CN113160193A - 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统 - Google Patents
基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统 Download PDFInfo
- Publication number
- CN113160193A CN113160193A CN202110469503.3A CN202110469503A CN113160193A CN 113160193 A CN113160193 A CN 113160193A CN 202110469503 A CN202110469503 A CN 202110469503A CN 113160193 A CN113160193 A CN 113160193A
- Authority
- CN
- China
- Prior art keywords
- bat
- algorithm
- ultraviolet image
- otsu
- flight characteristics
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003709 image segmentation Methods 0.000 title claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 29
- 241000288673 Chiroptera Species 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 240000003380 Passiflora rubra Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/0002—Inspection of images, e.g. flaw 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)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及紫外图像分割技术,尤其涉及一种基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割方法及系统。
背景技术
电力设备紫外图像是黑白图像,具有强度集中和对比度高等特性,传统的图像分割算法往往不能很好地将目标与背景分离。若采用人为圈定感兴趣区域,显然会大大降低智能诊断系统的效率。图像阈值自动选取方法的研究长期以来吸引着众多学者,寻找简单实用、自适应强的阈值自动选取方法是这些研宄者们的共同目标。Otsu在1979年提出的大津算法(也称为最大类间方差法或Otsu方法)一直被认为是阈值自动选取方法的最优方法之一,该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,因而在一些实时图像处理系统中得到了广泛的应用。
然而,在实际图像中,大津算法虽然分割性能较好,但计算量非常巨大。大津算法虽然有效解决了紫外图像二值化分割过程中阈值选取困难的问题,但在阈值分割速度上往往不能满足后续设备紫外场实时特征提取与分析的需求,再者原始蝙蝠算法法缺乏变异机制,个体容易被局部极值吸引而导致早熟收敛,种群不易保持多样性和算法仿生过程与真实情况有较大差异两个缺陷。
发明内容
本发明的目的之一是提供一种基于具有Lévy飞行特征的蝙蝠算法优化大津算法的紫外图像分割方法及系统,其能快速地对待分割的紫外图像进行分割,从而满足后续设备紫外场实时特征提取与分析的需求。
本发明的目的是通过以下技术方案实现的:
基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法,其特征在于:
包括如下步骤:
步骤S1:获取待分割的紫外图像;
步骤S2:改进算法中用式来替代原算法中的速度和位置更新操作,其中表示蝙蝠i在t次搜寻中的空间位置,x*表示在当前群体中最佳蝙蝠所处位置,Levy(λ)表示跳跃步长服从Levy分布的随机搜索向量,λ(1≤λ≤3)为尺度参数,代表矢量运算;
步骤S3:将大津算法中的类间方差函数作为蝙蝠算法的目标函数,将所述类间方差函数对应的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量;
步骤S4:基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置,将该蝙蝠位置作为最优分割阈值将所述待分割的紫外图像分割为背景区域和目标区域。
进一步,所述步骤S3中还对所述蝙蝠算法的参数进行初始化,所述蝙蝠算法的参数包括蝙蝠参数、飞行尺度参数和迭代参数或搜索精度。
进一步,所述蝙蝠参数包括蝙蝠的初始位置、初始速度、跳跃步长Levy(λ)。
进一步,所述蝙蝠参数还包括但不限于:蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0最小声波频率fmin以及最大声波频率fmax,设置蝙蝠数目m个体i,最大脉冲频度ri和最大脉冲音强Ai、频度增加系数ε、响度衰减系数ζ、Lévy飞行尺度参数λ、最大迭代次数Nmax或搜索精度α。
进一步,所述步骤S3中的类间方差函数为:σB=wF(uF-uT)2+wB(uB-uT)2;其中σB为类间方差,wF和wB分别为待分割的紫外图像中目标像素和背景像素所占比例,uF和uB分别为目标像素和背景像素灰度值均值,uT为待分割的紫外图像中所有像素的灰度值均值,其中uT=wFuF+wBuB
进一步,所述步骤S4中基于目标函数的值判断各蝙蝠优劣,找出全局最优蝙蝠。
进一步,所述步骤S4中还更新迭代各蝙蝠参数,并基于目标函数的值判断各蝙蝠优劣,更新全局最优。
