升空间并不大。还有的现有技术虽然采用了一种自适应调整的惯性权重方法,但是实际上惯性权重对于粒子群算法的影响有限,只要是逐渐减小的,其效果与标准粒子群算法相比差异不大。
综上,现有的优化算法在求解图像多阈值分割问题中存在着优化效果不佳的问题。
发明内容
本发明实施例提供了一种基于多分辨率搜索粒子群算法的图像分割方法及系统,能够通过提升算法在进行图像多阈值分割时的搜索效率,从而提升优化算法在求解图像多阈值分割问题中的优化效果。
为了解决上述技术问题,本发明实施例提供了一种基于多分辨率搜索粒子群算法的图像分割方法,包括:
计算待分割图像的灰度直方图;
根据所述灰度直方图,利用多分辨率搜索的粒子群算法获取最优灰度阈值;
根据所述最优灰度阈值对所述待分割图像进行分割。
进一步地,所述利用多分辨率搜索的粒子群算法获取最优灰度阈值,具体包括:
设定算法的搜索阶段个数为S;其中,S≥2;
在第一搜索阶段,利用标准粒子群算法以预设的第一分辨率进行搜索并计算得到第一最优值;
在第j搜索阶段,基于第j-1搜索阶段计算所得的最优值,采用合作粒子群算法以预设的第j分辨率进行搜索,得到所述第j分辨率下的最优阈值;其中,S≥j≥2;
重复上一步骤,在完成第S搜索阶段之后,根据所述第S搜索阶段计算所得的最优值获取最优灰度阈值。
进一步地,所述分辨率为随所述搜索阶段的增加而提高。
为了解决相同的技术问题,本发明还提供了一种基于多分辨率搜索粒子群算法的图像分割系统,包括计算模块、最优阈值获取模块和图像分割模块;
所述计算模块,用于计算待分割图像的灰度直方图;
最优阈值获取模块,用于根据所述灰度直方图,利用多分辨率搜索的粒子群算法获取最优灰度阈值;
所述图像分割模块,用于根据所述最优灰度阈值对所述待分割图像进行分割。
进一步地,最优阈值获取模块包括:
搜索阶段设定单元,用于设定算法的搜索阶段个数为S;其中,S≥2;
第一计算单元,用于在第一搜索阶段,利用标准粒子群算法以预设的第一分辨率进行搜索并计算得到第一最优值;
第二计算单元,用于在第j搜索阶段,基于第j-1搜索阶段计算所得的最优值,采用合作粒子群算法以预设的第j分辨率进行搜索,得到所述第j分辨率下的最优阈值;其中,S≥j≥2;
最优阈值获取单元,用于在完成第S搜索阶段之后,根据所述第S搜索阶段计算所得的最优值获取最优灰度阈值。
进一步地,所述分辨率为随所述搜索阶段的增加而提高。
相比于现有技术,本发明具有如下有益效果:
本发明提出了一种基于多分辨率搜索粒子群算法的图像分割方法及系统,所述方法包括步骤:计算待分割图像的灰度直方图;根据所述灰度直方图,利用多分辨率搜索的粒子群算法获取最优灰度阈值;根据所述最优灰度阈值对所述待分割图像进行分割。本发明通过采用多分辨率搜索的粒子群算法进行多阈值图像分割,在分辨率较低时能够大大缩小搜索空间的范围,从而使得算法需要很少的迭代次数便能够收敛,进而大幅提升了求解的效率;同时,本发明采用了标准粒子群和合作粒子群算法配合搜索,实现粗略搜索和精细搜索的结合,从而增强了算法的搜索能力,进而有效提升了优化算法在求解图像多阈值分割问题中的优化效果。
附图说明
图1是本发明实施例一提供的基于多分辨率搜索粒子群算法的图像分割方法的流程示意图;
图2是本发明实施例一提供的粒子位置矢量示意图;
图3是本发明实施例一提供的利用多分辨率搜索的粒子群算法获取最优灰度阈值的流程示意图;
图4是本发明实施例一提供的基于多分辨率搜索粒子群算法的图像分割系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,本发明实施例提供了一种基于多分辨率搜索粒子群算法的图像分割方法,包括:
步骤S1、计算待分割图像的灰度直方图;
步骤S2、根据所述灰度直方图,利用多分辨率搜索的粒子群算法获取最优灰度阈值;
步骤S3、根据所述最优灰度阈值对所述待分割图像进行分割。
在本发明实施例中,需要说明的是,目前利用改进粒子群算法来实现图像多阈值分割的技术存在着搜索效率不高,与标准粒子群算法相比优化性能提升不明显等情况。并且由于其一般都采用整数编码,变化的最小单位是1,例如在8位图像中即灰度级范围是256级的情况下,若无法穷举搜空间的所有位置,算法很容易会陷入局部最优。
目前的用于灰度阈值搜索的算法设计,并没有考虑搜索空间本身的特性,相当多的算法的设计是基于能提升求解通用问题的性能,而实际上,通过对搜索空间本身进行分析,进而设计与搜索空间的特性具有较高匹配性的算法,是求解具体问题的一个重要方向。
本发明针对现有的优化算法在求解图像多阈值分割问题中存在对问题本身的特性没有分析利用、优化效果不佳的问题,提出一种基于多分辨率搜索粒子群算法的多阈值图像分割方法。通过采用多分辨率搜索的粒子群算法进行多阈值图像分割,在分辨率较低时能够大大缩小搜索空间的范围,从而使得算法需要很少的迭代次数便能够收敛,进而大幅提升了求解的效率;同时,本发明采用了标准粒子群和合作粒子群算法配合搜索,实现粗略搜索和精细搜索的结合,从而增强了算法的搜索能力,进而有效提升了优化算法在求解图像多阈值分割问题中的优化效果。
