CN110969639B - 一种基于lfmvo优化算法的图像分割方法 - Google Patents
一种基于lfmvo优化算法的图像分割方法 Download PDFInfo
- Publication number
- CN110969639B CN110969639B CN201911150487.0A CN201911150487A CN110969639B CN 110969639 B CN110969639 B CN 110969639B CN 201911150487 A CN201911150487 A CN 201911150487A CN 110969639 B CN110969639 B CN 110969639B
- Authority
- CN
- China
- Prior art keywords
- universe
- image
- lfmvo
- image segmentation
- optimal
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000003709 image segmentation Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 22
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,特别涉及一种基于莱维多元宇宙(LFMVO)优化算法的图像分割方法,包括输入图片;获取图像的灰度值范围并绘制灰度直方图;根据图像的灰度值范围利用LFMVO优化算法得到待分割的最佳阈值;对待分割图像进行分割。本发明应用的基于LFMVO算法的图像分割方法不仅可以产生更高质量的分割结果,而且具有较高的稳定性。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种基于莱维多元宇宙(LFMVO)优化算法的图像分割方法,即一种基于LFMVO优化算法的图像分割方法。
背景技术
在日常生活中,人们往往对图像中的某些部分感兴趣,这些感兴趣的部分一般对应图像中特定的、具有独特性质的区域。而图像分割的目的就是将图像分割成各具特性的区域并提取出感兴趣目标的过程。近年来,对图像分割的研究一直是图像处理技术研究中的热点,人们对其关注和投入不断提高,它是图像处理过程中的一个重要步骤。
现存的存各种图像分割方法包括基于聚类的方法、基于阈值的方法和基于区域的方法。其中,基于阈值的方法由于其简单且易于实现而在许多领域中被广泛使用。基于阈值的方法的主要任务是获得最佳阈值。通常,通过最小化或最大化标准函数来工作,该标准函数使用所选择的阈值作为参数来找出最佳阈值。
并行区域分割技术是一种阈值分割法,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的灰度阈值将所有像素归为两大类,灰度值大于阈值的像素为一类,灰度值小于阈值的像素为一类,灰度值等于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。但该技术需要基于先验知识来确定图像中的灰度阈值,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,因此并行区域分割技术的自适应性和稳定性往往不尽人意。
近几年来,随着应用数学和信息科学的发展,出现了各种新的群体智能优化算法,其中许多算法已成功应用于多级阈值处理。例如,用于多级阈值图像分割的鲸鱼优化算法(WOA)和飞蛾优化算法(MFO),以及用于多级图像阈值处理的修改离散灰狼优化(GWO)算法。
受天体物理学理论的启发,多元宇宙优化算法(MVO)首先由Mirjalili等人在2015年提出,该算法描述了大爆炸是如何产生多元以及宇宙如何相互作用的。该算法需要的参数很少,并且在许多优化问题中表现良好。然而,在多级阈值处理中,该算法的收敛性和后期局部开发的能力并不突出。
为了消除上述缺陷,我们在本发明中提出了一种改进的MVO算法,该算法将levy飞行策略引入到原始MVO算法中(LFMVO)。它不仅可以增强算法初始阶段的全局探索能力,而且可以避免算法在后期陷入局部优化。
发明内容
为了提高多阈值分割的效率,解决复杂图像分割不准确的问题,本发明提出了一种基于LFMVO优化算法的图像分割方法,它不仅可以产生更高质量的分割结果,而且具有较高的稳定性。
一种基于LFMVO优化算法的图像分割方法,
包括以下步骤:
步骤1获取待分割图像的灰度级数的概率分布;
步骤2根据所述图像的概率分布范围,采用LFMVO优化算法得到图像分割的最佳阈值;
步骤3根据所述图像分割的最佳阈值,对待分割图像进行分割。
其中,步骤2具体步骤如下:
步骤2.01,根据所述图像的概率分布范围,初始化多元宇宙U,WEP,TDR,最佳宇宙BestU,并令当前迭代次数t为1;
假设
其中,U为随机创建的宇宙;d是变量维度;n为宇宙数;
