【摘要】：精確的圖像分割在圖像處理中起著關鍵的作用.然而傳統(tǒng)分割方法由于幾何變形、圖像噪聲、顏色紋理變化等眾多因素的影響呈現(xiàn)出計算量大、分割精度較低等特征,難以提高圖像處理的分割精度.當前,交叉熵被廣泛應用于多水平閾值的提取,為此,各種智能優(yōu)化算法被提出尋找不同水平閾值的最優(yōu)組合,使交叉熵最小,以期能在一定的時間范圍內有效地解決這一問題.由于螢火蟲算法具有尋優(yōu)性能優(yōu)越、參數(shù)少且計算簡便等特點,此外,量子計算具有量子并行的特點,能使經(jīng)典算法加快運行速度.針對基本量子螢火蟲算法(QFA)早熟、易陷入局部最優(yōu)的缺陷,本文提出了基于三種組合策略的量子螢火蟲算法,將最小交叉熵作為目標函數(shù),并將它應用在賀蘭山巖畫及經(jīng)典圖像的多閾值分割問題上,取得了較好的效果.相關工作如下:(1)概述了螢火蟲算法、量子計算及圖像分割理論,并將螢火蟲算法應用在一典型多峰函數(shù)上進行了性能測驗,分析了螢火蟲算法的優(yōu)缺點.(2)研究了用于基本量子螢火蟲算法改進的三種策略,分別為:自適應步長調整策略、廣義精英反向學習策略及邊界控制策略.將三種策略相互組合應用在基本量子螢火蟲算法中,提出了三種改進的量子螢火蟲算法,即AQFA、AQFA_1、AQFA_2.AQFA_2即為自適應量子螢火蟲算法.并在10個基準測試函數(shù)對改進的算法進行試驗,結果表明在一定條件下自適應量子螢火蟲算法綜合優(yōu)化性能更佳,在求解多維函數(shù)中具有較強的優(yōu)勢,能夠有效提高高維函數(shù)計算速率,節(jié)省計算時間.(3)將改進的量子螢火蟲算法應用于經(jīng)典圖像及賀蘭山巖畫圖像分割研究.本文取最小交叉熵作為適應度函數(shù),結果表明,利用改進的基本量子螢火蟲算法即自適應量子螢火蟲算法提升了獲取分割圖像閾值的計算速度,縮短了分割時間,實例證明無論在MSSIM還是PSNR方面,都得到了顯著的提升.因此本文提出的AQFA_2算法為圖像分割提供了有效的方法.
【圖文】：

像素并設置為黑色．閾值的成功與否取決于閾值的選取．逡逑一般來說，全局閾值分割技術在圖像的目標與背景完全可分的情況下可以取得較好的分割逡逑效果，在圖像直方圖中可以看到明顯的“雙峰”直方圖分布，也就是說，圖２．１所示的凹槽部分就逡逑是所要尋找的最佳分割閾值位置，以該位置的值進行圖像分割．逡逑ｉ邋ｉ逡逑Ｐ逡逑像逡逑素逡逑個逡逑數(shù)逡逑邐＼＼＼邐＇邋，逡逑Ｔ邐２５５逡逑圖２．１：雙峰直方圖分布逡逑Ｆｉｇｕｒｅ邋２．１：邋ｂｉｍｏｄａｌ邋ｈｉｓｔｏｇｒａｍ邋ｄｉｓｔｒｉｂｕｔｉｏｎ逡逑在本文中，將給定圖像的閾值搜索過程看作一個約束優(yōu)化問題．對于雙級閾值，問題就轉化逡逑－９－逡逑

像素并設置為黑色．閾值的成功與否取決于閾值的選�。义弦话銇碚f，，全局閾值分割技術在圖像的目標與背景完全可分的情況下可以取得較好的分割逡逑效果，在圖像直方圖中可以看到明顯的“雙峰”直方圖分布，也就是說，圖２．１所示的凹槽部分就逡逑是所要尋找的最佳分割閾值位置，以該位置的值進行圖像分割．逡逑ｉ邋ｉ逡逑Ｐ逡逑像逡逑素逡逑個逡逑數(shù)逡逑邐＼＼＼邐＇邋，逡逑Ｔ邐２５５逡逑圖２．１：雙峰直方圖分布逡逑Ｆｉｇｕｒｅ邋２．１：邋ｂｉｍｏｄａｌ邋ｈｉｓｔｏｇｒａｍ邋ｄｉｓｔｒｉｂｕｔｉｏｎ逡逑在本文中，將給定圖像的閾值搜索過程看作一個約束優(yōu)化問題．對于雙級閾值，問題就轉化逡逑－９－逡逑
【學位授予單位】：寧夏大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP18;TP391.41;TP38

【相似文獻】

相關期刊論文 前10條

1 黃玲;石玉秋;覃永新;;基于小波融合的蘋果圖像分割的研究[J];科技視界;2018年29期

2 侯紅英;高甜;李桃;;圖像分割方法綜述[J];電腦知識與技術;2019年05期

3 姚霆;張煒;劉金根;;基于深度學習的圖像分割技術[J];人工智能;2019年02期

4 丁翠;;基于模糊信息處理的圖像分割方法研究[J];信息系統(tǒng)工程;2017年11期

5 王平;魏征;崔衛(wèi)紅;林志勇;;一種基于統(tǒng)計學習理論的最小生成樹圖像分割準則[J];武漢大學學報(信息科學版);2017年07期

6 李然;李記鵬;宋超;;基于顯著性檢測的協(xié)同圖像分割研究[J];現(xiàn)代計算機(專業(yè)版);2017年24期

7 鄧惠俊;;一種基于數(shù)據(jù)場的圖像分割方法與研究[J];長春工程學院學報(自然科學版);2016年02期

8 李繼云;冀卿偉;;基于自適應局部閾值的交互式圖像分割[J];計算機應用與軟件;2014年11期

9 劉印;;對圖像分割方法的認識及新進展研究[J];數(shù)碼世界;2018年08期

10 楊成佳;;唇紋識別圖像分割系統(tǒng)的研究[J];山西青年;2017年11期

相關會議論文 前10條

1 閆平昆;;基于模型的圖像分割技術及其醫(yī)學應用[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

2 楊生友;;圖像分割在醫(yī)學圖像中應用現(xiàn)狀綜述[A];2009中華醫(yī)學會影像技術分會第十七次全國學術大會論文集[C];2009年

3 朱士蓉;謝昭;高雋;;一種圖模型下的柔性圖像分割方法[A];中國儀器儀表學會第十二屆青年學術會議論文集[C];2010年

4 朱松豪;劉佳偉;羅青青;胡榮林;;基于關聯(lián)模型的圖像分割[A];第26屆中國控制與決策會議論文集[C];2014年

5 張志會;王華英;熊南燕;廖薇;成惠;劉飛飛;;對基于圖像分割與合并的相位展開算法的改進[A];第十屆全國光電技術學術交流會論文集[C];2012年

6 楊加文;謝鳳英;;基于深度學習的皮膚鏡圖像分割[A];第十五屆中國體視學與圖像分析學術會議論文集[C];2017年

7 郭世可;董槐林;龍飛;張海波;;一種結合密度聚類和區(qū)域生長的圖像分割方法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2007年

8 劉智勇;李進;黃道君;;基于遺傳算法的視頻交通量檢測圖像分割方法[A];中國體視學學會圖像分析專業(yè)、中國體視學學會仿真與虛擬現(xiàn)實專業(yè)、中國航空學會信號與信息處理專業(yè)第一屆聯(lián)合學術會議論文集[C];2000年

9 張萍;單筱攸;巴成賀;;主動脈圖像分割的研究與實現(xiàn)[A];第十二屆中國體視學與圖像分析學術會議論文集[C];2008年

10 趙建業(yè);余道衡;;一種基于模糊細胞神經(jīng)網(wǎng)絡的多值圖像分割新方法[A];中國體視學學會圖像分析專業(yè)、中國體視學學會仿真與虛擬現(xiàn)實專業(yè)、中國航空學會信號與信息處理專業(yè)第一屆聯(lián)合學術會議論文集[C];2000年

相關重要報紙文章 前1條

1 趙利利;圖像分割出新方法[N];中國科學報;2019年

相關博士學位論文 前10條

1 古晶;基于稀疏特征學習的SAR圖像分割與半監(jiān)督分類方法研究[D];西安電子科技大學;2016年

2 段一平;基于層次視覺計算和統(tǒng)計模型的SAR圖像分割與理解[D];西安電子科技大學;2017年

3 胡佩君;腹部CT圖像分割的可計算建模方法研究[D];浙江大學;2018年

4 姜楓;基于語義識別的砂巖薄片圖像分割方法研究[D];南京大學;2018年

5 趙曉麗;面向圖像分割的智能算法研究[D];上海大學;2018年

6 倪波;高強度聚焦超聲圖像分割方法研究[D];武漢大學;2016年

7 彭自立;用于交互式圖像分割的自適應表觀分離[D];湖南師范大學;2018年

8 瞿紹軍;基于最優(yōu)化理論的圖像分割方法研究[D];湖南師范大學;2018年

9 王森;非受限場景裂紋圖像分割方法研究[D];昆明理工大學;2017年

10 王濤;特征度量與信息傳遞的交互式圖論分割方法研究[D];南京理工大學;2017年

相關碩士學位論文 前10條

1 欒晶;基于MAP-MRF的圖像分割方法的研究[D];華北電力大學(北京);2019年

2 肖石林;基于Levy飛行的樹種優(yōu)化算法及在圖像分割中的應用[D];廣西民族大學;2019年

3 李恒恒;面向機場ROI提取的SAR圖像分割方法研究[D];上海交通大學;2016年

4 劉亮;基于MRF的森林冠層半球圖像分割方法研究[D];東北林業(yè)大學;2019年

5 李潤佳;基于LBF算法的樹木圖像分割方法的研究[D];東北林業(yè)大學;2019年

6 馮忠偉;基于深度學習的眼底視網(wǎng)膜圖像分割研究[D];上海交通大學;2018年

7 崔志鵬;基于深度學習的圖像分割[D];上海交通大學;2018年

8 張凱文;基于U-Net的肝臟CT圖像分割研究[D];華南理工大學;2019年

9 龐紫玲;基于密度峰值的復雜任務多粒度分解求解機制研究[D];重慶郵電大學;2018年

10 魏家璽;基于計算機視覺的柑橘潰瘍病圖像分割的研究[D];廣西大學;2019年

本文編號：2590502