可以理解的是,粒子群算法是仿真鸟群觅食的过程,其同时存在多个潜在解并且互相协作,每个潜在解被称为一个粒子,这些粒子在问题的决策空间进行飞行搜索以期找到最优的位置。每个粒子在飞行过程中基于自身及其它粒子的搜索经历来不断调整自身的位置。具体而言,粒子在搜索空间的状态可以用两个矢量来表示:当前位置的D维矢量x=(x1,x2,…,xD)和当前速度的D维矢量v=(v1,v2,…,vD),粒子在每次迭代中的位置更新基于以下两个方程:
其中i=1,2,…,N(N是种群大小),及分别是粒子i在第t代的速度及位置向量。及gbestt分别是在第t代的粒子i的粒子个体最优位置和粒子群最优位置。c1及c2是两个分别被称为认知权重和社会权重的正整数系数。r1及r2是两个均匀分布在[0,1]之间的随机D维矢量参数,ω是惯性权重。
需要说明的是,标准粒子群算法是将每个粒子的速度和位置矢量作为一个整体来更新。而合作粒子群算法则把每个粒子的每个分量当作一个单独的个体来看待,计算目标函数值时,以整个种群的最优gbest为基准,将每个粒子的每个分量分别代入到gbest中计算目标函数值,如果某个粒子的某个分量代入到gbest中得到的目标函数值比用这个粒子的pbest的相应分量代入到gbest中得到的目标函数值要优,则用这个分量更新pbest的相应分量;而如果某个粒子的某个分量代入到gbest中得到的目标函数值比保留gbest的相应分量得到的目标函数值要优,则直接用这个分量更新gbest的相应分量。很明显,合作粒子群算法能避免将粒子作为一个整体来更新导致的“进两步退一步”的问题,但是增加了算法的目标函数评估次数,比较适合于需要精细搜索的场合。
需要说明的是,在采用粒子群算法来求解相应的图像多阈值分割问题,首先要选取分割准则,本发明选用了kapur熵作为分割准则。
在本发明实施例中,对于一个给定的图像,考虑其具有L个灰度级,从0到L-1。并且设h(i)为灰度i在图像中出现的次数,N是图像的像素总和,设灰度值i的出现概率:
pi=h(i)/N
假设有m个阈值t=[t1,t2,…,tm],而这m个阈值会将目标图像分割成m+1个类:C0,C1,C2,…,Cm,而kapur熵准则是将下列式子进行最大化:
f(t1,t2,…,tm)=H0+H1+…+Hm (1)
其中:
本发明的粒子群算法是通过求解一个最优的阈值向量[t1,t2,…,tm]来将(1)式进行最大化。
粒子群算法中每个粒子的位置向量如图2所示,包含m个阈值。
需要说明的是,现有技术是采用整数编码使得位置矢量中的任意成员都是一个整数,通过反复的更新个体并计算其适应度值(目标函数值)。目前的方式是以整数的最小单位1为单位来更新阈值(即分辨率),由于在8位图像的灰度级范围是256级,因此现有技术的搜索效率并不高。
需要说明的是,搜索分辨率是本发明的一个关键概念。当以整数1为单位来更新阈值时,则搜索粒度最小(为1),即分辨率最高(为灰度级的总级数L),得到的阈值可以是任意整数。而当搜索粒度调高时,如调高为8,则以整数8的倍数来更新阈值,相当于搜索粒度为8,这也相当于将搜索空间的L级分割为L/8级,搜索分辨率也相应降低为L/8级。
本发明的关键在于,在求解时分成多个搜索阶段(例如可设为三个阶段),第一个搜索阶段采用标准粒子群算法,在分辨率较低(比如搜索粒度为12,即搜索分辨率为L/12)的情况下进行搜索,这样可以快速得到一个在当前分辨率下的最优解。在第二和第三阶段,在上一阶段所得到的最优解的基础上,进行搜索,并且将搜索粒度调小,比如第二阶段搜索粒度为6,此时搜索分辨率被相应调高为L/6,再采用合作粒子群算法实现精细搜索。
在每个分辨率下进行搜索,计算目标函数值(即式(1)的函数值)时,需将当前的粒子的位置矢量xi解码成相应的阈值数值,可以采用取搜索区间的中间值的方式:
其中tj表示第j个阈值,而xi,j表示粒子i的第j个位置分量,Rk是指第k个搜索粒度,是向下取整符号。比如当搜索粒度为8,即搜索分辨率为L/8时,当前粒子的位置矢量为[3,8,17,23],则相应的阈值可换算为[20,60,132,180]。当分辨率切换时,所有粒子的位置矢量和速度矢量,相应的pbest和gbest都需要换算成新的分辨率下的数值,换算方法如下:
其中表示第i个粒子的第j个位置分量在第k+1个搜索分辨率下的值,是向上取整符号。
分辨率切换的时候,所有粒子和相应的pbest和gbest换算为新的分辨率下的数值,再利用粒子群算法的个体更新方法对粒子的新位置进行计算和更新,由于相应的pbest和gbest等是在上一个分辨率下求得的优秀解,粒子的新位置更新是在这些优秀解的引导下完成,这实现了上一个分辨率的优秀解到当前分辨率的自然的平滑过渡。
在本发明实施例中,进一步地,所述利用多分辨率搜索的粒子群算法获取最优灰度阈值,具体包括:
设定算法的搜索阶段个数为S;其中,S≥2;
在第一搜索阶段,利用标准粒子群算法以预设的第一分辨率进行搜索并计算得到第一最优值;
在第j搜索阶段,基于第j-1搜索阶段计算所得的最优值,采用合作粒子群算法以预设的第j分辨率进行搜索,得到所述第j分辨率下的最优阈值;其中,S≥j≥2;
重复上一步骤,在完成第S搜索阶段之后,根据所述第S搜索阶段计算所得的最优值获取最优灰度阈值。
进一步地,所述分辨率为随所述搜索阶段的增加而提高。
请参见图3,在具体实施例中,需要说明的是,搜索的阶段可以根据实际设定为若干个阶段,阶段的数量可以是大于或等于2的正整数,其中每个搜索阶段对应采用一种分辨率进行搜索,并且分辨率随着搜索阶段的增加而升高。例如可以设定为3个搜索阶段,在第一搜索阶段采用标准粒子群算法,在分辨率较低(比如L/12)的情况下进行搜索,这样可以快速得到一个在当前分辨率下的最优值。在第二搜索阶段,在上一阶段所得到的最优解的基础上,进行搜索,并且将分辨率调高(比如L/6),再采用合作粒子群算法实现精细搜索;同理,在第三搜索阶段,在上一阶段所得到的最优解的基础上进行搜索,并且将分辨率调高(比如L/2),再采用合作粒子群算法实现精细搜索。
需要说明的是,本发明实施例提供的基于多分辨率搜索粒子群算法的多阈值图像分割方法具有搜索效率高,算法速度快的特点,当分辨率较低的时候,搜索空间的范围被大大缩小,如果分辨率为L,则在搜索空间的个体总数为当分辨率为L/12时,则在搜索空间中的个体总数为因此,在初始的搜索阶段只需要很少的迭代次数,算法就能收敛。当分辨率调高时,实现的是在原有最优结果基础上进行搜索,由于搜索范围有限,即使分辨率较高也能快速收敛。虽然可能不一定搜索到全局最优解,但是大多数进化算法都无法在工程问题上保证搜索到全局最优解,而牺牲一定的精度,来大幅提升效率,在工程问题上是有价值的。另一方面,通过采用标准粒子群和合作粒子群算法配合搜索,实现了粗略搜索和精细搜索的结合,算法的搜索能力得到有效的增强。
相比于现有技术,本发明通过采用多分辨率搜索的粒子群算法进行多阈值图像分割,在分辨率较低时能够大大缩小搜索空间的范围,从而使得算法需要很少的迭代次数便能够收敛,进而大幅提升了求解的效率;同时,本发明采用了标准粒子群和合作粒子群算法配合搜索,实现粗略搜索和精细搜索的结合,从而增强了算法的搜索能力,进而有效提升了优化算法在求解图像多阈值分割问题中的优化效果。
请参见图4,为了解决相同的技术问题,本发明还提供了一种基于多分辨率搜索粒子群算法的图像分割系统,包括计算模块1、最优阈值获取模块2和图像分割模块3;
所述计算模块1,用于计算待分割图像的灰度直方图;
最优阈值获取模块2,用于根据所述灰度直方图,利用多分辨率搜索的粒子群算法获取最优灰度阈值;
所述图像分割模块3,用于根据所述最优灰度阈值对所述待分割图像进行分割。
进一步地,最优阈值获取模块2包括:
搜索阶段设定单元,用于设定算法的搜索阶段个数为S;其中,S≥2;
第一计算单元,用于在第一搜索阶段,利用标准粒子群算法以预设的第一分辨率进行搜索并计算得到第一最优值;
第二计算单元,用于在第j搜索阶段,基于第j-1搜索阶段计算所得的最优值,采用合作粒子群算法以预设的第j分辨率进行搜索,得到所述第j分辨率下的最优阈值;其中,S≥j≥2;
最优阈值获取单元,用于在完成第S搜索阶段之后,根据所述第S搜索阶段计算所得的最优值获取最优灰度阈值。
进一步地,所述分辨率为随所述搜索阶段的增加而提高。
需要说明的是,本发明实施例提供的一种基于多分辨率搜索粒子群算法的图像分割系统对应于上述基于多分辨率搜索粒子群算法的图像分割方法,其工作原理和有益效果一一对应,此处不再赘述。
综上,相比于现有技术,本发明有益效果在于:
本发明实施例公开了一种基于多分辨率搜索粒子群算法的图像分割方法及系统,所述方法包括步骤:计算待分割图像的灰度直方图;根据所述灰度直方图,利用多分辨率搜索的粒子群算法获取最优灰度阈值;根据所述最优灰度阈值对所述待分割图像进行分割。本发明通过采用多分辨率搜索的粒子群算法进行多阈值图像分割,在分辨率较低时能够大大缩小搜索空间的范围,从而使得算法需要很少的迭代次数便能够收敛,进而大幅提升了求解的效率;同时,本发明采用了标准粒子群和合作粒子群算法配合搜索,实现粗略搜索和精细搜索的结合,从而增强了算法的搜索能力,进而有效提升了优化算法在求解图像多阈值分割问题中的优化效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种基于多分辨率搜索粒子群算法的图像分割方法,其特征在于,包括:
计算待分割图像的灰度直方图;