步骤2.02,计算各宇宙膨胀速率,进行排序,归一化,得到归一化的膨胀速率;
步骤2.03,若随机生成一个随机数rand1,小于归一化的膨胀速率(适应度);进入步骤2.04,否则进入步骤2.05;
步骤2.04,根据轮盘赌机制选出排序后的白洞序号,从中选取适应度最好的个体交换其维度,各个宇宙和和白洞的维度交换公式如下:
本发明中适应度越大越好,也就是比较之后,适应度最大的即认为是最好的适应度。
步骤2.05,若随机生成一个0~1的数rand2小于WEP,则进入步骤2.06,否则进入步骤2.07;
步骤2.06,宇宙黑洞通过虫洞穿越到最优宇宙周围,宇宙群体的位置更新由最优宇宙和TDR参数进行更新,得到更新后的一组备选解;
步骤2.07,更新WEP,TDR参数,多元宇宙重新组合;
TDR和WEP的更新公式如下:
其中,max和min是预先设定的最大值和最小值,L是迭代的总数,l是当前的迭代;
其中,p表示局部搜索精度,p值越高,局部挖掘越准确;
即,经过一个循环之后所有的多元宇宙的位置都得到了更新,得到更新后的宇宙位置。
步骤2.08,使用levy flight机制产生一组备选解;
步骤2.09,将当前多元宇宙作为新一代多元宇宙并更新迭代次数(迭代次数加一);
步骤2.10,若当前迭代次数没有达到预设的最大迭代次数,则返回步骤2.02,否则,当前最优宇宙Ui的位置即为所述图像分割的最佳阈值;
具体的步骤2.06还包括以下步骤:
步骤2.06.1,若随机生成一个0~1的数rand3小于0.5,则进入步骤2.06.2,否则进入步骤2.06.3;
步骤2.06.2,黑洞在最优宇宙附近以TDR倍率正向搜索;
步骤2.06.3,黑洞在最优宇宙附近以TDR倍率负向搜索;
黑洞维度的更新公式如下:
其中xj表示最佳宇宙的jth变量,TDR是更新移动距离率,WEP是虫洞存在概率,表示jth变量的上边界,是下边界。是在jth变量中的ith宇宙,rand2,rand3,rand4表示[0,1]内的随机数。
具体的步骤2.08还包括以下步骤:
步骤2.08.1,利用levy flight得到待选的宇宙Ulevy;利用levy flight得到待选解Ulevy的公式如下:
Levy(s)~|s|-1-β,0<β≤2
其中,β是控制稳定性的levy指数,s是变量;随着levy flight的引入,宇宙的更新公式如下:
其中,Γ是标准的Gamma函数和β=1.5;
步骤2.08.2,计算并判断Ulevy的膨胀率是否大于Ui的膨胀率,若是,则进入
步骤2.08.3,否则进入步骤2.09;
计算膨胀速率(适应度)的公式(应用shannon熵)如下:
[T1,T2,...,TM]=argmax[H1+H2+...+Hm+1],
p1,p2,...,pm+1是m+1个部分的概率。
膨胀速率的计算,是把个体带入到目标函数会计算得到一个适应度值,个体是指产生的宇宙群体里的每个宇宙,这里把解个体抽象成了宇宙个体,目标函数是指上述熵公式,也就是估计最佳阈值的函数。
步骤2.08.3,比较levyflight产生的备选解和步骤2.06中产生的备选解的适应度值,保留具有最优适应度值的一组解作为当前代的更新;
与现有技术相比,本发明具有以下有益效果:
1.本发明首次将多元宇宙优化算法(MVO)与Levy飞行策略结合,得到LFMVO优化算法,利用这种LFMVO优化算法得到图像分割的最佳阈值,提高了多阈值分割的效率,解决了图像分割不准确的问题;
2.本发明LFMVO优化算法的图像分割方法不仅可以产生更高质量的分割结果,而且具有较高的稳定性。
3.MVO算法具有结构简单,收敛快速的优点。对于解决图像多阈值分割这类维度较低的问题具有一定的优势,本发明引入Levy飞行机制则可以解决MVO算法存在的过早收敛的问题。
除了上面所述的本发明解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的优点外,本发明的复杂图像多阈值分割方法所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的优点,将结合附图作出进一步详细的说明。
附图说明
图1是本发明基于LFMVO优化算法的图像分割方法的流程简图;
图2是本发明基于LFMVO优化算法的图像分割方法具体实施流程图;
图3是实施例中以图像16077和106024(伯克利大学图像分割数据库(BSD-500)中的两张图片)为例分别给出了两阈值分割下各个算法的效果的对比图;
图4是实施例中以图像16077为例分别给出了两阈值分割下各个算法的收敛图;
图5是实施例中图像16077的灰度直方图和图像106024的灰度直方图;
图6是本发明算法分割图像16077和图像106024后的结果图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例1:
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明的目的是提供一种基于LFMVO优化算法的图像分割方法。
为使本发明的上述目的、特征及优点更为简单易懂,下面结合附图和具体实施方式对本发明做进一步说明。
在本发明的一个实施例中,如图1、图2所示,一种基于LFMVO优化算法的图像分割方法,包括以下步骤:
步骤1,获取待分割图像的灰度级数的概率分布,得到所述图像的概率分布范围,以伯克利大学图像分割数据库中任意两张图片,16077和106024为例,他们的灰度直方图如图5所示,并对应求出各自图片中各灰度级数占总像素的概率;
步骤2,采用LFMVO优化算法对目标函数Shannon熵寻优,得到最佳的分割图像的阈值,以五阈值分割为例,若需要得到最优的五个分割阈值就需要使得上述步骤2.08.2中的值达到最大,此时对应的两个阈值即为最佳阈值。此时为降低计算量则使用LFMVO算法进行寻优,最终找到的用来分割图片的阈值为:图像16077的两个阈值为:98,173,图像106024的两个阈值为:106,198;
步骤3,根据所述图像分割的最佳阈值,对待分割图像进行分割。两个阈值会将图片分为三个部分,每个部分都用一个相同的灰度级数代替。由上面步骤2获得的最佳阈值分割图像,最终得到图像如图6所示。图3记录了不同优化算法得到的分割结果,各算法分割的结果图没有出现失真,故而实验结果是可信的。图4则反映了各优化算法的收敛能力,可以很明显的看到,改进后的MVO算法收敛更快且没有陷入局部最优。
其中,步骤2的具体步骤如下:
步骤2.01,根据所述图像的概率分布范围,初始化多元宇宙U,WEP,TDR,最佳宇宙BestU,并令当前迭代次数t为1;
步骤2.02,计算各宇宙膨胀速率,进行排序,标准化,得到标准化膨胀率;
步骤2.03,若随机生成一个随机数rand1,小于标准化膨胀率(适应度);进入步骤2.04,否则进入步骤2.05;
步骤2.04,依轮盘赌选出排序后的白洞序号,宇宙黑洞和白洞交换维度;
步骤2.05,若随机生成一个0~1的数rand2小于WEP,则进入步骤2.06,否则进入步骤2.07;
步骤2.06,黑洞通过虫洞穿越到最优宇宙周围,黑洞维度在最有宇宙附近通过TDR参数进行更新;
步骤2.07,更新WEP,TDR参数,多元宇宙重新组合;
步骤2.08,利用levy flight对多元宇宙进行优化;
步骤2.09,将当前多元宇宙作为新一代多元宇宙并更新迭代次数(迭代次数加一);
步骤2.10,若当前迭代次数没有达到预设的最大迭代次数,则返回步骤2.02,否则当前最优宇宙Ui的位置即为所述图像分割的最佳阈值。
需要说明的是,黑洞是代表一个解,黑洞维度就是解的维度,一个五元函数的解肯定是五维的,这里黑洞维度的更新是指一个解中部分维度的更新,黑洞的更新是整个解位置的更新。
本发明提供的LFMVO优化算法的图像分割方法不仅可以产生更高质量的分割结果,而且具有较高的稳定性,与现有方法相比具有明显优越性。
通过本发明的结果与其他三种现有技术GWO,PSO,WOA和原始MVO算法做对比来验证LFMVO的优越性。
由表1可知,LFMVO算法在获得这些图像的目标函数值的最大值时超过了其他算法。可以注意到,LFMVO算法在大多数情况下可以实现最佳值。在这8个不同条件的测试中,LFMVO算法获得了8次最佳结果,而其他算法最多只能获得3次最佳结果。在大多数情况下,可以很容易地看出所提出的LFMVO获得的std值低于其他算法。使用LFMVO的std结果在2.80E-16到1.08E-04之间变化,而其他算法从5.38E-15变化到1.23E-03。结果表明,引入飞行策略有助于LFMVO算法不仅可以提高高维函数的优化能力,而且可以提供更稳定的结果。
表1各优化算法结果的平均值与标准差
为了验证LFMVO优化算法的优越性,以下通过通常用于估计图像质量的分割结果的峰值信噪比(PSNR)和结构相似性指数(SSIM)来同其他算法做对比。PSNR是客观指标,PSNR值越高,分割图像越接近原始图像。SSIM与原始图像和分割结果之间的视觉相似度的亮度和结构有关,SSIM的值越高,分割图像与原始图像之间的结构和视觉相似性越高,它可以反映人眼的主观感受。
由表2和表3可知,与其他算法相比,可以注意到,在不同阈值数的情况下,所提出的LFMVO算法具有优越的度量值,尤其是当阈值数为4或5时。这证明在相同条件下基于LFMVO算法的多级阈值化结果不仅客观地保留了更多的信息,而且在主观印象上也有更合理的结构。
表2平均PSNR值和标准偏差(STD)
表3平均SSIM值和标准偏差(STD)
从图4收敛子图中能够看出,LFMVO算法和WOA算法的收敛性都比较好,这两种算法基本都在第20次迭代前就能够收敛甚至更快,而其他算法则要50次之后才能收敛。结合表一的最终寻优结果来看,虽然WOA的表现也很好但最终得到的结果均值即寻优的精度要低于LFMVO。这是由于LFMVO算法具有更为复杂的位置更新策略以应对更多可能出现的情况。故而算法的收敛性上WOA>LFMVO>GWO>MVO>PSO,而算法的寻优精度和稳定性上LFMVO>WOA>PSO>MVO>GWO。