进一步,所述迭代参数包括最大迭代次数N,若达到最大迭代次数N,则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
进一步,所述迭代参数包括连续迭代不变次数M,若在连续迭代不变次数M内所述全局最优蝙蝠保持不变,则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值
本发明的目的之二是通过以下技术方案实现的:
基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割系统,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,,其特征在于:所述处理器执行所述计算机程序时实现如前所述的方法。
本发明的有益效果是:
1)充分利用Lévy飞行随机游走的特性,在搜索过程中借助Lévy飞行会产生较大跳跃且方向多次急剧改变,来有效避免蝙蝠个体被局部吸引子束缚,同时拓展了搜索空间,能够有效提高蝙蝠算法在高维复杂空间的优化效果,再结合蝙蝠的回声定位特征,有助于从本质上提升蝙蝠算法的性能;
2)以背景图像与目标图像间的类间方差为基础进行最大类间方差计算,准确地寻找最优阈值以对图像的背景与目标进行准确有效的分割;
3)采用类间方差公式作为蝙蝠算法的寻优评估函数,快速寻找图像中最优分割阈值,并将其用于当前图像的二值化分割,提高了图像的分割速度;
4)相对于现有的紫外图像阈值分割方法,有效提高了阈值选取速度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为基于具有Lévy飞行特征的蝙蝠算法和大津法方法的步骤示意图;
图2为Lévy飞行特征的示意图;
图3为基于具有Lévy飞行特征的蝙蝠算法和大津法结合的流程示意图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
如图1所示,图1示意了本发明所述的基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割方法的基本流程。
本发明的紫外图像分割方法包括如下步骤:
步骤S1:获取待分割的紫外图像。
步骤S2:将大津算法中的类间方差函数作为蝙蝠算法的目标函数,将类间方差函数对应的分割阈值变量作为蝙蝠算法中的蝙蝠位置变量。
在某些实施方式下,该步骤中还对蝙蝠算法的参数进行初始化,蝙蝠算法的参数包括蝙蝠参数、飞行尺度参数和迭代参数或搜索精度。
在某些实施方式下,该步骤中蝙蝠参数包括蝙蝠的初始位置和初始速度、跳跃步长Levy(λ),其中,蝙蝠的初始位置和初始速度均为随机生成。
在某些实施方式下,所述蝙蝠参数还包括蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0最小声波频率fmin以及最大声波频率fmax中的至少其中之一
在某些实施方式下,该步骤中的类间方差函数为:σB=wF(uF-uT)2+wB(uB-uT)2。其中σB为类间方差,wF和wB分别为待分割的紫外图像中目标像素和背景像素所占比例,uF和uB分别为目标像素和背景像素灰度值均值,uT为待分割的紫外图像中所有像素的灰度值均值,其中uT=wFuF+wBuB
本实施例中,该步骤中蝙蝠为蝙蝠种群,蝙蝠参数包括蝙蝠数量和蝙蝠编号。
步骤S3:基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置,将该蝙蝠位置作为最优分割阈值将所述待分割的紫外图像分割为背景区域和目标区域。
在某些实施方式下,该步骤中基于目标函数的值判断各蝙蝠优劣,找出全局最优的值判断各蝙蝠优劣,更新全局最优蝙蝠。该步骤中迭代参数包括最大迭代次数N,若达到最大迭代次数N,则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。在某些实施方式下,该步骤中迭代参数包括连续迭代不变次数M,若在连续迭代不变次数M内全局最优蝙蝠保持不变,则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
图2模拟的是Lévy飞行模式蝙蝠的飞行搜索行为,在Levy飞行中,短距离深入和偶尔的长距离行走交替发生,因此搜索的部分解靠近局部最优值,从而加快了搜索速度;搜索的另一部分解远离局部最优值,可以避免算法陷入局部最优。
图3示意了本发明实施例的基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割方法的流程图。
如图3所示,本实施例通过上述计算机运行软件实现以下步骤:
步骤10:获取待分割的紫外图像
该步骤中,导入分辨率为240×320的电力设备原图,将其作为待分割的紫外图像。
间方差函数对应的分割阈值变量作为蝙蝠算法中的蝙蝠位置变量。
该步骤中,对蝙蝠算法的参数进行初始化,蝙蝠算法的参数包括蝙蝠参数和迭代参数,其中:蝙蝠参数初始化包括设定投放的蝙蝠种群中的蝙蝠数量n=20和蝙蝠编号i=0、1……20。蝙蝠的初始位置随机生成,初始速度随机生成,其中图像灰度级L=256,v=2:蝙蝠的初始脉冲频度r0=0.75,脉冲频度增加系数θ=0.05,初始响度A0=0.5,响度衰减系数ζ=0.9,最小声波频率fmin=0.5,最大声波频率fmax=2,迭代参数初始化包括设定最大迭代次数N=50和连续迭代不变次数M=3。
该步骤中定义紫外图像分割阈值T对应的类间方差函数为:σB=wF(uF-uT)2+wB(uB-uT)2。其中σB为类间方差,wF和wB分别为待分割的紫外图像中目标像素和背景像素所占比例,uF和uB分别为目标像素和背景像素灰度值均值,uT为待分割的紫外图像中所有像素的灰度值均值,其中uT=wFuF+wBuB
选取类间方差σB最大时的分割阈值T*为最优分割阈值:将上述类间方差函数作为蝙蝠算法的目标函数,将类间方差函数对应的分割阈值变量T作为蝙蝠算法中的蝙蝠位置变量,其中:蝙蝠在t时刻的蝙蝠声波频率fi、蝙蝠速度和蝙蝠位置表示为fi=fmin+(fmax-fmin)β,其中fmin和fmax别表示最小声波频率和最大声波频率,β为[0,1]范围内随机变量,p*为当前全局最优蝙蝠的蝙蝠位置。
