CN112200812A - 多阈值图像的二维分割方法 - Google Patents

多阈值图像的二维分割方法 Download PDF

Info

Publication number
CN112200812A
CN112200812A CN202011048219.0A CN202011048219A CN112200812A CN 112200812 A CN112200812 A CN 112200812A CN 202011048219 A CN202011048219 A CN 202011048219A CN 112200812 A CN112200812 A CN 112200812A
Authority
CN
China
Prior art keywords
image
slime
value
optimal
representing
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
Application number
CN202011048219.0A
Other languages
English (en)
Other versions
CN112200812B (zh
Inventor
刘佳聪
周汉峰
涂嘉泽
叶卓滨
计烨涛
陈慧灵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN202011048219.0A priority Critical patent/CN112200812B/zh
Priority to CN202310654617.4A priority patent/CN116612136A/zh
Publication of CN112200812A publication Critical patent/CN112200812A/zh
Application granted granted Critical
Publication of CN112200812B publication Critical patent/CN112200812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/11—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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 Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种多阈值图像的二维分割方法包括以下步骤：(1)输入图像并初始化；(2)利用原始图像生成灰度图像；(3)结合非局部均值滤波，生成非局部均值滤波图像；(4)根据灰度图像和非局部均值滤波图像构造对应的二维直方图；(5)基于构造的二维直方图，以Kapur熵作为目标函数，利用改进黏菌算法寻找最优分割阈值；(6)基于获得的最优阈值对图像进行分割，并输出分割结果；本发明操作效率高、分割效果好。

