楚来国[1]2002年在《基于遗传算法的图像分割研究》文中研究指明在图像分割中,最小误差法计算简单,受目标大小和噪声影响小,对小目标图像仍具有很好的分割效果。但其计算量大,不利于实时处理。本文将遗传算法引入到最小误差法中去,充分利用遗传算法简单、快速和稳定性强的优点来减少最小误差法的运算量。经过改进的最小误差法不仅继承了原有最小误差法的优点,而且大大克服了其原有的缺点,计算量大大减少。实验表明,这种基于遗传算法的最小误差法比传统的最小误差法运算量要减少60%以上,完全能够满足实时系统中精度和速度的要求,在实用中有着广阔的应用前景。
曹亮[2]2008年在《基于Otsu理论的图像分割算法研究》文中进行了进一步梳理图像分割是计算机视觉领域的一个重要而且基本的问题,尤其在图像处理、分析和理解等领域中是一项关键技术。图像分割是指把图像分解成各具特性的区域并提取出感兴趣目标的技术和过程,是从图像处理到图像分析的一个关键步骤,在图像工程中占有非常重要的位置。分割结果的好坏将直接影响到视觉系统的性能。所以对图像分割的研究一直都是图像技术研究中的热点和焦点之一,故图像分割的算法层出不穷,而且已经在诸如计算机视觉、模式识别和医学图像处理等实际中得到了广泛的应用。阈值图像分割方法是常用的图像分割方法。它通过选取阈值将图像分为目标和背景,关键技术是阈值的选取。最大类间方差(简称Otsu)法是常用的阈值图像分割方法之一,基于直方图,即通过考虑图像的灰度信息选取阈值。但是当图像变得复杂时,如一些图像信噪比低,灰度差异不明显,目标面积小等(其直方图表现为双峰差别大,甚至单峰),该方法就难以取得较好的分割效果,算法效率下降甚至产生分割错误。故本文研究了以Otsu理论为基础的,在图像分割中新兴的遗传算法,重点研究了结合遗传算法和Otsu法的灰度图像分割方法。利用Otsu算法不仅考虑图像的灰度信息,还考虑领域空间的相关信息的特点来保证图像分割精度,利用遗传算法大大提高运算速度。本文对该算法的有效性进行了实验,在编程设计中,引入了自适应方法选取算子,进一步提升了精度,并实际地进行了灰度图像的分割。记录了实验结果。该方法是对现有图像阈值分割法的一种补充,试验结果表明,该算法可行、可靠,达到了理想的分割效果,实现了比传统方法更快速、稳定的图像分割。在图像处理领域具应用潜力。
何文浩[3]2008年在《基于改进遗传算法的图像分割技术研究》文中认为图像分割是由图像处理到图像分析的关键步骤,也是计算机视觉要解决的一个关键问题,尽管它多年来一直受到人们的高度重视,但是发展缓慢。现提出的分割算法都是针对具体问题的,并没有一种适合所有图像的通用分割算法,特别是在根据阈值的灰度图像分割中,人们很难找到一种对图像感兴趣区域的阈值,能进行快速搜索、准确定位的优化分割算法。遗传算法(Standard Genetic Algorithm,简称SGA)作为一种求解问题的高效并行的全局搜索方法,以其固有的鲁棒性、并行性和自适应性,使之非常适用于大规模搜索空间的寻优问题,已广泛应用于许多学科及工程领域。在计算机视觉领域中的应用也日益受到重视,为图像分割提供了一种新而有效的方法。本论文对传统的图像分割算法进行了研究与比较;对遗传算法理论、遗传算法在图像分割领域的应用现状及遗传分割算法的原理、过程和实验结果等几方面进行研究探讨。通过对遗传算法运行机理的深入研究,针对一些灰度图像和加噪图像,本文对改进的自适应遗传算法(Improved Adaptive Genetic Algorithm,简称.IAGA)在图像分割中的应用做了研究。算法中采用二维编码机制;为保持种群的多样性,随机均匀地产生初始种群:在遗传交叉操作中引入了一项规则防止种群退化;为使遗传算法保持种群的多样性,以防止出现未成熟收敛,本文采用了一个自适应变异算子:并在种群更新机制方面,提出了一个新的解决方案。实验结果表明,本文提出的基于改进的遗传算法优化了图像的分割,运算速度明显比传统分割算法快,而且取得了比传统算法更好的分割质量。本文程序采用MATLAB 6.5在WinXP环境下编译完成。