综上所述,本发明提出的LFMVO优化算法来得到图像分割的最佳阈值不仅可以产生更高质量的分割结果,而且具有较高的稳定性。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于LFMVO优化算法的图像分割方法,其特征在于,
包括如下步骤:
步骤1,获取待分割图像的灰度级数的概率分布;
步骤2,根据所述图像的概率分布范围,采用LFMVO优化算法得到图像分割的最佳阈值;
步骤3,根据所述图像分割的最佳阈值,对待分割图像进行分割;
所述步骤2的具体实现包括如下子步骤:
步骤2.01,根据所述图像的概率分布范围,初始化多元宇宙U,WEP,TDR,最佳宇宙BestU,并令当前迭代次数t为1;
步骤2.02,计算各宇宙膨胀速率,进行排序,归一化,得到归一化的膨胀速率;
步骤2.03,若随机生成一个随机数rand1,小于归一化的膨胀速率;进入步骤2.04,否则进入步骤2.05;
步骤2.04,依轮盘赌选出排序后的白洞序号,宇宙黑洞和白洞交换维度;
步骤2.05,若随机生成一个0~1的数rand2小于WEP,则进入步骤2.06,否则进入步骤2.07;
步骤2.06,宇宙黑洞通过虫洞穿越到最优宇宙周围,黑洞维度在最优宇宙附近通过TDR参数进行更新;
步骤2.07,更新WEP,TDR参数,多元宇宙重新组合;
步骤2.08,利用levy flight对多元宇宙进行优化;
步骤2.09,将当前多元宇宙作为新一代多元宇宙并更新迭代次数,迭代次数加一;
步骤2.10,若当前迭代次数没有达到预设的最大迭代次数,则返回步骤2.02,否则,当前最优宇宙Ui的位置即为所述图像分割的最佳阈值。
2.根据权利要求1所述的一种基于LFMVO优化算法的图像分割方法,其特征在于:
所述步骤2.06还包括以下步骤:
步骤2.06.1,若随机生产一个0~1的数rand3小于0.5,则进入步骤2.06.2,否则进入步骤2.06.3;
步骤2.06.2,黑洞在最优宇宙附近以TDR倍率正向搜索;
步骤2.06.3,黑洞在最优宇宙附近以TDR倍率负向搜索。
3.根据权利要求1所述的一种基于LFMVO优化算法的图像分割方法,其特征在于:
所述步骤2.08还包括以下步骤:
步骤2.08.1,利用levy flight得到待选宇宙Ulevy;
步骤2.08.2,计算并判断Ulevy的膨胀率是否大于Ui的膨胀率,若是,则进入步骤2.08.3,否则进入步骤2.09;
步骤2.08.3,当前的宇宙替换为Ulevy。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911150487.0A CN110969639B (zh) | 2019-11-21 | 2019-11-21 | 一种基于lfmvo优化算法的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911150487.0A CN110969639B (zh) | 2019-11-21 | 2019-11-21 | 一种基于lfmvo优化算法的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969639A CN110969639A (zh) | 2020-04-07 |
CN110969639B true CN110969639B (zh) | 2023-03-21 |
Family
ID=70031210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911150487.0A Active CN110969639B (zh) | 2019-11-21 | 2019-11-21 | 一种基于lfmvo优化算法的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969639B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111600303A (zh) * | 2020-06-15 | 2020-08-28 | 湘潭大学 | 一种基于改进多元宇宙算法的并网型风/光/储微电网优化配置方法 |
CN111932556A (zh) * | 2020-08-11 | 2020-11-13 | 中国科学院微小卫星创新研究院 | 一种多级阈值图像分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 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 |
CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
CN109886976A (zh) * | 2019-02-19 | 2019-06-14 | 湖北工业大学 | 一种基于灰狼优化算法的图像分割方法及系统 |
CN109886979A (zh) * | 2019-02-27 | 2019-06-14 | 安徽理工大学 | 基于改进布谷鸟优化法的图像多阈值分割方法 |
-
2019
- 2019-11-21 CN CN201911150487.0A patent/CN110969639B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 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 |
CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
CN109886976A (zh) * | 2019-02-19 | 2019-06-14 | 湖北工业大学 | 一种基于灰狼优化算法的图像分割方法及系统 |
CN109886979A (zh) * | 2019-02-27 | 2019-06-14 | 安徽理工大学 | 基于改进布谷鸟优化法的图像多阈值分割方法 |
Non-Patent Citations (2)
Title |
---|
赵凤 ; 孔令润 ; .多目标混合优化的阈值图像分割.2019,(05),全文. * |
鲍小丽 ; 贾鹤鸣 ; 郎春博 ; 彭晓旭 ; 康立飞 ; 李金夺 ; .正余弦优化算法在多阈值图像分割中的应用.2019,(04),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110969639A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Variational few-shot learning | |
Unnikrishnan et al. | Toward objective evaluation of image segmentation algorithms | |
Sznitman et al. | Active testing for face detection and localization | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
WO2022179241A1 (zh) | 一种缺失条件下的高斯混合模型聚类机器学习方法 | |
CN110851645A (zh) | 一种基于深度度量学习下相似性保持的图像检索方法 | |
CN106815842A (zh) | 一种改进的基于超像素的图像显著性检测方法 | |
CN110969639B (zh) | 一种基于lfmvo优化算法的图像分割方法 | |
CN111310768B (zh) | 基于鲁棒性背景先验和全局信息的显著性目标检测方法 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN105740915A (zh) | 一种融合感知信息的协同分割方法 | |
CN112132841B (zh) | 医疗图像切割方法及装置 | |
CN106157330A (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
Yang et al. | Color texture segmentation based on image pixel classification | |
CN113642655B (zh) | 基于支持向量机和卷积神经网络的小样本图像分类方法 | |
CN110188864B (zh) | 基于分布表示和分布度量的小样本学习方法 | |
CN111611293A (zh) | 一种基于特征加权与MapReduce的离群数据挖掘方法 | |
CN114202694A (zh) | 基于流形混合插值和对比学习的小样本遥感场景图像分类方法 | |
CN108510080A (zh) | 一种基于dwh模型对多关系型数据的多角度度量学习方法 | |
Zhao et al. | Mixture modeling with pairwise, instance-level class constraints | |
CN107247996A (zh) | 一种应用于异分布数据环境的主动学习方法 | |
CN108304546B (zh) | 一种基于内容相似度和Softmax分类器的医学图像检索方法 | |
CN108446740B (zh) | 一种用于脑影像病历特征提取的多层一致协同方法 | |
CN112818884B (zh) | 一种人群计数方法 | |
CN105139422A (zh) | 一种自解释目标跟踪方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |