基于二维最大熵和教与学优化算法的图像分割

发布时间：2018-03-26 14:25

  本文选题：最大熵　切入点：教与学优化　出处：《电视技术》2017年Z2期

【摘要】：作为一种全局阈值方法,二维最大熵综合考虑了图像灰度信息和空间信息,在图像信噪比低的情况下,也能得到理想的图像分割结果。为了提高图像分割的运算速度和效率,在基本的二维最大熵理论的基础上,提出使用非线性惯性权重的教与学优化方法对二维最大熵进行优化,将二维最大熵作为教与学优化算法的适应度函数,利用优化后的最优阈值对图像进行分割。由于非线性惯性权重的教与学优化方法参数较少,收敛速度快,通过连续优化,能较快确定最佳分割阈值。实验结果证明,所提图像分割方法不仅速度快、准确,而且具有较强的适应性。
[Abstract]:As a global threshold method, the two-dimensional maximum entropy synthesizes the gray and spatial information of the image. In order to improve the speed and efficiency of image segmentation, an ideal image segmentation result can be obtained under the condition of low signal-to-noise ratio (SNR) of the image. Based on the basic two-dimensional maximum entropy theory, a nonlinear inertial weight optimization method for teaching and learning is proposed to optimize the two-dimensional maximum entropy. The two-dimensional maximum entropy is regarded as the fitness function of the teaching and learning optimization algorithm. The optimized threshold is used to segment the image. Because the teaching and learning optimization method of nonlinear inertial weight has fewer parameters and faster convergence speed, the optimal segmentation threshold can be determined quickly by continuous optimization. The experimental results show that the optimal segmentation threshold can be determined quickly. The proposed image segmentation method is not only fast and accurate, but also has strong adaptability.
【作者单位】： 西藏民族大学信息工程学院;北卡罗来纳农工州立大学数学系;西藏自治区光信息处理与可视化技术重点实验室;
【基金】：西藏自治区自然基金项目(2015ZR-13-24) 国家留学基金委资助项目
【分类号】：TP391.41

【相似文献】

相关期刊论文 前10条

1 李仲;图像分割的妙法[J];电脑知识与技术;2000年S2期

2 唐伟力;龙建忠;;一种基于降雨模型的图像分割方法在砾岩图像分割中的应用[J];成都信息工程学院学报;2007年02期

3 黄晓莉;曾黄麟;王秀碧;刘永春;;基于脉冲耦合神经网络的图像分割[J];信息技术;2008年09期

4 肖飞;綦星光;;图像分割方法综述[J];可编程控制器与工厂自动化;2009年11期

5 汪一休;;一种交互式图像分割的修正优化方法[J];中国科学技术大学学报;2010年02期

6 李丹;;图像分割方法及其应用研究[J];科技信息;2010年36期

7 龚永义;黄辉;于继明;关履泰;;基于熵的两区域图像分割[J];中国图象图形学报;2011年05期

8 张甫;李兴来;陈佳君;;浅谈图像分割方法的研究运用[J];科技创新与应用;2012年04期

9 汪梅;何高明;贺杰;;常见图像分割的技术分析与比较[J];计算机光盘软件与应用;2013年06期

10 魏庆;卢照敢;邵超;;基于复杂性指数的图像分割必要性判别技术[J];计算机工程与应用;2013年16期

相关会议论文 前10条

1 杨魁;赵志刚;;图像分割技术综述[A];2008年中国高校通信类院系学术研讨会论文集（下册）[C];2009年

2 杨暄;郭成安;李建华;;改进的脉冲耦合神经网络及其在图像分割中的应用[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

3 杨生友;;图像分割在医学图像中应用现状综述[A];2009中华医学会影像技术分会第十七次全国学术大会论文集[C];2009年

4 闫平昆;;基于模型的图像分割技术及其医学应用[A];第十五届全国图象图形学学术会议论文集[C];2010年

5 高岚;胡友为;潘峰;卢凌;;基于小生境遗传算法的SAR图像分割[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

6 孙莉;张艳宁;胡伏原;赵荣椿;;基于Gaussian-Hermite矩的SAR图像分割[A];第十三届全国图象图形学学术会议论文集[C];2006年

7 李盛;;基于协同聚类的图像分割[A];第十四届全国图象图形学学术会议论文集[C];2008年

8 张利;许家佗;;舌象图像分割技术的研究与应用进展[A];中华中医药学会中医诊断学分会第十次学术研讨会论文集[C];2009年

9 秦昆;李振宇;李辉;李德毅;;基于云模型和格网划分的图像分割方法[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

10 高惠琳;窦丽华;陈文颉;谢刚;;图像分割技术在医学CT中的应用[A];中国自动化学会控制理论专业委员会A卷[C];2011年

相关博士学位论文 前10条

1 白雪飞;基于视觉显著性的图像分割方法研究[D];山西大学;2014年

2 王辉;图像分割的最优化和水平集方法研究[D];电子科技大学;2014年

3 高婧婧;脑部MR图像分割理论研究[D];电子科技大学;2014年

4 潘改;偏微分方程在图像分割中的应用研究[D];东北大学;2013年

5 李伟斌;图像分割中的变分模型与快速算法研究[D];国防科学技术大学;2014年

6 邓晓政;基于免疫克隆选择优化和谱聚类的复杂图像分割[D];西安电子科技大学;2014年

7 李积英;融合量子衍生及DNA计算速率的智能算法在图像分割中的研究[D];兰州交通大学;2014年

8 王晓坤;基于宽视场拼接成像的目标分割与跟踪算法研究[D];长春理工大学;2016年

9 吴永飞;图像分割的变分模型及数值实现[D];重庆大学;2016年

10 李忠兵;聚焦超声无创治疗肿瘤的超声图像分割方法研究[D];武汉大学;2014年

相关硕士学位论文 前10条

1 王聪聪;手机上的交互式图像分割方法研究[D];华中科技大学;2013年

2 廖小波;基于贝叶斯最优统计的图切法图像分割研究[D];昆明理工大学;2015年

3 姜士辉;基于Android系统的立木图像分割方法研究[D];东北林业大学;2015年

4 路亚缇;基于粒子群优化算法的最大熵多阈值图像分割研究[D];郑州大学;2015年

5 刘超;基于阈值图像分割的研究及在苹果定位中的应用[D];东华理工大学;2015年

6 何妮;结合显著性目标检测与图像分割的服饰提取算法研究及实现[D];西南交通大学;2015年

7 刘晓磊;基于MRF随机场模型的机器人视觉图像分割方法研究[D];西安建筑科技大学;2015年

8 王周楠;数字图像处理的研究仿真[D];中国地质大学(北京);2015年

9 许素素;改进的模糊C均值聚类算法在图像分割中的应用[D];长安大学;2015年

10 齐国红;基于FCM和SVM相结合的作物病害图像分割方法研究[D];郑州大学;2015年

，

本文编号：1668230