步骤S3:基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置,将该蝙蝠位置作为最优分割阈值将所述待分割的紫外图像分割为背景区域和目标区域,本实施例中,包括步骤:
步骤S301:基于目标函数的值判断各蝙蝠优劣,找出全局最优蝙蝠。
步骤S302:更新迭代各蝙蝠参数,并基于目标函数的值判断各蝙蝠优劣,更新全局最优蝙蝠。
本实施例中,在局部搜索过程中,选取当前蝙蝠群中的最优蝙蝠(本实施例中,此最优蝙蝠设为当次迭代中20个蝙蝠的最优蝙蝠),将该蝙蝠的位置更新为响度和脉冲频度分别通过公式和进行更新,其中pnew表示新的蝙蝠位置,pold表示旧的蝙蝠位置,ε为[-1,1]范围内随机数,At为所有蝙蝠t时刻的平均响度,ζ为取值为[0,1]的响度递减系数,和分别为t+1时刻和t时刻蝙蝠i的响度,为t+1时刻蝙蝠i的脉冲频度,为蝙蝠i的初始脉冲频度。
步骤S303:若达到最大迭代次数N,或者在连续迭代不变次数M内全局最优蝙蝠保持不变,则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
该步骤中,若达到最大迭代次数50或连续三次迭代过程中最优蝙蝠位置保持不变则输出最优解,即将当前全局最优蝙蝠的蝙蝠位置x*作为最优分割阈值T*对经灰度化处理的待分割的紫外图像进行二值化分割。
本发明采用Lévy飞行模式来模拟蝙蝠的飞行搜索行为,充分利用Lévy飞行随机游走的特性,在搜索过程中借助Lévy飞行会产生较大跳跃且方向多次急剧改变,来有效避免蝙蝠个体被局部吸引子束缚,同时拓展了搜索空间,能够有效提高蝙蝠算法在高维复杂空间的优化效果,再结合蝙蝠的回声定位特征,有助于从本质上提升蝙蝠算法的性能。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法,其特征在于:
包括如下步骤:
步骤S1:获取待分割的紫外图像;
步骤S2:改进算法中用式来替代原算法中的速度和位置更新操作,其中表示蝙蝠i在t次搜寻中的空间位置,x*表示在当前群体中最佳蝙蝠所处位置,Levy(λ)表示跳跃步长服从Levy分布的随机搜索向量,λ(1≤λ≤3)为尺度参数,代表矢量运算;
步骤S3:将大津算法中的类间方差函数作为蝙蝠算法的目标函数,将所述类间方差函数对应的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量;
步骤S4:基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置,将该蝙蝠位置作为最优分割阈值将所述待分割的紫外图像分割为背景区域和目标区域。
2.如权利要求1所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法,其特征在于:所述步骤S3中还对所述蝙蝠算法的参数进行初始化,所述蝙蝠算法的参数包括蝙蝠参数、飞行尺度参数和迭代参数或搜索精度。
3.如权利要求2所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法,其特征在于:所述蝙蝠参数包括蝙蝠的初始位置、初始速度、跳跃步长Levy(λ)。
4.如权利要求3所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法,其特征在于:所述蝙蝠参数还包括但不限于:蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0最小声波频率fmin以及最大声波频率fmax,设置蝙蝠数目m个体i,最大脉冲频度ri和最大脉冲音强Ai、频度增加系数ε、响度衰减系数ζ、Lévy飞行尺度参数λ、最大迭代次数Nmax或搜索精度α。
5.如权利要求1所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法,其特征在于:所述步骤S3中的类间方差函数为:σB=wF(uF-uT)2+wB(uB-uT)2;其中σB为类间方差,wF和wB分别为待分割的紫外图像中目标像素和背景像素所占比例,uF和uB分别为目标像素和背景像素灰度值均值,uT为待分割的紫外图像中所有像素的灰度值均值,其中uT=wFuF+wBuB。
6.如权利要求1所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法,其特征在于:所述步骤S4中基于目标函数的值判断各蝙蝠优劣,找出全局最优蝙蝠。
7.如权利要求1所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法,其特征在于:所述步骤S4中还更新迭代各蝙蝠参数,并基于目标函数的值判断各蝙蝠优劣,更新全局最优。
8.如权利要求7所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统,其特征在于:所述迭代参数包括最大迭代次数N,若达到最大迭代次数N,则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
9.如权利要求7或8所述的基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法,其特征在于:所述迭代参数包括连续迭代不变次数M,若在连续迭代不变次数M内所述全局最优蝙蝠保持不变,则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