Description

多阈值图像的二维分割方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种多阈值图像的二维分割方法。
背景技术
图像的识别以及理解是现代各类医学影像设备的核心技术，其中图像的识别以及理解的好坏则绝大部分取决于图像分割质量的优劣。图像分割是计算机视觉研究中的一个经典难题，已经成为图像理解领域关注的一个热点，图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。因此，能够获得高质量分割结果的分割方法显得尤为重要。
近几年来，各种各样的图像分割技术已经被提出来了，其中多阈值图像分割技术是一种十分简单并且高效的方法，该方法的核心在于阈值的选择，高质量的阈值能够获得更加杰出的分割效果。众所周知传统的梯度法虽然能得到分割的阈值，但是该方法具有较大的计算复杂度，并且得到的分割阈值的质量较差。群智能优化算法应用于多阈值图像分割是一种高效、且具有较好分割效果的方法。但是，由于群智能优化方法自身的不足，容易使得分割过程陷入局部最优，以至于分割质量较差。
因此，急需研究一种多阈值图像的二维分割方法，以获得更好的图像分割质量。
发明内容
为了解决现有技术中存在的一个或多个问题,尽可能的获得更好的图像分割质量，申请人经过研究发现，人工蜂群的觅食行为引入到黏菌算法中，结合非局部均值的二维直方图和Kapur熵，能够获得图像分割的最优阈值，实现更好的图像分割质量。
具体地，根据本发明一方面，提供了一种多阈值图像的二维分割方法，包括以下步骤：
步骤1：输入需要分割的图像，初始化阈值分割水平Level；
步骤2：将输入图像灰度化，获得对应的灰度图像，并利用非局部均值滤波的方式获得非局部均值图像；
步骤3：初始化参数即黏菌算法的种群大小Popsize以及最大迭代次数max_t；
步骤4：初始化黏菌种群Xi(i＝1,2,…,n)
步骤5：计算所有黏菌的适应度值，即Kapur熵；
步骤6：确定最优黏菌位置和适应度值；
步骤7：通过公式1，计算黏菌的权重
Figure BDA0002708686800000011
Figure BDA0002708686800000021
其中，S(i)表示黏菌的适应度值，condition表示S(i)中位于总体前半部分的黏菌个体，others表示S(i)中位于总体前半部分之外的黏菌个体，r表示(0,1)之间的一个随机数，bF和wF分别表示当前迭代中获得的最优适应值和最差适应值；
步骤8：根据黏菌的位置更新方式的数学模型，如公式2所示，完成每一个黏菌的第一次位置更新；
Figure BDA0002708686800000022
其中，
Figure BDA0002708686800000023
表示更新后的黏菌位置，rand表示(0,1)之间的一个随机数，UB表示搜索空间的上界，LB表示搜索空间的下界；z表示(0,1)之间的一个数，用于决定黏菌的位置更新方式；
Figure BDA0002708686800000024
表示当前最优黏菌个体，
Figure BDA0002708686800000025
的范围是[-a,a]，a由
Figure BDA0002708686800000026
计算得到，
Figure BDA0002708686800000027
表示该黏菌的权重，
Figure BDA0002708686800000028
和
Figure BDA0002708686800000029
分别表示两个随机选择的黏菌个体，r表示(0,1)之间的一个随机数，p由tanh|S(i)-DF|计算得到，DF表示最优适应度值，
Figure BDA00027086868000000210
从1线性减小到0，t表示当前迭代次数，
Figure BDA00027086868000000211
表示当前黏菌个体；
步骤9：在黏菌第一次位置更新的基础上，根据人工蜂群的位置更新方法,如公式3所示，再一次进行每一个黏菌的位置更新；
Figure BDA00027086868000000212
其中，
Figure BDA00027086868000000213
表示新的食物源i的第j个位置向量，
Figure BDA00027086868000000214
表示最差食物源的第j个位置向量，
Figure BDA00027086868000000215
表示最佳食物源的第j个位置向量，rand表示(0,1)之间的一个随机数；
步骤10：检查是否满足条件t<max_t，若满足t<max_t则返回步骤3继续迭代，否则结束迭代；
步骤11：将最优黏菌位置和适应度值作为最优阈值和最大Kapur熵返回；
步骤12：利用得到的最优阈值对图像进行分割。
根据本发明又一方面，通过非局部均值图像和灰度图像，生成相应的非局部均值二维直方图。
根据本发明又一方面，在所述二维直方图中，其主对角线包含的图像信息量最大，计算主对角线上n个子区域的Kapur熵
Figure BDA00027086868000000216
Figure BDA00027086868000000217
其中，
Figure BDA0002708686800000031
Figure BDA0002708686800000032
s,t分别表示非局部均值图像和灰度图像中的不同的灰度值水平。