根据所述灰度直方图,利用多分辨率搜索的粒子群算法获取最优灰度阈值;
根据所述最优灰度阈值对所述待分割图像进行分割。
2.根据权利要求1所述的基于多分辨率搜索粒子群算法的图像分割方法,其特征在于,所述利用多分辨率搜索的粒子群算法获取最优灰度阈值,具体包括:
设定算法的搜索阶段个数为S;其中,S≥2;
在第一搜索阶段,利用标准粒子群算法以预设的第一分辨率进行搜索并计算得到第一最优值;
在第j搜索阶段,基于第j-1搜索阶段计算所得的最优值,采用合作粒子群算法以预设的第j分辨率进行搜索,得到所述第j分辨率下的最优阈值;其中,S≥j≥2;
重复上一步骤,在完成第S搜索阶段之后,根据所述第S搜索阶段计算所得的最优阈值获取最优灰度阈值。
3.根据权利要求2所述的基于多分辨率搜索粒子群算法的图像分割方法,其特征在于,所述分辨率为随所述搜索阶段的增加而提高。
4.一种基于多分辨率搜索粒子群算法的图像分割系统,其特征在于,包括计算模块、最优阈值获取模块和图像分割模块;
所述计算模块,用于计算待分割图像的灰度直方图;
最优阈值获取模块,用于根据所述灰度直方图,利用多分辨率搜索的粒子群算法获取最优灰度阈值;
所述图像分割模块,用于根据所述最优灰度阈值对所述待分割图像进行分割。
5.根据权利要求4所述的基于多分辨率搜索粒子群算法的图像分割系统,其特征在于,最优阈值获取模块包括:
搜索阶段设定单元,用于设定算法的搜索阶段个数为S;其中,S≥2;
第一计算单元,用于在第一搜索阶段,利用标准粒子群算法以预设的第一分辨率进行搜索并计算得到第一最优值;
第二计算单元,用于在第j搜索阶段,基于第j-1搜索阶段计算所得的最优值,采用合作粒子群算法以预设的第j分辨率进行搜索,得到所述第j分辨率下的最优阈值;其中,S≥j≥2;
最优阈值获取单元,用于在完成第S搜索阶段之后,根据所述第S搜索阶段计算所得的最优值获取最优灰度阈值。
6.根据权利要求5所述的基于多分辨率搜索粒子群算法的图像分割系统,其特征在于,所述分辨率为随所述搜索阶段的增加而提高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910528944.9A CN110310297B (zh) | 2019-06-17 | 2019-06-17 | 一种基于多分辨率搜索粒子群算法的图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910528944.9A CN110310297B (zh) | 2019-06-17 | 2019-06-17 | 一种基于多分辨率搜索粒子群算法的图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110310297A true CN110310297A (zh) | 2019-10-08 |
CN110310297B CN110310297B (zh) | 2023-02-03 |
Family
ID=68076775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910528944.9A Active CN110310297B (zh) | 2019-06-17 | 2019-06-17 | 一种基于多分辨率搜索粒子群算法的图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310297B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127501A (zh) * | 2019-12-03 | 2020-05-08 | 重庆邮电大学 | 基于多粒度遗传算法的图像分割方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100183225A1 (en) * | 2009-01-09 | 2010-07-22 | Rochester Institute Of Technology | Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof |
CN102663100A (zh) * | 2012-04-13 | 2012-09-12 | 西安电子科技大学 | 一种两阶段混合粒子群优化聚类方法 |
CN102903113A (zh) * | 2012-10-08 | 2013-01-30 | 南京邮电大学 | 基于协作量子粒子群算法的多阈值图像分割方法 |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
CN104268869A (zh) * | 2014-09-23 | 2015-01-07 | 中山大学 | 一种基于粒子群算法的多级分辨率遥感影像自动配准方法 |
CN104978738A (zh) * | 2014-04-09 | 2015-10-14 | 鹦鹉股份有限公司 | 检测数字图像中的兴趣点的方法 |
CN107424165A (zh) * | 2017-08-11 | 2017-12-01 | 潘荣兰 | 一种有效的图像分割系统 |
EP3383088A1 (en) * | 2017-03-31 | 2018-10-03 | Telefonica Digital España, S.L.U. | A computer implemented method, a system and computer programs to quantify the performance of a network |
-
2019
- 2019-06-17 CN CN201910528944.9A patent/CN110310297B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100183225A1 (en) * | 2009-01-09 | 2010-07-22 | Rochester Institute Of Technology | Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof |
CN102663100A (zh) * | 2012-04-13 | 2012-09-12 | 西安电子科技大学 | 一种两阶段混合粒子群优化聚类方法 |
CN102903113A (zh) * | 2012-10-08 | 2013-01-30 | 南京邮电大学 | 基于协作量子粒子群算法的多阈值图像分割方法 |
CN104978738A (zh) * | 2014-04-09 | 2015-10-14 | 鹦鹉股份有限公司 | 检测数字图像中的兴趣点的方法 |
CN104268869A (zh) * | 2014-09-23 | 2015-01-07 | 中山大学 | 一种基于粒子群算法的多级分辨率遥感影像自动配准方法 |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
EP3383088A1 (en) * | 2017-03-31 | 2018-10-03 | Telefonica Digital España, S.L.U. | A computer implemented method, a system and computer programs to quantify the performance of a network |
CN107424165A (zh) * | 2017-08-11 | 2017-12-01 | 潘荣兰 | 一种有效的图像分割系统 |
Non-Patent Citations (4)
Title |
---|
HAO GAO 等: "Multilevel Thresholding for Image Segmentation Through an Improved Quantum-Behaved Particle Swarm Algorithm", 《IEEE,HTTPS://IEEEXPLORE.IEEE.ORG/DOCUMENT/5286275》 * |
HAO GAO 等: "Multilevel Thresholding for Image Segmentation Through an Improved Quantum-Behaved Particle Swarm Algorithm", 《IEEE,HTTPS://IEEEXPLORE.IEEE.ORG/DOCUMENT/5286275》, 1 April 2010 (2010-04-01), pages 934 - 946, XP011283632, DOI: 10.1109/TIM.2009.2030931 * |
杜清福: "合作式粒子群优化算法", 《太赫兹科学与电子信息学报》, vol. 14, no. 2, 25 April 2016 (2016-04-25), pages 276 - 281 * |
杨震伦 等: "基于改进量子粒子群优化的多阈值图像分割算法", 《华南理工大学学报 ( 自然科学版 )》, vol. 43, no. 5, 30 May 2015 (2015-05-30), pages 126 - 131 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127501A (zh) * | 2019-12-03 | 2020-05-08 | 重庆邮电大学 | 基于多粒度遗传算法的图像分割方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110310297B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A technique of three-level thresholding based on probability partition and fuzzy 3-partition | |
