群智能算法优化的结合熵的最大类间方差法与脉冲耦合神经网络融合的图像分割算法

发布时间：2023-03-05 04:05

　　针对最大类间方差准则下的图像分割结果携带原图信息量不足、实时性差和脉冲耦合神经网络(PCNN)模型中循环迭代次数难以确定的问题,提出了群智能算法优化的结合熵的最大类间方差法(OTSU-H)与PCNN融合的自动图像分割算法。首先,充分利用图像的灰度分布信息和相关信息,将图像信息中冗余度、竞争性以及互补性有效地融合,构造二维和三维观测空间,提出了OTSU-H准则的快速递归算法;其次,将快速递推算法的目标函数分别作为布谷鸟搜索(CS)算法、萤火虫算法(FA)、粒子群优化(PSO)算法和遗传算法(GA)四种群智能算法的适应度函数;最后,将优化之后的OTSU-H引入PCNN模型中自动获取循环迭代次数。实验结果表明,与原始的最大类间方差法(OTSU)、最大熵准则以及基于图论分割、像素的聚类分割和候选区域语义分割的图像分割算法相比,所提算法具有较好的图像分割效果,同时降低了计算复杂度,节约了计算机的存储空间,具有较强的抗噪能力。所提算法时间损耗少、不需要训练的特性使得算法的运用范围较广。

【文章页数】：9 页

【文章目录】：
0 引言
1 OTSU-H算法
    1.1 一维OTSU-H算法
    1.2 2OTSU-H算法
    1.3 3OTSU-H算法
2 四种群智能算法优化的OTSU-H
    2.1 布谷鸟搜索算法优化OTSU-H (CS-OTSU-H)
    2.2 粒子群优化算法优化OTSU-H (PSO-OTSU-H)
    2.3 萤火虫算法优化OTSU-H (FA-OTSU-H)
    2.4 遗传算法优化OTSU-H (GA-OTSU-H)
3 PCNN模型中应用
4 实验结果及分析
    4.1 OTSU-H的抗噪性能
    4.2 OTSU-H下的主客观评价
    4.3 群智能算法优化后OTSU-H的主客观评价
    4.4 OTSU-H与PCNN模型融合
    4.5 OTSU-H准则的实用性验证
    4.6 本文算法与其他算法对比实验
5 结语



本文编号：3755669