根据本发明又一方面，将Kapur熵
Figure BDA0002708686800000033
作为目标函数，使
Figure BDA0002708686800000034
最大化的阈值集合{t1,t2,…,tn-1}为最优阈值。
本发明的有益效果在于：
本发明提出了一种多阈值图像分割模型，该模型以Kapur熵和非局部均值二维直方图为基础，将人工蜂群的觅食行为引入到黏菌算法中，获得了图像分割的最优阈值，实现更好的图像分割质量。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是根据本发明优选实施例的通过非局部均值图像和灰度图像生成的非局部均值二维直方图的平面视图；
图2是PSNR评估结果的Wilcoxon符号秩检验；
图3是SSIM评估结果的Wilcoxon符号秩检验；
图4是FSIM评估结果的Wilcoxon符号秩检验；
图5是图2-4中各分割方法所分割的原始乳腺图像。
具体实施方式
下面结合附图，通过优选实施例来描述本发明的最佳实施方式，这里的具体实施方式在于详细地说明本发明，而不应理解为对本发明的限制，在不脱离本发明的精神和实质范围的情况下，可以做出各种变形和修改，这些都应包含在本发明的保护范围之内。
申请人经过研究发现，人工蜂群的觅食行为引入到黏菌算法中，结合非局部均值的二维直方图和Kapur熵，能够获得图像分割的最优阈值，实现更好的图像分割质量。
根据本发明一种优选实施方式，提供了一种多阈值图像的二维分割方法包括以下步骤：(1)输入图像并初始化；(2)利用原始图像生成灰度图像；(3)结合非局部均值滤波，生成非局部均值滤波图像；(4)根据灰度图像和非局部均值滤波图像构造对应的二维直方图；(5)基于构造的二维直方图，以Kapur熵作为目标函数，利用改进黏菌算法寻找最优分割阈值；(6)基于获得的最优阈值对图像进行分割，并输出分割结果。本发明的方法操作效率高、分割效果好。
根据本发明又一种优选实施方式，还提供了一种阈值图像的二维分割方法，包括以下步骤：
步骤1：输入需要分割的图像，初始化阈值分割水平Level；
步骤2：将输入图像灰度化，获得对应的灰度图像，并利用非局部均值滤波的方式获得非局部均值图像；
步骤3：初始化参数即黏菌算法的种群大小Popsize以及最大迭代次数max_t；
步骤4：初始化黏菌种群Xi(i＝1,2,…,n)
步骤5：计算所有黏菌的适应度值，即Kapur熵；
步骤6：确定最优黏菌位置和适应度值；
步骤7：通过公式1，计算黏菌的权重
Figure BDA0002708686800000041
Figure BDA0002708686800000042
其中，S(i)表示黏菌的适应度值，condition表示S(i)中位于总体前半部分的黏菌个体，others表示S(i)中位于总体前半部分之外的黏菌个体，r表示(0,1)之间的一个随机数，bF和wF分别表示当前迭代中获得的最优适应值和最差适应值；
步骤8：根据黏菌的位置更新方式的数学模型，如公式2所示，完成每一个黏菌的第一次位置更新；
Figure BDA0002708686800000043
其中，
Figure BDA0002708686800000044
表示更新后的黏菌位置，rand表示(0,1)之间的一个随机数，UB表示搜索空间的上界，LB表示搜索空间的下界；z表示(0,1)之间的一个数，用于决定黏菌的位置更新方式；
Figure BDA0002708686800000045
表示当前最优黏菌个体，
Figure BDA0002708686800000046
的范围是[-a,a]，a由
Figure BDA0002708686800000047
计算得到，
Figure BDA0002708686800000048
表示该黏菌的权重，
Figure BDA0002708686800000049
和
Figure BDA00027086868000000410
分别表示两个随机选择的黏菌个体，r表示(0,1)之间的一个随机数，p由tanh|S(i)-DF|计算得到，DF表示最优适应度值，
Figure BDA00027086868000000411
从1线性减小到0，t表示当前迭代次数，
Figure BDA00027086868000000412
表示当前黏菌个体；
步骤9：在黏菌第一次位置更新的基础上，根据人工蜂群的位置更新方法,如公式3所示，再一次进行每一个黏菌的位置更新；
Figure BDA00027086868000000413
其中，
Figure BDA00027086868000000414
表示新的食物源i的第j个位置向量，
Figure BDA00027086868000000415
表示最差食物源的第j个位置向量，
Figure BDA00027086868000000416
表示最佳食物源的第j个位置向量，rand表示(0,1)之间的一个随机数；
步骤10：检查是否满足条件t<max_t，若满足t<max_t则返回步骤3继续迭代，否则结束迭代；
步骤11：将最优黏菌位置和适应度值作为最优阈值和最大Kapur熵返回；
步骤12：利用得到的最优阈值对图像进行分割。
有利地，本发明的多阈值图像分割模型以Kapur熵和非局部均值二维直方图为基础，将人工蜂群的觅食行为引入到黏菌算法中，获得了图像分割的最优阈值，实现更好的图像分割质量。