CN111881714B (zh) | 一种无监督跨域行人再识别方法 | |
Sathya et al. | PSO-based Tsallis thresholding selection procedure for image segmentation | |
Popat et al. | Cluster-based probability model and its application to image and texture processing | |
CN111738301A (zh) | 一种基于双通道学习的长尾分布图像数据识别方法 | |
CN110245783B (zh) | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 | |
Liu et al. | Exploiting sample correlation for crowd counting with multi-expert network | |
Wang et al. | Fusion of clonal selection algorithm and harmony search method in optimisation of fuzzy classification systems | |
Wozniak et al. | A multiscale image compressor with rbfnn and discrete wavelet decomposition | |
CN107730523A (zh) | 一种基于粒子群算法的图像分割方法及系统 | |
CN107169983A (zh) | 基于交叉变异人工鱼群算法的多阈值图像分割方法 | |
CN110310297A (zh) | 一种基于多分辨率搜索粒子群算法的图像分割方法及系统 | |
Kanungo et al. | Parallel genetic algorithm based adaptive thresholding for image segmentation under uneven lighting conditions | |
CN111210454B (zh) | 基于并行鸽群算法的Otsu图像分割方法 | |
CN109447997A (zh) | 一种自适应文化算法的水下声纳图像目标分割方法 | |
Park et al. | AN EFFECTIVE COLOR QUANTIZATION METHOD USING COLOR IMPORTANCE-BASED SELF-ORGANIZING MAPS. | |
CN113052136A (zh) | 一种基于改进Faster RCNN的行人检测方法 | |
Pétrowski et al. | A classification tree for speciation | |
CN108564593A (zh) | 一种基于变异型粒子群算法的图像分割方法及系统 | |
CN109949312A (zh) | 一种基于搜索边界自适应调整算法的图像分割方法及系统 | |
CN112347842B (zh) | 一种基于关联图的离线人脸聚类方法 | |
Wong et al. | Improvement of the cluster searching algorithm in Sugeno and Yasukawa’s qualitative modeling approach | |
Huang et al. | An improved algorithm for medical image segmentation | |
Deng et al. | An improved ant colony optimization applied to attributes reduction | |
Shen et al. | An improved two-dimensional entropic thresholding method based on ant colony genetic algorithm |
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 |