龚桂芳[4]2007年在《基于模糊熵的多目标CT图像自动分割方法研究》文中认为图像分割是大多数医学图像处理系统中关键的一步，可用于图像中不同目标的可视化。大多数的图像分割算法得到的结果都是二值图像或是前景和背景图像。这样的结果在一些图像处理运用中是可以接受的，如在文件处理和光学特征识别系统中；但是在应用到需要得到医学图像中多个器官或组织的解剖特征时就不能令人满意。本论文在研究国内外相关算法的过程中，发现采用快速算法的方法虽然解决了计算耗时的问题，但是大多有运算结果不稳定的缺点；为了解决多目标分割中运算速度的提高与运算结果不稳定的矛盾，提出了两种方法：(1)基于最小模糊熵的多目标CT图像自动分割方法：利用迭代公式以及图像的直方图来计算出每个模糊子集的隶属函数中指数参数的值以及阈值的搜索范围，然后在已确定的搜索范围内用穷举法搜索出能使模糊熵最小的最佳阈值。本方法为了改变两个模糊子集隶属函数交点的隶属度，重新定义了GBMF隶属函数中参数的关系。实验表明当隶属函数中新的参数取适当的值时，能得到较好的分割结果，但是多少为最合适，仍需要进一步的研究。(2)基于概率配分和最大模糊熵的多目标CT图像自动分割方法：根据模糊聚类和概率配分之间的关系，以及模糊熵有最大值的必要条件，从而得到各类的概率配分，因此在搜索阈值组合时，先搜索满足各类概率配分的阈值，然后从这些阂值中搜索使模糊熵最大的阈值。在传统的梯度隶属函数中限制了参数的搜索范围。因此本方法在改变隶属函数参数所需满足的条件基础上，重新定义了隶属函数，这使得每一个灰度级都有属于叁类情况，实验表明这样定义参数所需满足的条件更合理些。此外本方法采取ε和满足条件的阈值组合数相互控制，既避免了连一个满足概率分配的阈值组合都找不到的情况，也可避免由于满足条件的阈值组合太多，导致运算量很大。实验结果表明这两种方法能很好地完成CT图像的分割。运算速度较快；与用遗传算法、模拟退火算法相比较，运算结果稳定，分割更准确。
李茂民[5]2009年在《一种基于改进遗传算法的图像分割研究及应用》文中研究表明图像分割是很多高级图像处理技术(如可视化、图像压缩、医学图像诊断等)的重要基础工作。迄今为止,已经有很多种不同的图像分割方法提出。阈值法因其实现的简单性而成为图像分割领域的一种重要方法。但是对于复杂的实时图像分割问题,阈值法的高耗时性己经成为该方法发展的一个障碍。因此,寻求一种高效的算法来解决基于阈值法的图像分割问题具有重要意义。遗传算法(Standard Genetic Algorithm,简称SGA)作为一种求解问题的高效并行的全局搜索方法,以其固有的鲁棒性、并行性和自适应性,使之非常适用于大规模搜索空间的寻优问题,已广泛应用于许多学科及工程领域。在计算机视觉领域中的应用也日益受到重视,为图像分割提供了一种新而有效的方法。为了自动确定图像分割的最佳阈值,本论文提出了一种基于改进遗传算法的图像分割方法,即利用这种改进遗传算法对二维OTSU图像分割函数进行全局优化,该方法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,最后得到图像分割的最佳阈值,克服了传统遗传算法的收敛性差、易早熟等问题。