根据本发明又一优选实施方式，通过非局部均值图像和灰度图像，生成相应的非局部均值二维直方图。
根据本发明又一优选实施方式，在所述二维直方图中，其主对角线包含的图像信息量最大，计算主对角线上n个子区域的Kapur熵
Figure BDA0002708686800000051
Figure BDA0002708686800000052
其中，
Figure BDA0002708686800000053
Figure BDA0002708686800000054
s,t分别表示非局部均值图像和灰度图像中的不同的灰度值水平。
根据本发明又一优选实施方式，将Kapur熵
Figure BDA0002708686800000055
作为目标函数，使
Figure BDA0002708686800000056
最大化的阈值集合{t1,t2,…,tn-1}为最优阈值。
根据本发明又一种优选实施方式，非局部均值滤波方法是通过以图像块或者像素为单位在搜索框中寻找相似区域，再求平均的方法实现的。若I(p)和I(q)是图像I中像素p和q对应的灰度值，则图像I的非局部均值可以通过公式4到公式7计算得到。
Figure BDA0002708686800000057
Figure BDA0002708686800000058
Figure BDA0002708686800000059
Figure BDA00027086868000000510
其中O(p)为非局部平均值的滤波值，μ(p)和μ(q)为局部平均值，σ为标准差，ω(p,q)为像素p和像素p的权重，L(p)和L(q)分别为以像素p和像素q为中心的m×m像素块。
优选地，通过非局部均值图像和灰度图像，则可以生成相应的非局部均值二维直方图。假设原始灰度图像I(x,y)的灰度值等级为[0,L-1]，图像大小为M×N，则生成的非局部均值图像g(x,y)的灰度值等级也为[0,L-1]，图像大小为M×N。那么，由I(x,y)和g(x,y)可以形成初步的二维直方图。如果点(i,j)由I(x,y)和g(x,y)形成，其中i表示I(x,y)中某个像素的像素值，j表示g(x,y)中某个像素的像素值。那么h(i,j)表示点(i,j)在灰度值向量(s,t)上出现的次数。因此，用公式8对其进行归一化处理后，可以得到最终的二维直方图。
Figure BDA0002708686800000061
优选地，根据上述非局部均值二维直方图的定义，图1中给出了相应的二维平面直方图，其中{t1,t2…,L-1}表示灰度图像的值，{s1,s2…,L-1}表示非局部均值图像的值。在二维直方图中，其主对角线包含的图像信息量最大，因此只计算主对角线上n个子区域的Kapur熵，可定义为Eq.(9)。
Figure BDA0002708686800000062
其中，
Figure BDA0002708686800000063
Figure BDA0002708686800000064
因此，若将Kapur熵作为目标函数，那么改进的黏菌算法找到的使
Figure BDA0002708686800000065
最大化的阈值集合{t1,t2,…,tn-1}则为最优分割阈值。
根据本发明又一种优选实施方式，针对例如图5中的原始乳腺图像(彩色)，图2-4展示了利用Wilcoxon符号秩检验对对峰值信噪比(PSNR)、结构相似性(SSIM)、特征相似度(FSIM)的30次评估的分析结果，其中，‘w’表示本发明的基于ASMA的多阈值图像分割方法优于其它同类方法，‘l’表示本发明的基于ASMA的多阈值图像分割方法劣于其它同类方法，‘t’表示本发明的基于ASMA的多阈值图像分割方法和其它同类方法的分割表现类似。‘Mean’表示各个方法的整体排序均值水平，‘Rank’表示各个方法的排名等级。通过对Wilcoxon符号秩检验分析的结果，在PSNR、SSIM、FSIM的30次评估中，本发明的基于ASMA的多阈值图像分割方法能够获得具有最优的整体排序均值水平，能够获得No.1的排序结果。这也充分的表明了基于ASMA的多阈值图像分割方法是一种能够获得高质量分割结果，且十分稳定的多阈值图像分割方法。
从图2-4可以确认，本发明的多阈值图像分割模型的分割质量不仅优于原始的黏菌算法(SMA)，并且优于其它类似的方法，如人工蜂群算法(ABC)、蝙蝠算法(BA)、哈里斯鹰算法(HHO)、多元宇宙优化算法(MVO)、改进的灰狼算法(IGWO)、改进鲸鱼优化算法(IWOA)、改进的正弦余弦优化算法(m_SCA)。
根据本发明又一种优选实施方式，相对于本发明提供的一种多阈值图像的二维分割方法，本发明还提供了一种多阈值图像的二维分割装置，包括存储器和处理器，存储器存储有计算机程序，其中，处理器执行计算机程序时实现本发明中的多阈值图像的二维分割方法的步骤。应当说明的是，本发明处理器执行计算机程序的过程，与本发明提供的一种多阈值图像的二维分割方法中各个步骤的执行过程一致，具体可参见前述相关内容描述。
本发明的有益效果在于：
本发明提出了一种多阈值图像分割模型，该模型以Kapur熵和非局部均值二维直方图为基础，将人工蜂群的觅食行为引入到黏菌算法中，获得了图像分割的最优阈值，实现更好的图像分割质量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (4)

