CN110853067A - 一种基于变异型粒子群算法的图像边缘检测方法及装置 - Google Patents
一种基于变异型粒子群算法的图像边缘检测方法及装置 Download PDFInfo
- Publication number
- CN110853067A CN110853067A CN201911051500.7A CN201911051500A CN110853067A CN 110853067 A CN110853067 A CN 110853067A CN 201911051500 A CN201911051500 A CN 201911051500A CN 110853067 A CN110853067 A CN 110853067A
- Authority
- CN
- China
- Prior art keywords
- particle
- particle swarm
- image
- gray
- image edge
- 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.)
- Pending
Links
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
- G06T7/13—Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General 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
本发明提供一种基于变异型粒子群算法的图像边缘检测方法及装置,能够提高边缘检测效果和检测效率。所述方法包括:S101,初始化粒子群、最大的迭代次数及图像边缘的灰度阈值;S102,根据图像中像素灰度值与灰度阈值之间的关系,计算粒子适应度,选择适应度大的粒子进入下一代;S103,根据当前迭代次数动态调整变异概率,根据调整后的变异概率,对选择的粒子执行变异操作,并更新粒子的位置;S104,判断当前迭代次数是否达到最大的迭代次数,若是,则获取粒子群最优解得出对应的灰度阈值,否则,返回执行S102;S105,根据得到的粒子群最优解对应的灰度阈值进行图像边缘检测。本发明涉及图像处理技术领域。
Description
技术领域
本发明涉及图像处理技术领域,特别是指一种基于变异型粒子群算法的图像边缘检测方法及装置。
背景技术
边缘检测在图象处理中具有重要的意义,它是模式识别和图像理解系统的前处理阶段,是影响整个系统性能的一个关键因素.经典的边缘检测方法多基于原始图像像素附近的数值导数,例如,基于灰度梯度算子的边缘检测方法。
基于灰度梯度算子的边缘检测方法需要基于先验知识来确定图像边缘的灰度阈值,然而先验知识往往是基于以往的经验总结出来的,并不能很好地适应不同的情况,其处理结果很大程度上依赖预设的灰度阈值,导致边缘检测效果差;且基于灰度梯度算子的边缘检测方法在实际应用过程中实现较为复杂,运算量较大,因此基于灰度梯度算子的边缘检测方法的检测效率低下。
发明内容
本发明要解决的技术问题是提供一种基于变异型粒子群算法的图像边缘检测方法及装置,以解决现有技术所存在的基于灰度梯度算子的边缘检测方法的边缘检测效果差和检测效率低下的问题。
为解决上述技术问题,本发明实施例提供一种基于变异型粒子群算法的图像边缘检测方法,包括:
S101,初始化粒子群、最大的迭代次数及图像边缘的灰度阈值;
S102,根据图像中像素灰度值与灰度阈值之间的关系,计算粒子适应度,选择适应度大的粒子进入下一代;
S103,根据当前迭代次数动态调整变异概率,根据调整后的变异概率,对选择的粒子执行变异操作,并更新粒子的位置;
S104,判断当前迭代次数是否达到最大的迭代次数,若是,则获取粒子群最优解得出对应的灰度阈值,否则,返回执行S102;
S105,根据得到的粒子群最优解对应的灰度阈值进行图像边缘检测。
进一步地,粒子适应度表示为:
f(t)=w1(t)*w2(t)*(u1(t)-u2(t))2
其中,t表示图像边缘的灰度阈值,w1(t)表示图像中灰度值小于t的像素的个数,w2(t)表示图像中灰度值大于t的像素的个数,u1(t)表示图像中灰度值小于t的像素的平均灰度值,u2(t)表示图像中灰度值大于t的像素的平均灰度值。
进一步地,变异概率的调整公式表示为:
其中,PM表示变异概率,PMmax、PMmin分别表示最大变异率和最小变异率,kmax表示最大的迭代次数,k表示当前迭代次数。
