針對最大類間方差準則下的圖像分割結果攜帶原圖信息量不足、實時性差和脈沖耦合神經(jīng)網(wǎng)絡(PCNN)模型中循環(huán)迭代次數(shù)難以確定的問題,提出了群智能算法優(yōu)化的結合熵的最大類間方差法(OTSU-H)與PCNN融合的自動圖像分割算法。首先,充分利用圖像的灰度分布信息和相關信息,將圖像信息中冗余度、競爭性以及互補性有效地融合,構造二維和三維觀測空間,提出了OTSU-H準則的快速遞歸算法;其次,將快速遞推算法的目標函數(shù)分別作為布谷鳥搜索(CS)算法、螢火蟲算法(FA)、粒子群優(yōu)化(PSO)算法和遺傳算法(GA)四種群智能算法的適應度函數(shù);最后,將優(yōu)化之后的OTSU-H引入PCNN模型中自動獲取循環(huán)迭代次數(shù)。實驗結果表明,與原始的最大類間方差法(OTSU)、最大熵準則以及基于圖論分割、像素的聚類分割和候選區(qū)域語義分割的圖像分割算法相比,所提算法具有較好的圖像分割效果,同時降低了計算復雜度,節(jié)約了計算機的存儲空間,具有較強的抗噪能力。所提算法時間損耗少、不需要訓練的特性使得算法的運用范圍較廣。

【文章頁數(shù)】：9 頁

【文章目錄】：
0 引言
1 OTSU-H算法
    1.1 一維OTSU-H算法
    1.2 2OTSU-H算法
    1.3 3OTSU-H算法
2 四種群智能算法優(yōu)化的OTSU-H
    2.1 布谷鳥搜索算法優(yōu)化OTSU-H (CS-OTSU-H)
    2.2 粒子群優(yōu)化算法優(yōu)化OTSU-H (PSO-OTSU-H)
    2.3 螢火蟲算法優(yōu)化OTSU-H (FA-OTSU-H)
    2.4 遺傳算法優(yōu)化OTSU-H (GA-OTSU-H)
3 PCNN模型中應用
4 實驗結果及分析
    4.1 OTSU-H的抗噪性能
    4.2 OTSU-H下的主客觀評價
    4.3 群智能算法優(yōu)化后OTSU-H的主客觀評價
    4.4 OTSU-H與PCNN模型融合
    4.5 OTSU-H準則的實用性驗證
    4.6 本文算法與其他算法對比實驗
5 結語



本文編號：3755669