在理论分析和仿真数据实验中,与二维OTSU图像分割法和基于基本遗传算法的图像分割法相比,使用该方法得出的阈值范围更加稳定,阈值计算时间有极大的提高,更能满足图像处理的实时性要求。本论文创新点和主要内容归纳如下:1、提出了一种基于改进遗传算法的图像分割方法,优化了解决方案。尤其是自适应的变异算子选择,是考虑了遗传算法的特点,及算法实际运行效率而引入的。实验证明,新的算法对于有噪声干扰的灰度图像有较好的分割质量,同时利用改进方案,与传统的分割方法相比明显提高了运行时间。2、提出了一种改进的OTSU法,在该改进OTSU法中引进了一种新的距离度量,即背景与目标之间的距离,两类间距越大,目标和背景就分得越开,分割效果就越好。在该改进OTSU法中引进了一种新度量内聚性的好坏变量,即背景与目标的平均方差,因此引入两类平均方差概念,用来度量内聚性的好坏,两类平均方差越小,每个类内的像素越均匀,内聚性越好,分割效果就更好。3、提出了一种将改进遗传算法与改进OTSU法相结合的图像分割方法。4、通过仿真实验,该算法能够在保持群体多样性的同时加快收敛速度,阈值计算时间比二维OTSU图像分割法缩短了18 ms(约63%右),比基本遗传算法缩短了大约30%右;提高了算法全局收敛的稳定性,阈值范围稳定在3个像素以内。本论文算法能够快速准确地分割图像,可以应用于各种图像的实时处理与分析,具有较高的实用性。
杨修国[6]2009年在《图像阈值分割方法研究与分析》文中指出关于图像处理问题一直是多年来研究的热门话题,在计算机信息技术高速发展的今天,图像处理已应用到社会的各个领域。图像分割就是为了某一特定目的,通过相关的技术和方法把图像按照其特征分成各具特性的区域,提取研究者感兴趣的目标,进而再对目标区域进行研究。图像分割是图像处理、模式识别和人工智能等多个领域中的关键课题,也是计算机处理视觉技术的首要的、关键的步骤。图像分割的应用非常广泛,几乎出现在关于图像处理的所有领域。因此,从20世纪60年代以来,图像分割一直都是图像研究技术的热点。本文首先概述了图像分割课题的背景、意义、课题研究的内容和目标,指出图像分割在图像工程中的关键性、图像分割技术的研究现状,分析常见图像分割技术,指出从原理、应用和应用效果等方面来分析图像分割技术,对于提高图像分析和图像处理技术等方面都具有十分重要的意义。随后,分别研究基于阈值的直方图双峰法(mode法),该方法是一种针对直方图为双峰图的图像进行分割,通过深入分析研究,分析该方法的优缺点。并对直方图双峰法进行改进,通过改进实现阈值自动选取,接着,在总结前人研究成果的基础上,重点研究基于遗传算法的最大类间方差分割算法,通过对比,可以看出遗传算法的最大类间方差分割算法分割图像效果更明显、自动化程度更高、适应范围更广、且无须事先测量图像的灰度直方图、更加灵活、更加精确。随后,通过检测算子对基于遗传算法的最大类间方差分割算法进行改进,增强基于遗传算法的最大类间方差分割算法处理图片的效果。最后,对图像阈值分割研究成果进行了总结,并指出了未来努力的方向。通过该论文的研究,熟悉图像阈值分割的基本方法和理论知识,了解该领域的新技术和方法,提高自身的教学科研能力。
黄菲[7]2008年在《基于遗传算法的图像分割》文中研究说明图像分割是模式识别与图像分析的预处理阶段,是图像处理到图像分析的关键步骤,也是一种基本的计算机视觉技术,在图像识别与图像分析中具有重要的意义。遗传算法是一种基于生物自然选择和遗传机理的随机搜索优化方法。近几年由于其求解复杂优化问题的巨大潜力及其在工业上的成功应用,越来越受到国内外学者的广泛关注。遗传算法具有简单、鲁棒性好、本质并行和自适应的突出优点。在遗传算法中引入选择算子、交叉算子、变异算子和新个体,避免了局部早熟,提高了收敛速度和全局收敛能力。遗传算法作为一种并行算法,提高速度的潜力十分巨大。图像分割的计算复杂度高、计算时间长。为此,在图像分割领域,遗传算法常用来帮助确定分割阈值。本文介绍了图像分割的一般模型、基于阈值选取的图像分割方法,讨论了遗传算法的概念、实现过程、数学理论基础、特点、应用及发展前景。鉴于遗传算法的优化原理,提出了一种基于遗传算法的图像分割方法,该方法将遗传算法引入图像分割,利用遗传算法的快速寻优特点,优化了求解阈值的过程,极大地减少了计算量和存储空间。实验结果表明这种方法得到了较好的结果。
姜巧巧[8]2007年在《一种基于遗传算法的视频对象分割方法》文中研究说明随着多媒体技术的飞速发展，视频的应用已逐渐成为当前多媒体技术的研究重点。其中视频对象分割技术成为各种视频处理技术的基础，视频对象提取效果的好坏将直接影响后面的视频应用，视频对象分割的准确性直接影响后续操作的有效性，因此视频对象分割技术具有十分重要的意义。但是视频分割技术一直是计算机视觉及多媒体应用中最困难的问题之一。虽然国内外的学者们提出了许多分割方法，但至今为止还没有一种是通用的、可靠的自动分割算法。本文在分析视频序列结构的基础上，进一步研究了视频对象分割技术。首先较为全面地回顾与分析了视频对象分割技术的基础包括图像分割和数学形态学技术，在此基础上简单地介绍了视频对象分割的方法；然后讨论了遗传算法的基础知识以及目前遗传算法在视频对象分割技术中的应用及所面临的问题；最后介绍了本文采用遗传算法进行视频对象分割的相关工作。本文在总结和分析国内外相关研究工作的基础上，针对特定视频中视频运动对象的分割展开研究，主要工作包括以下几个方面：采用背景差法来提取前景对象的运动区域；对运动区域进行分割得到视频对象，在分割的时候提出了一种新的阈值分割方法；利用改进的遗传算法来优化分割的速度。实验结果表明，与采用传统的分割方法相比较，采用本文的阈值算法对图像进行分割可以得到更为清晰的分割对象。采用改进的遗传算法可以缩短寻求阈值的时间，提高程序运行的效率，从而加快视频的分割处理时的速度。
罗旺[9]2007年在《基于遗传算法的菌落图像分割》文中研究说明菌落图像的处理与分析是农业、食品、医药卫生分析中进行质量检测的一项基本且重要的工作。以往这些工作由人工观测完成,工序繁杂、耗时长、效率低,而且带有主观性,误差大,重现性不好。采用图像处理与分析的方法能将操作人员从这一繁重的工作中解脱出来,并大大提高计数与分析的精度,从而得到广泛应用,成为近年来国内外的一大研究热点。菌落图像处理与分析中的一个重要环节是图像分割,其好坏直接影响到计数的精度与后续的处理。但是,图像分割技术一直以来都是图像信息工程的经典难题,没有一种方法对所有测试图像分割效果是最佳的。在菌落图像分析中,菌落尺寸可能大小不一、形态各异,并且经常有聚堆现象,所以分割难度更大。为此,本文分析了现有的分割技术,考虑到图像分割是组合优化问题,可以采用基于遗传算法或模拟退火算法的图像分割技术,但是单独使用这两种算法,在处理过程中有很多局限,所以本文采用两种算法相结合的混合算法,该混合算法结合了两种算法的优点,削弱了不足之处。通过分析具有各种形态特征的菌落图像,采用该分割技术对菌落图像进行实验处理,研究其自动分割技术,从而提高分割的精度和速度。本文研究分析分割技术以及遗传算法现状的同时,尝试将遗传—模拟退火分割算法应用到开发自动识别系统中。识别系统的功能如下:1.图像滤波。可采用中值和均值滤波,目的是为了提高后续的分割、分离算法的效果,提高计数的精度。2.图像分割。首先,采用遗传—模拟退火分割技术将彩色图像转换成灰度图像;其次,采用填充算法进行孔洞填充,填充算法有多边形有序边填充算法、种子填充算法以及多边形边标志填充算法;最后,将重迭、粘连的菌落分离,并剔除噪声点。3.数量的统计。使用中心点标注或者非中心点标注这两种方法。针对灰度图像,如果直接使用阈值分割,种子填充,腐蚀细化能够得到较好的分割结果,就可以直接进行统计。
李春华[10]2005年在《基于改进截集FCM算法灰度图像分割方法研究》文中提出图像分割是图像分析及视觉系统必不可少的环节,是计算机视觉发展的瓶颈和研究的热点。近几年来,将特定理论工具应用于图像分割中越来越受到人们广泛关注,模糊C 均值(FCM: Fuzzy C-Means)聚类理论与遗传算法(Genetic Algorithm)理论都是很重要的应用。FCM 算法属于非监督的分类方法,应用于图像分割时可以避开没有先验知识的情况下人为外加意识的干扰,从而尽可能的让分割结果反映原图像所含有的信息。遗传算法理论所具有的全局搜索能力是解决寻优问题的好方法。本文在分析与研究图像分割、FCM 算法和遗传算法的基础上,着重对截集 FCM 算法的理论进行研究,说明其在分类原则上更符合自然界中普遍存在的分类规律。通过实验表明该算法存在不足之处,并提出基于空间映射和改进加权指数的改进方法,实验表明该方法的运算效率较传统 FCM 算法和未改进截集 FCM 算法有很大提高。但这种改进方法仍建立在一维灰度直方图初始化的基础上,未避开一维灰度直方图初始化聚类算法的固有缺陷,如一幅直方图可以对应不同图像。本文引入自适应遗传算法,将其和上述改进截集 FCM 算法有机结合,使遗传算法对聚类中心矩阵和隶属度矩阵给予指导。实验表明本文提出的自适应遗传算法改进截集 FCM 方法在区域对比度、区域内均匀性、形状参数、预处理要求以及计算费用等评价指标中比传统 FCM 算法和未改进的截集FCM 算法都有不同程度的改善,在保持聚类算法分割效果的同时提高了算法效率,使算法更具实时性。
参考文献：
[1]. 基于遗传算法的图像分割研究[D]. 楚来国. 江苏大学. 2002
[2]. 基于Otsu理论的图像分割算法研究[D]. 曹亮. 武汉理工大学. 2008
[3]. 基于改进遗传算法的图像分割技术研究[D]. 何文浩. 武汉理工大学. 2008
[4]. 基于模糊熵的多目标CT图像自动分割方法研究[D]. 龚桂芳. 四川大学. 2007
[5]. 一种基于改进遗传算法的图像分割研究及应用[D]. 李茂民. 江西理工大学. 2009
[6]. 图像阈值分割方法研究与分析[D]. 杨修国. 华东师范大学. 2009
[7]. 基于遗传算法的图像分割[D]. 黄菲. 武汉科技大学. 2008
[8]. 一种基于遗传算法的视频对象分割方法[D]. 姜巧巧. 大连理工大学. 2007
[9]. 基于遗传算法的菌落图像分割[D]. 罗旺. 电子科技大学. 2007
[10]. 基于改进截集FCM算法灰度图像分割方法研究[D]. 李春华. 西安科技大学. 2005
标签：计算机软件及计算机应用论文; 自动化技术论文; 遗传算法论文; 图像处理论文; otsu论文; 图像分割论文; 阈值分割论文; 模糊算法论文; 模糊理论论文; 阈值论文; 算法论文;