进一步地,粒子位置的更新公式为:
其中,r1和r2都表示随机数;k表示当前迭代次数;Pi=(pi1,pi2,…,piD)T为当前第i个粒子搜寻到的最优位置,上标T表示矩阵转置,d取值范围为[1,D],D为搜寻的维度;Pg=(pg1,pg2,…,pgD)T为当前整个粒子群所搜寻到的最优位置;Vi=(vi1,vi2,…,viD)T为第i个粒子所搜寻到的位置; 表示第i个粒子在第k次迭代中d维度上的搜索速度,表示第i个粒子在第k-1次迭代中d维度上的搜索速度;c1、c2都表示加速系数。
本发明实施例还提供一种基于变异型粒子群算法的图像边缘检测装置,包括:
初始模块,用于初始化粒子群、最大的迭代次数及图像边缘的灰度阈值;
选择模块,用于根据图像中像素灰度值与灰度阈值之间的关系,计算粒子适应度,选择适应度大的粒子进入下一代;
变异模块,用于根据当前迭代次数动态调整变异概率,根据调整后的变异概率,对选择的粒子执行变异操作,并更新粒子的位置;
确定模块,用于判断当前迭代次数是否达到最大的迭代次数,若是,则获取粒子群最优解得出对应的灰度阈值,否则,返回执行选择模块;
检测模块,用于根据得到的粒子群最优解对应的灰度阈值进行图像边缘检测。
进一步地,粒子适应度表示为:
f(t)=w1(t)*w2(t)*(u1(t)-u2(t))2
其中,t表示图像边缘的灰度阈值,w1(t)表示图像中灰度值小于t的像素的个数,w2(t)表示图像中灰度值大于t的像素的个数,u1(t)表示图像中灰度值小于t的像素的平均灰度值,u2(t)表示图像中灰度值大于t的像素的平均灰度值。
进一步地,变异概率的调整公式表示为:
其中,PM表示变异概率,PMmax、PMmin分别表示最大变异率和最小变异率,kmax表示最大的迭代次数,k表示当前迭代次数。
进一步地,粒子位置的更新公式为:
其中,r1和r2都表示随机数;k表示当前迭代次数;Pi=(pi1,pi2,…,piD)T为当前第i个粒子搜寻到的最优位置,上标T表示矩阵转置,d取值范围为[1,D],D为搜寻的维度;Pg=(pg1,pg2,…,pgD)T为当前整个粒子群所搜寻到的最优位置;Vi=(vi1,vi2,…,viD)T为第i个粒子所搜寻到的位置; 表示第i个粒子在第k次迭代中d维度上的搜索速度,表示第i个粒子在第k-1次迭代中d维度上的搜索速度;c1、c2都表示加速系数。
本发明的上述技术方案的有益效果如下:
上述方案中,初始化粒子群、最大的迭代次数及图像边缘的灰度阈值;根据图像中像素灰度值与灰度阈值之间的关系,计算粒子适应度,选择适应度大的粒子进入下一代;根据当前迭代次数动态调整变异概率,根据调整后的变异概率,对选择的粒子执行变异操作,并更新粒子的位置;判断当前迭代次数是否达到最大的迭代次数,若是,则获取粒子群最优解得出对应的灰度阈值,否则,返回执行计算粒子适应度的操作;根据得到的粒子群最优解对应的灰度阈值进行图像边缘检测。这样,所述变异型粒子群算法不仅不依赖先验知识,而且具有较强的自适应型和自主学习能力,能够从全局并发求解灰度阈值,较好地规避局部最优值,保持粒子群的多样性,将变异型粒子群算法用于图像边缘检测中,能够提高边缘检测效果和检测效率。
附图说明
图1为本发明实施例提供的基于变异型粒子群算法的图像边缘检测方法的流程示意图;
图2为本发明实施例提供的基于变异型粒子群算法的图像边缘检测装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的基于灰度梯度算子的边缘检测方法的边缘检测效果差和检测效率低下的问题,提供一种基于变异型粒子群算法的图像边缘检测方法及装置。
为了更好地理解本发明实施例所述的基于变异型粒子群算法的图像边缘检测方法,先对传统的粒子群优化算法进行简要说明:
在传统的粒子群优化算法中,首先随机初始化一群粒子,而每个粒子则代表一个候选解,并通过适应度函数来评价各个候选解的优劣;在每次的搜寻过程中,各个粒子通过跟随两个“榜样”在整个候选解空间中进行搜索:一个是粒子自身到目前为止所搜寻到的最优值,即局部最优解;另一个是整个粒子群到目前为止所搜寻到的最优值,即全局最优解。由于每次搜寻都是在之前搜寻的最优结果的基础上进行的进一步搜索,所以随着迭代次数的不断增加,整个群体搜寻的结果质量也会不断提升。然而,在实际的搜寻过程中,如果某个粒子得到了到目前为止粒子群所发现的最优值,那么其他粒子也将快速向该粒子靠拢,但该粒子所发现的最优值往往是局部最优解,所以这将很有可能导致整个算法陷入局部最优解的现象。随着迭代次数的增加,整个粒子群的多样性会急剧降低,从而导致整个群体的进化动力大大减小,致使最终获得的解的质量将不尽人意。
