当前位置:主页 > 科技论文 > 自动化论文 >

基于分数阶狼群优化的图像分割算法研究

发布时间:2022-01-21 20:27
  针对传统狼群算法应用于图像分割时收敛速度慢且容易陷入局部最优等缺点,本文提出一种基于分数阶狼群优化的二维Otsu图像分割算法。二维Otsu分割方法的横纵坐标分别采用灰度级和梯度级,以Otsu算法的最大类间方差为改进后狼群算法的适应度函数,寻找最佳分割阈值。利用分数阶微分对过去状态有记忆性的优点,用分数阶阶次来控制狼群在游走过程中的位置更新,并引入自适应分数阶阶次,利用探狼的位置信息自适应地调整分数阶阶次,从而使狼群算法的游走行为更加合理,提高狼群算法的最优解搜索能力,提升算法收敛速度。同时,采用空间对称分布方法改进狼群的围捕行为,改善狼群个体空间分布状态,提高种群多样性,调整围捕过程中狼群位置,克服算法后期容易出现局部最优的弊端,将目标与背景进行分离。本文的研究内容主要有:第一,常见的图像分割算法原理及其优缺点、应用情况。分析最大类间方差法的实现原理,Otsu算法简单有效,得到广泛使用。传统二维Otsu算法较一维Otsu能够反映更多图像信息,分割结果更加准确,却增加了计算量。所以本文采用基于灰度-梯度的二维Otsu算法,将图像的噪声点和图像的目标背景做了很好的分离,不仅缩小了搜索空间,... 

【文章来源】:宁夏大学宁夏回族自治区 211工程院校

【文章页数】:50 页

【学位级别】:硕士

【部分图文】:

基于分数阶狼群优化的图像分割算法研究


图3-1狼群算法流程图??3.3狼群算法的优越性分析??

直方图,直方图,图像,灰度


法采用灰度-梯度二维直方图即横坐标不变,纵坐标为图像灰度级与平均灰度级之差,该属??性条件限制了空间搜索范围,大大减少了搜索时间,只有满足属性条件的像素才能被搜索到。??图5-l(a)所示为Lena图像,其灰度-梯度二维直方图如5-l(b)所示,从图中可以看出,图像的??像素信息主要集中在平面一侧,由于图像的目标和背景部分主要集中在像素梯度值较小的区域,??分布在梯度较大区域的像素信息一般为图像中的噪声点,所以该方法将图像梯度值较大的点和图??像的目标和背景区域做了很好的分离,不仅缩小了搜索空间,减少计算量,同时也减少了噪声对??图像分割结果的影响。所以我们在此基础上进行改进。??(a)原图像?〇〇灰度-梯度直方图??图5-1?Lena图像及其直方图??基于灰度-梯度直方图的二维OtSU算法具体原理如下:??设图像总像素点数为见总灰度级为L,叫为灰度为/、梯度为的像数点数,则&发生的??概率为:??(5*°??设分割阈值的平均灰度值为s和梯度值为/,图像被阈值G,/)分为背景类s和目标类r,??-25-??

分数阶,算法流程图


法采用灰度-梯度二维直方图即横坐标不变,纵坐标为图像灰度级与平均灰度级之差,该属??性条件限制了空间搜索范围,大大减少了搜索时间,只有满足属性条件的像素才能被搜索到。??图5-l(a)所示为Lena图像,其灰度-梯度二维直方图如5-l(b)所示,从图中可以看出,图像的??像素信息主要集中在平面一侧,由于图像的目标和背景部分主要集中在像素梯度值较小的区域,??分布在梯度较大区域的像素信息一般为图像中的噪声点,所以该方法将图像梯度值较大的点和图??像的目标和背景区域做了很好的分离,不仅缩小了搜索空间,减少计算量,同时也减少了噪声对??图像分割结果的影响。所以我们在此基础上进行改进。??(a)原图像?〇〇灰度-梯度直方图??图5-1?Lena图像及其直方图??基于灰度-梯度直方图的二维OtSU算法具体原理如下:??设图像总像素点数为见总灰度级为L,叫为灰度为/、梯度为的像数点数,则&发生的??概率为:??(5*°??设分割阈值的平均灰度值为s和梯度值为/,图像被阈值G,/)分为背景类s和目标类r,??-25-??

【参考文献】:
期刊论文
[1]基于全卷积神经网络的植物叶片分割算法[J]. 胡静,陈志泊,杨猛,张荣国,崔亚稷.  北京林业大学学报. 2018(11)
[2]改进狼群算法求解旅行商问题[J]. 黄海松,任竹鹏,魏建安.  计算机应用研究. 2019(12)
[3]基于改进的狼群算法的新型广义熵图像分割[J]. 焦瑞芳,范九伦.  计算机应用研究. 2019(10)
[4]结合分数阶微分和图像局部信息的CV模型[J]. 张桂梅,陈兵兵,徐可,储珺.  中国图象图形学报. 2018(08)
[5]基于差分进化的改进狼群算法研究[J]. 王盈祥,陈民铀,程庭莉,盛琪,董龙昌,李哲.  计算机应用研究. 2019(08)
[6]基于改进的FA优化二维Otsu图像分割算法[J]. 吴俊辉,汪烈军,秦继伟.  新疆大学学报(自然科学版). 2018(01)
[7]基于分数阶粒子群的Otsu图像分割算法[J]. 魏晶茹,马瑜,夏瑞,蒋海波,周亭亭.  计算机工程与设计. 2017(12)
[8]改进狼群优化算法的Otsu图像分割法[J]. 曹爽,安建成.  微电子学与计算机. 2017(10)
[9]基于改进萤火虫优化算法的多阈值彩色图像分割[J]. 毛肖,和丽芳,王庆平.  计算机科学. 2017(S1)
[10]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄.  软件学报. 2017(01)

博士论文
[1]基于图割的图像分割方法研究[D]. 辛月兰.陕西师范大学 2018
[2]蜂群算法及在图像处理中的应用研究[D]. 肖永豪.华南理工大学 2011
[3]基于粒子群优化算法的图像分割研究[D]. 孙越泓.南京理工大学 2010
[4]边缘检测的若干技术研究[D]. 董鸿燕.国防科学技术大学 2008
[5]基于计算智能的聚类技术及其应用研究[D]. 冯永.重庆大学 2006
[6]分数阶微积分在现代信号分析与处理中应用的研究[D]. 蒲亦非.四川大学 2006

硕士论文
[1]基于边缘检测的高速铁路设备识别方法研究[D]. 马真.南京邮电大学 2018
[2]狼群算法的改进及其在复杂函数优化问题中的应用[D]. 师喜婷.西安理工大学 2018
[3]狼群算法的改进研究及其在机器人路径规划中的应用[D]. 曾秀.东华理工大学 2018
[4]基于组合赋权的图像分割质量评价研究[D]. 薛菁菁.西安工程大学 2018
[5]分数阶微积分性质及其应用[D]. 付洋.安庆师范大学 2018
[6]狼群算法的研究与应用[D]. 李国亮.东华理工大学 2016



本文编号:3600906

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3600906.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户66f5f***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com