1.一种多阈值图像的二维分割方法，其特征在于，包括以下步骤：
步骤1：输入需要分割的图像，初始化阈值分割水平Level；
步骤2：将输入图像灰度化，获得对应的灰度图像，并利用非局部均值滤波的方式获得非局部均值图像；
步骤3：初始化参数即黏菌算法的种群大小Popsize以及最大迭代次数max_t；
步骤4：初始化黏菌种群Xi(i＝1,2,…,n)
步骤5：计算所有黏菌的适应度值，即Kapur熵；
步骤6：确定最优黏菌位置和适应度值；
步骤7：通过公式1，计算黏菌的权重
Figure FDA0002708686790000011
Figure FDA0002708686790000012
其中，S(i)表示黏菌的适应度值，condition表示S(i)中位于总体前半部分的黏菌个体，others表示S(i)中位于总体前半部分之外的黏菌个体，r表示(0,1)之间的一个随机数，bF和wF分别表示当前迭代中获得的最优适应值和最差适应值；
步骤8：根据黏菌的位置更新方式的数学模型，如公式2所示，完成每一个黏菌的第一次位置更新；
Figure FDA0002708686790000013
其中，
Figure FDA0002708686790000014
表示更新后的黏菌位置，rand表示(0,1)之间的一个随机数，UB表示搜索空间的上界，LB表示搜索空间的下界；z表示(0,1)之间的一个数，用于决定黏菌的位置更新方式；
Figure FDA0002708686790000015
表示当前最优黏菌个体，
Figure FDA0002708686790000016
的范围是[-a,a]，a由
Figure FDA0002708686790000017
计算得到，
Figure FDA0002708686790000018
表示该黏菌的权重，
Figure FDA0002708686790000019
和
Figure FDA00027086867900000110
分别表示两个随机选择的黏菌个体，r表示(0,1)之间的一个随机数，p由tanh|S(i)-DF|计算得到，DF表示最优适应度值，从1线性减小到0，t表示当前迭代次数，
Figure FDA00027086867900000112
表示当前黏菌个体；
步骤9：在黏菌第一次位置更新的基础上，根据人工蜂群的位置更新方法,如公式3所示，再一次进行每一个黏菌的位置更新；
Figure FDA00027086867900000113
其中，
Figure FDA00027086867900000114
表示新的食物源i的第j个位置向量，
Figure FDA00027086867900000115
表示最差食物源的第j个位置向量，
Figure FDA00027086867900000116
表示最佳食物源的第j个位置向量，rand表示(0,1)之间的一个随机数；
步骤10：检查是否满足条件t<max_t，若满足t<max_t则返回步骤3继续迭代，否则结束迭代；
步骤11：将最优黏菌位置和适应度值作为最优阈值和最大Kapur熵返回；
步骤12：利用得到的最优阈值对图像进行分割。
2.根据权利要求1所述的多阈值图像的二维分割方法，其特征在于，通过非局部均值图像和灰度图像，生成相应的非局部均值二维直方图。
3.根据权利要求2所述的多阈值图像的二维分割方法，其特征在于，在所述二维直方图中，其主对角线包含的图像信息量最大，计算主对角线上n个子区域的Kapur熵
Figure FDA0002708686790000021
Figure FDA0002708686790000022
其中，
Figure FDA0002708686790000023
s,t分别表示非局部均值图像和灰度图像中的不同的灰度值水平。
4.根据权利要求3所述的多阈值图像的二维分割方法，其特征在于，将Kapur熵
Figure FDA0002708686790000024
作为目标函数，使
Figure FDA0002708686790000025
最大化的阈值集合{t1,t2,…,tn-1}为最优阈值。
CN202011048219.0A 2020-09-29 2020-09-29 多阈值图像的二维分割方法 Active CN112200812B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011048219.0A CN112200812B (zh) 2020-09-29 2020-09-29 多阈值图像的二维分割方法
CN202310654617.4A CN116612136A (zh) 2020-09-29 2020-09-29 多阈值图像的二维分割装置、存储介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011048219.0A CN112200812B (zh) 2020-09-29 2020-09-29 多阈值图像的二维分割方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310654617.4A Division CN116612136A (zh) 2020-09-29 2020-09-29 多阈值图像的二维分割装置、存储介质和设备

Publications (2)

Publication Number Publication Date
CN112200812A true CN112200812A (zh) 2021-01-08
CN112200812B CN112200812B (zh) 2023-07-07

Family

ID=74007900

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310654617.4A Pending CN116612136A (zh) 2020-09-29 2020-09-29 多阈值图像的二维分割装置、存储介质和设备
CN202011048219.0A Active CN112200812B (zh) 2020-09-29 2020-09-29 多阈值图像的二维分割方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202310654617.4A Pending CN116612136A (zh) 2020-09-29 2020-09-29 多阈值图像的二维分割装置、存储介质和设备

Country Status (1)

Country Link
CN (2) CN116612136A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177954A (zh) * 2021-04-28 2021-07-27 中南大学 一种图像处理方法和装置
CN113744147A (zh) * 2021-08-24 2021-12-03 三峡大学 一种基于人工黏菌的图像去噪仿生优化算法
CN113763409A (zh) * 2021-08-27 2021-12-07 南通大学 一种基于高斯滤波的高维脑核磁图像多阈值分割方法
CN114850741A (zh) * 2022-06-10 2022-08-05 东南大学 一种适用于平板对接焊缝的焊缝识别装置及识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331893A (zh) * 2014-11-14 2015-02-04 东南大学 一种复杂图像多阈值分割方法
US20160275674A1 (en) * 2015-12-29 2016-09-22 Laboratoires Bodycad Inc. Method and system for performing multi-bone segmentation in imaging data
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
CN109658424A (zh) * 2018-12-07 2019-04-19 中央民族大学 一种改进的鲁棒二维otsu阈值图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331893A (zh) * 2014-11-14 2015-02-04 东南大学 一种复杂图像多阈值分割方法
US20160275674A1 (en) * 2015-12-29 2016-09-22 Laboratoires Bodycad Inc. Method and system for performing multi-bone segmentation in imaging data
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
CN109658424A (zh) * 2018-12-07 2019-04-19 中央民族大学 一种改进的鲁棒二维otsu阈值图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
武治;孙照旋;周芳;: "基于改进萤火虫算法的多阈值微生物图像分割", 安徽工业大学学报(自然科学版), no. 01 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177954A (zh) * 2021-04-28 2021-07-27 中南大学 一种图像处理方法和装置
CN113177954B (zh) * 2021-04-28 2022-07-26 中南大学 一种图像处理方法和装置
CN113744147A (zh) * 2021-08-24 2021-12-03 三峡大学 一种基于人工黏菌的图像去噪仿生优化算法
CN113763409A (zh) * 2021-08-27 2021-12-07 南通大学 一种基于高斯滤波的高维脑核磁图像多阈值分割方法
CN114850741A (zh) * 2022-06-10 2022-08-05 东南大学 一种适用于平板对接焊缝的焊缝识别装置及识别方法

Also Published As

Publication number Publication date
CN116612136A (zh) 2023-08-18
CN112200812B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Tuba et al. Multilevel image thresholding using elephant herding optimization algorithm
CN112200812A (zh) 多阈值图像的二维分割方法
Jancsary et al. Regression Tree Fields—An efficient, non-parametric approach to image labeling problems
Gao et al. An efficient image segmentation method based on a hybrid particle swarm algorithm with learning strategy
CN104778457B (zh) 基于多示例学习的视频人脸识别方法
Pare et al. A context sensitive multilevel thresholding using swarm based algorithms
CN111583210B (zh) 基于卷积神经网络模型集成的乳腺癌图像自动识别方法
CN112085705B (zh) 一种基于改进樽海鞘群算法的图像分割方法及装置
CN106157330B (zh) 一种基于目标联合外观模型的视觉跟踪方法
CN111967592A (zh) 基于分离正负扰动生成对抗图像机器识别的方法
Ismael et al. Nature Inspired Algorithms multi-objective histogram equalization for Grey image enhancement
CN114724218A (zh) 视频检测方法、装置、设备及介质
Fernandez-Fernandez et al. Quick, stat!: A statistical analysis of the quick, draw! dataset
CN116433690A (zh) 一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法
Shariff et al. Artificial (or) fake human face generator using generative adversarial network (GAN) machine learning model
Liu et al. Identification method of sunflower leaf disease based on sift point
CN116129417A (zh) 一种基于低质量图像的数字仪表读数检测方法
Xiu et al. Double discriminative face super-resolution network with facial landmark heatmaps
Sujatha et al. Grey wolf optimiser-based feature selection for feature-level multi-focus image fusion
CN113283469A (zh) 基于视图的三维模型检索的图嵌入无监督特征学习方法
Mahajan et al. Image contrast enhancement using Gaussian Mixture model and genetic algorithm
CN113570555B (zh) 基于改进蚱蜢算法的多阈值医学图像的二维分割方法
Ojha et al. Cuckoo Search Constrained Gamma Masking for MRI Image Detail Enhancement.
CN110807777B (zh) 一种基于卷积神经网络的海洋哺乳动物图像分割方法
Kou et al. A Non-extensive Entropy-Based Adaptive Multi-threshold Image Segmentation 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