需要强调的是:
传统的粒子群优化算法没有遗传操作如交叉(crossover)和变异(mutation),而是根据自己的速度来决定搜索。
实施例一
如图1所示,本发明实施例提供的基于变异型粒子群算法的图像边缘检测方法,包括:
S101,初始化粒子群、最大的迭代次数及图像边缘的灰度阈值;
S102,根据图像中像素灰度值与灰度阈值之间的关系,计算粒子适应度,选择适应度大的粒子进入下一代;
S103,根据当前迭代次数动态调整变异概率,根据调整后的变异概率,对选择的粒子执行变异操作,并更新粒子的位置;
S104,判断当前迭代次数是否达到最大的迭代次数,若是,则获取粒子群最优解得出对应的灰度阈值,否则,返回执行S102;
S105,根据得到的粒子群最优解对应的灰度阈值进行图像边缘检测。
本发明实施例所述的基于变异型粒子群算法的图像边缘检测方法,初始化粒子群、最大的迭代次数及图像边缘的灰度阈值;根据图像中像素灰度值与灰度阈值之间的关系,计算粒子适应度,选择适应度大的粒子进入下一代;根据当前迭代次数动态调整变异概率,根据调整后的变异概率,对选择的粒子执行变异操作,并更新粒子的位置;判断当前迭代次数是否达到最大的迭代次数,若是,则获取粒子群最优解得出对应的灰度阈值,否则,返回执行计算粒子适应度的操作;根据得到的粒子群最优解对应的灰度阈值进行图像边缘检测。这样,所述变异型粒子群算法不仅不依赖先验知识,而且具有较强的自适应型和自主学习能力,能够从全局并发求解灰度阈值,较好地规避局部最优值,保持粒子群的多样性,将变异型粒子群算法用于图像边缘检测中,能够提高边缘检测效果和检测效率。
本实施例中,每个粒子表示一个图像,为了尽可能保持粒子群的多样性,阻止粒子群优化算法陷入局部最优解,提高粒子群优化算法搜寻的质量和速度,将变异操作引入到传统的粒子群优化算法之中,形成变异型粒子群算法,以提高变异型粒子群算法搜寻的质量和速度,在应用变异型粒子群算法求解图像边缘的灰度阈值时,变异型粒子群算法将利用迭代过程中得到的反馈信息(包括:粒子局部最优位置、粒子群全局最优位置和粒子适应度)自行调节并发搜索过程,所以本实施例提供的基于变异型粒子群算法的图像边缘检测方法,不仅能够获取较优的边缘检测效果,而且具有较高的检测效率。
本实施例中,并发搜索过程体现在于每个粒子都是同时的去搜寻自身的最优位置。
本实施例中,粒子适应度可以采用最大类间方差函数计算获得,表示为:
f(t)=w1(t)*w2(t)*(u1(t)-u2(t))2
其中,t表示图像边缘的灰度阈值,w1(t)表示图像中灰度值小于t的像素的个数,w2(t)表示图像中灰度值大于t的像素的个数,u1(t)表示图像中灰度值小于t的像素的平均灰度值,u2(t)表示图像中灰度值大于t的像素的平均灰度值。
本实施例中,在变异型粒子群算法中,变异概率是非常关键的因素,它对变异型粒子群算法的执行效率和结果都有非常大的影响,为了更好地处理图像边缘检测问题,随着求解过程的不断推进,对变异概率进行动态调整,从而达到自适应的目的。
本实施例中,变异概率的调整公式表示为:
其中,PM表示变异概率,PMmax、PMmin分别表示最大变异率和最小变异率,kmax表示最大的迭代次数,k表示当前迭代次数。
本实施例中,PMmax可以取0.08,PMmin可以取0.05。
本实施例中,粒子位置的更新公式为:
其中,r1和r2都表示[0,1]区间的随机数;k表示当前迭代次数;Pi=(pi1,pi2,…,piD)T为当前第i个粒子搜寻到的最优位置(粒子局部最优位置),上标T表示矩阵转置,d取值范围为[1,D],D为搜寻的维度,例如,D取10;Pg=(pg1,pg2,…,pgD)T为当前整个粒子群所搜寻到的最优位置(粒子群全局最优位置);Vi=(vi1,vi2,…,viD)T为第i个粒子所搜寻到的位置; 表示第i个粒子在第k次迭代中d维度上的搜索速度,表示第i个粒子在第k-1次迭代中d维度上的搜索速度;c1、c2都表示加速系数,例如,c1、c2取2。
本实施例中,利用迭代法,确定粒子群最优解对应的灰度阈值,具体可以包括以下步骤:
A1,确定粒子群最优解对应的图像(简称:最优解图像)的最大灰度值和最小灰度值,分别记为Pmax和Pmin,得到用于图像边缘检测的初始灰度阈值T1=(Pmax+Pmin)/2;
A2,根据灰度阈值T(k)将最优解图像分割为前景和背景,分别求出前景和背景的平均灰度值H1和H2,得到灰度阈值T(k+1)=(H1+H2)/2;其中,k=1,2...,K,k表示当前迭代次数,K表示最大迭代次数;
A3,若T(k)=T(k+1),则所得即为最终的用于图像边缘检测的灰度阈值;否则,k=k+1,返回步骤A2继续执行。
实施例二
本发明还提供一种基于变异型粒子群算法的图像边缘检测装置的具体实施方式,由于本发明提供的基于变异型粒子群算法的图像边缘检测装置与前述基于变异型粒子群算法的图像边缘检测方法的具体实施方式相对应,该基于变异型粒子群算法的图像边缘检测装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的,因此上述基于变异型粒子群算法的图像边缘检测方法具体实施方式中的解释说明,也适用于本发明提供的基于变异型粒子群算法的图像边缘检测装置的具体实施方式,在本发明以下的具体实施方式中将不再赘述。
如图2所示,本发明实施例还提供一种基于变异型粒子群算法的图像边缘检测装置,包括:
初始模块,用于初始化粒子群、最大的迭代次数及图像边缘的灰度阈值;
选择模块,用于根据图像中像素灰度值与灰度阈值之间的关系,计算粒子适应度,选择适应度大的粒子进入下一代;
变异模块,用于根据当前迭代次数动态调整变异概率,根据调整后的变异概率,对选择的粒子执行变异操作,并更新粒子的位置;
确定模块,用于判断当前迭代次数是否达到最大的迭代次数,若是,则获取粒子群最优解得出对应的灰度阈值,否则,返回执行选择模块;
检测模块,用于根据得到的粒子群最优解对应的灰度阈值进行图像边缘检测。
本发明实施例所述的基于变异型粒子群算法的图像边缘检测装置
在前述基于变异型粒子群算法的图像边缘检测装置的具体实施方式中,进一步地,粒子适应度表示为:
f(t)=w1(t)*w2(t)*(u1(t)-u2(t))2
其中,t表示图像边缘的灰度阈值,w1(t)表示图像中灰度值小于t的像素的个数,w2(t)表示图像中灰度值大于t的像素的个数,u1(t)表示图像中灰度值小于t的像素的平均灰度值,u2(t)表示图像中灰度值大于t的像素的平均灰度值。
在前述基于变异型粒子群算法的图像边缘检测装置的具体实施方式中,进一步地,变异概率的调整公式表示为:
其中,PM表示变异概率,PMmax、PMmin分别表示最大变异率和最小变异率,kmax表示最大的迭代次数,k表示当前迭代次数。
在前述基于变异型粒子群算法的图像边缘检测装置的具体实施方式中,进一步地,粒子位置的更新公式为:
其中,r1和r2都表示随机数;k表示当前迭代次数;Pi=(pi1,pi2,…,piD)T为当前第i个粒子搜寻到的最优位置,上标T表示矩阵转置,d取值范围为[1,D],D为搜寻的维度;Pg=(pg1,pg2,…,pgD)T为当前整个粒子群所搜寻到的最优位置;Vi=(vi1,vi2,…,viD)T为第i个粒子所搜寻到的位置; 表示第i个粒子在第k次迭代中d维度上的搜索速度,表示第i个粒子在第k-1次迭代中d维度上的搜索速度;c1、c2都表示加速系数。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
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,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于变异型粒子群算法的图像边缘检测方法,其特征在于,包括:
S101,初始化粒子群、最大的迭代次数及图像边缘的灰度阈值;
S102,根据图像中像素灰度值与灰度阈值之间的关系,计算粒子适应度,选择适应度大的粒子进入下一代;
S103,根据当前迭代次数动态调整变异概率,根据调整后的变异概率,对选择的粒子执行变异操作,并更新粒子的位置;
S104,判断当前迭代次数是否达到最大的迭代次数,若是,则获取粒子群最优解得出对应的灰度阈值,否则,返回执行S102;
S105,根据得到的粒子群最优解对应的灰度阈值进行图像边缘检测。
2.根据权利要求1所述的基于变异型粒子群算法的图像边缘检测方法,其特征在于,粒子适应度表示为:
f(t)=w1(t)*w2(t)*(u1(t)-u2(t))2
其中,t表示图像边缘的灰度阈值,w1(t)表示图像中灰度值小于t的像素的个数,w2(t)表示图像中灰度值大于t的像素的个数,u1(t)表示图像中灰度值小于t的像素的平均灰度值,u2(t)表示图像中灰度值大于t的像素的平均灰度值。
5.一种基于变异型粒子群算法的图像边缘检测装置,其特征在于,包括:
初始模块,用于初始化粒子群、最大的迭代次数及图像边缘的灰度阈值;
选择模块,用于根据图像中像素灰度值与灰度阈值之间的关系,计算粒子适应度,选择适应度大的粒子进入下一代;
变异模块,用于根据当前迭代次数动态调整变异概率,根据调整后的变异概率,对选择的粒子执行变异操作,并更新粒子的位置;
确定模块,用于判断当前迭代次数是否达到最大的迭代次数,若是,则获取粒子群最优解得出对应的灰度阈值,否则,返回执行选择模块;
检测模块,用于根据得到的粒子群最优解对应的灰度阈值进行图像边缘检测。
6.根据权利要求5所述的基于变异型粒子群算法的图像边缘检测装置,其特征在于,粒子适应度表示为:
f(t)=w1(t)*w2(t)*(u1(t)-u2(t))2
其中,t表示图像边缘的灰度阈值,w1(t)表示图像中灰度值小于t的像素的个数,w2(t)表示图像中灰度值大于t的像素的个数,u1(t)表示图像中灰度值小于t的像素的平均灰度值,u2(t)表示图像中灰度值大于t的像素的平均灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911051500.7A CN110853067A (zh) | 2019-10-31 | 2019-10-31 | 一种基于变异型粒子群算法的图像边缘检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911051500.7A CN110853067A (zh) | 2019-10-31 | 2019-10-31 | 一种基于变异型粒子群算法的图像边缘检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110853067A true CN110853067A (zh) | 2020-02-28 |
Family
ID=69599451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911051500.7A Pending CN110853067A (zh) | 2019-10-31 | 2019-10-31 | 一种基于变异型粒子群算法的图像边缘检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110853067A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561905A (zh) * | 2020-12-24 | 2021-03-26 | 上海精测半导体技术有限公司 | 有图形晶圆的图像优化方法、复检方法和复检设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392919A (zh) * | 2017-06-29 | 2017-11-24 | 上海斐讯数据通信技术有限公司 | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 |
CN107993241A (zh) * | 2017-11-15 | 2018-05-04 | 上海斐讯数据通信技术有限公司 | 一种基于改进型遗传算法的图像边缘检测的方法及系统 |
WO2018157272A1 (zh) * | 2017-02-28 | 2018-09-07 | 江南大学 | 一种基于改进的烟花算法进行图像处理的方法 |
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 |
-
2019
- 2019-10-31 CN CN201911051500.7A patent/CN110853067A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018157272A1 (zh) * | 2017-02-28 | 2018-09-07 | 江南大学 | 一种基于改进的烟花算法进行图像处理的方法 |
CN107392919A (zh) * | 2017-06-29 | 2017-11-24 | 上海斐讯数据通信技术有限公司 | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 |
CN107993241A (zh) * | 2017-11-15 | 2018-05-04 | 上海斐讯数据通信技术有限公司 | 一种基于改进型遗传算法的图像边缘检测的方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
蒋先刚: "《数字图像模式识别工程项目研究》", 31 March 2014, 西南交通大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561905A (zh) * | 2020-12-24 | 2021-03-26 | 上海精测半导体技术有限公司 | 有图形晶圆的图像优化方法、复检方法和复检设备 |
CN112561905B (zh) * | 2020-12-24 | 2023-11-14 | 上海精测半导体技术有限公司 | 有图形晶圆的图像优化方法、复检方法和复检设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064514B (zh) | 一种基于投影点坐标回归的六自由度位姿估计方法 | |
CN109242878B (zh) | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 | |
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 | |
CN109740113B (zh) | 超参数阈值范围确定方法、装置、存储介质及电子设备 | |
CN110992365B (zh) | 一种基于图像语义分割的损失函数及其设计方法 | |
CN111583311B (zh) | 一种pcba快速图像匹配方法 | |
CN110827299B (zh) | 一种基于哈里斯鹰优化算法的图像分割方法 | |
CN110399917B (zh) | 一种基于超参数优化cnn的图像分类方法 | |
CN107240100B (zh) | 一种基于遗传算法的图像分割方法和系统 | |
CN110378932B (zh) | 一种基于空间正则矫正的相关滤波视觉跟踪方法 | |
CN110853067A (zh) | 一种基于变异型粒子群算法的图像边缘检测方法及装置 | |
CN108596926A (zh) | 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 | |
CN111145221A (zh) | 一种基于多层深度特征提取的目标跟踪算法 | |
CN110969639B (zh) | 一种基于lfmvo优化算法的图像分割方法 | |
CN110070120B (zh) | 基于判别采样策略的深度度量学习方法及系统 | |
CN111553926A (zh) | 一种基于二维Tsallis灰度熵快速迭代的阈值分割方法 | |
CN107507210B (zh) | 一种基于遗传算法的图像边缘检测方法及装置 | |
Hong et al. | Improved mean shift segmentation approach for natural images | |
CN109785331B (zh) | 基于自适应像素值约束和mrf的声呐图像分割方法 | |
CN108564593A (zh) | 一种基于变异型粒子群算法的图像分割方法及系统 | |
CN109977878B (zh) | 基于重加权Anchor的车辆检测方法 | |
CN108875630B (zh) | 一种基于视频的雨天环境下移动目标检测方法 | |
CN111062380A (zh) | 一种基于rfcn算法改进的目标检测方法 | |
CN111104877B (zh) | 通用动量方法、基于通用动量方法的目标检测与识别方法 | |
CN117635506B (zh) | 一种基于AI赋能Mean Shift算法的图像增强方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |
|
RJ01 | Rejection of invention patent application after publication |