10.基于具有Lévy飞行特征的蝙蝠算法和大津算法的紫外图像分割系统,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110469503.3A CN113160193A (zh) | 2021-04-28 | 2021-04-28 | 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110469503.3A CN113160193A (zh) | 2021-04-28 | 2021-04-28 | 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113160193A true CN113160193A (zh) | 2021-07-23 |
Family
ID=76872207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110469503.3A Pending CN113160193A (zh) | 2021-04-28 | 2021-04-28 | 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160193A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745482A (zh) * | 2014-01-27 | 2014-04-23 | 湖北工业大学 | 一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法 |
US20150294129A1 (en) * | 2012-10-23 | 2015-10-15 | Sicpa Holding Sa | Method and device for identifying a two-dimensional barcode |
CN107862700A (zh) * | 2017-10-26 | 2018-03-30 | 国网山东省电力公司菏泽供电公司 | 基于蝙蝠算法和二维信息熵的红外图像分割方法及系统 |
US20180096451A1 (en) * | 2016-09-30 | 2018-04-05 | Oracle International Corporation | System and method providing automatic alignment of aerial/satellite imagery to known ground features |
CN107945199A (zh) * | 2017-10-26 | 2018-04-20 | 国网山东省电力公司菏泽供电公司 | 基于蝙蝠算法和大津算法的红外图像分割方法及系统 |
US20190149725A1 (en) * | 2017-09-06 | 2019-05-16 | Trax Technologies Solutions Pte Ltd. | Using augmented reality for image capturing a retail unit |
CN110363170A (zh) * | 2019-07-22 | 2019-10-22 | 北京华捷艾米科技有限公司 | 视频换脸方法和装置 |
CN110601222A (zh) * | 2019-08-19 | 2019-12-20 | 国网山东省电力公司电力科学研究院 | 一种基于Lévy飞蛾算法的分数阶负荷频率控制方法 |
CN111064192A (zh) * | 2020-01-02 | 2020-04-24 | 河海大学 | 一种计及源荷不确定性的独立型微网容量优化配置方法 |
CN111161299A (zh) * | 2018-11-08 | 2020-05-15 | 深圳富泰宏精密工业有限公司 | 影像分割方法、计算机程序、存储介质及电子装置 |
CN111833312A (zh) * | 2020-06-22 | 2020-10-27 | 国网江苏省电力有限公司电力科学研究院 | 一种检测故障绝缘子放电的紫外图像诊断方法及系统 |
-
2021
- 2021-04-28 CN CN202110469503.3A patent/CN113160193A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150294129A1 (en) * | 2012-10-23 | 2015-10-15 | Sicpa Holding Sa | Method and device for identifying a two-dimensional barcode |
CN103745482A (zh) * | 2014-01-27 | 2014-04-23 | 湖北工业大学 | 一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法 |
US20180096451A1 (en) * | 2016-09-30 | 2018-04-05 | Oracle International Corporation | System and method providing automatic alignment of aerial/satellite imagery to known ground features |
US20190149725A1 (en) * | 2017-09-06 | 2019-05-16 | Trax Technologies Solutions Pte Ltd. | Using augmented reality for image capturing a retail unit |
CN107862700A (zh) * | 2017-10-26 | 2018-03-30 | 国网山东省电力公司菏泽供电公司 | 基于蝙蝠算法和二维信息熵的红外图像分割方法及系统 |
CN107945199A (zh) * | 2017-10-26 | 2018-04-20 | 国网山东省电力公司菏泽供电公司 | 基于蝙蝠算法和大津算法的红外图像分割方法及系统 |
CN111161299A (zh) * | 2018-11-08 | 2020-05-15 | 深圳富泰宏精密工业有限公司 | 影像分割方法、计算机程序、存储介质及电子装置 |
CN110363170A (zh) * | 2019-07-22 | 2019-10-22 | 北京华捷艾米科技有限公司 | 视频换脸方法和装置 |
CN110601222A (zh) * | 2019-08-19 | 2019-12-20 | 国网山东省电力公司电力科学研究院 | 一种基于Lévy飞蛾算法的分数阶负荷频率控制方法 |
CN111064192A (zh) * | 2020-01-02 | 2020-04-24 | 河海大学 | 一种计及源荷不确定性的独立型微网容量优化配置方法 |
CN111833312A (zh) * | 2020-06-22 | 2020-10-27 | 国网江苏省电力有限公司电力科学研究院 | 一种检测故障绝缘子放电的紫外图像诊断方法及系统 |
Non-Patent Citations (4)
Title |
---|
SURESH CHANDRA SATAPATHY: "Multi-level image thresholding using Otsu and chaotic bat algorithm", 《NEURAL COMPUTING AND APPLICATIONS 》 * |
刘长平: "具有Lévy飞行特征的蝙蝠算法", 《智能系统学报》 * |
陈华: "基于群智能优化算法的医学图像分割综述", 《高技术通讯》 * |
魏健春: "故障绝缘子紫外图像诊断方法及其影响因素研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7263216B2 (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
CN107403426B (zh) | 一种目标物体检测方法及设备 | |
CN111445488B (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
Ye et al. | An adaptive image enhancement technique by combining cuckoo search and particle swarm optimization algorithm | |
CN109242878A (zh) | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 | |
Alihodzic et al. | Bat algorithm (BA) for image thresholding | |
CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
CN110706270A (zh) | 一种基于卷积神经网络的自适应场景双目立体匹配方法 | |
JP2020119532A (ja) | 軍事的目的、ドローンまたはロボットに利用されるために一つ以上の以前のバッチをさらに参照してモバイル装置またはiot装置に適用可能なオンラインバッチ正規化、オンデバイス学習、及び連続学習を遂行する方法と装置、並びにそれを利用したテスト方法及びテスト装置 | |
CN108510478B (zh) | 肺气道图像分割方法、终端、存储介质 | |
Jiao et al. | An improved cuckoo search algorithm for multithreshold image segmentation | |
CN108053418B (zh) | 一种动物背景建模方法及装置 | |
Peng et al. | Modified dragonfly algorithm based multilevel thresholding method for color images segmentation | |
CN113160193A (zh) | 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统 | |
CN110047088B (zh) | 一种基于改进教与学优化算法的ht-29图像分割方法 | |
Sathya et al. | Multilevel thresholding for image segmentation using cricket chirping algorithm | |
Mahajan et al. | Image contrast enhancement using Gaussian Mixture model and genetic algorithm | |
CN110909670A (zh) | 一种非结构化道路识别方法 | |
CN113589810B (zh) | 智能体动态自主避障运动方法、装置、服务器及存储介质 | |
WO2023173280A1 (en) | System and method for autonomous vehicle motion planner optimisation | |
CN112184697B (zh) | 基于果蝇优化算法的糖尿病视网膜病变分级深度学习方法 | |
CN111640081B (zh) | 一种基于优化和暗通道的水下图像恢复方法 | |
CN117784615B (zh) | 一种基于impa-rf的火控系统故障预测方法 | |
CN111709494B (zh) | 一种新型混合优化的图像立体匹配方法 | |
CN116795098A (zh) | 基于改进麻雀搜索算法的球形两栖机器人路径规划方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |