阈值分割方法的关键在于阈值选取。阈值决定了图像分割结果的好与坏,随着阈值数量的增加,图像分割的计算过程越来越复杂。为了选取适当的阈值进行图像分割,文中提出了离散灰狼算法(Discrete Grey Wolf Optimizer,DGWO),即经过离散化处...阈值分割方法的关键在于阈值选取。阈值决定了图像分割结果的好与坏,随着阈值数量的增加,图像分割的计算过程越来越复杂。为了选取适当的阈值进行图像分割,文中提出了离散灰狼算法(Discrete Grey Wolf Optimizer,DGWO),即经过离散化处理的灰狼算法,并用该算法求解以Kapur分割函数为目标函数的全局优化问题。DGWO算法具有很好的全局收敛性与计算鲁棒性,能够避免陷入局部最优,尤其适合高维、多峰的复杂函数问题的求解,并且可以很好地融合到图像分割过程当中。大量的理论分析和仿真实验的结果表明,与遗传算法(GA)、粒子群算法(PSO)的图像分割结果相比,在选取多张分割图像、多个分割阈值的情况下,该算法具有更好的分割效果,更高的分割效率,优化得到的阈值范围更加稳定,分割质量更高。展开更多
文摘为解决森林冠层图像因结构复杂,提取时受光照不均的影响而导致分割精度低的问题,采用一种基于自适应调整策略的混沌藤壶交配优化算法(Chaotic Adaptive Barnacle Mating Optimization,CABMO)的森林冠层图像分割方法。首先采用Logistic混沌映射初始化藤壶种群以提高算法的探索能力;然后设计非线性递增阴茎系数使探索和开发之间更平衡;最后将Kapur熵作为适应度函数,利用CABMO算法选取适应度函数的最优值,降低复杂度的同时,加强阈值的搜索效率。为验证CABMO算法在森林冠层图像分割上的有效性,以适应度值、峰值信噪比值(Peak Signal to Noise Ratio,PSNR)、特征相似性指数测试值(feature similarity index mersure,FSIM)和计算时间作为性能指标来评估分割效果。研究结果表明,在适应度值、PSNR值和FSIM值上CABMO算法分别以100%、99%、97.9%的占比优于对比算法,在计算时间上100%优于基本藤壶交配优化算法(Barnacle Mating Optimization,BMO)。结果表明,CABMO算法在提高森林冠层图像分割精度的同时也获得了更高质量的分割图像。
文摘阈值分割方法的关键在于阈值选取。阈值决定了图像分割结果的好与坏,随着阈值数量的增加,图像分割的计算过程越来越复杂。为了选取适当的阈值进行图像分割,文中提出了离散灰狼算法(Discrete Grey Wolf Optimizer,DGWO),即经过离散化处理的灰狼算法,并用该算法求解以Kapur分割函数为目标函数的全局优化问题。DGWO算法具有很好的全局收敛性与计算鲁棒性,能够避免陷入局部最优,尤其适合高维、多峰的复杂函数问题的求解,并且可以很好地融合到图像分割过程当中。大量的理论分析和仿真实验的结果表明,与遗传算法(GA)、粒子群算法(PSO)的图像分割结果相比,在选取多张分割图像、多个分割阈值的情况下,该算法具有更好的分割效果,更高的分割效率,优化得到的阈值范围更加稳定,分割质量更高。
