【图像处理】基于收缩系数的粒子群优化和引力搜索算法的多级图像阈值研究【CPSOGSA】（Matlab代码实现）-Toy模板网

这篇具有很好参考价值的文章主要介绍了【图像处理】基于收缩系数的粒子群优化和引力搜索算法的多级图像阈值研究【CPSOGSA】（Matlab代码实现）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码及文献

💥1 概述

文献来源：

【图像处理】基于收缩系数的粒子群优化和引力搜索算法的多级图像阈值研究【CPSOGSA】（Matlab代码实现）,图像处理,matlab,图像处理,开发语言

图像分割（IS）是图像处理和计算机视觉中必不可少的过程。它将图像划分为许多区域和像素。换句话说，IS简化了图像的特征。多年来，已经提出了许多IS方法，包括边缘检测（ED;Papari & Petkov， 2011）、阈值（Otsu， 1979）等等。然而，由于其简单的设计和鲁棒性，阈值化被广泛使用IS技术（Oliva等人，2014）。

基本上，阈值处理图像的归一化，并根据灰度强度值将其分成更小的片段。实际上，阈值分为两级阈值和多级阈值（MT）。前者通过仅考虑一个阈值（k）值将图像分为两类。另一方面，机器翻译需要两个以上的阈值，并将图像的像素分成多个类。

图像分割是图像处理中的关键步骤之一。实际上，它处理根据像素强度将图像划分为不同的类。本工作介绍了一种新的基于收缩系数的粒子群优化和引力搜索算法（CPSOGSA）的图像分割方法。图像的随机样本充当CPSOGSA算法的搜索代理。最佳阈值数是使用 Kapur 熵法确定的。CPSOGSA在图像分割中的有效性和适用性是通过将其应用于USC-SIPI图像数据库中的五个标准图像来实现的，即飞机，摄影师，时钟，莉娜和海盗。采用各种性能指标来研究仿真结果，包括最佳阈值、标准差、MSE（均方误差）、运行时间分析、PSNR（峰值信噪比）、最佳适应度值计算、收敛图、分割图像图和箱形图分析。此外，图像精度是利用SSIM（结构相似性指数度量）和FSIM（特征相似性指数度量）指标进行基准测试的。此外，还利用成对非参数符号Wilcoxon秩和检验对仿真结果进行统计验证。

本工作介绍了一种新的基于收缩系数的粒子群优化和引力搜索算法（CPSOGSA）的图像分割方法。图像的随机样本充当CPSOGSA算法的搜索代理。最佳阈值数是使用 Kapur 熵法确定的。CPSOGSA在图像分割中的有效性和适用性是通过将其应用于USC-SIPI图像数据库中的五个标准图像来实现的。

📚2 运行结果

【图像处理】基于收缩系数的粒子群优化和引力搜索算法的多级图像阈值研究【CPSOGSA】（Matlab代码实现）,图像处理,matlab,图像处理,开发语言

部分代码：

% Parameter initialization
I = imread('Aeroplane.tiff');
% I = imread('Cameraman.tiff');

level = 5; %% Threshold = level-1
%
N_PAR = level; %number of thresholds (number of levels-1) (dimensiones)
dim = N_PAR;
%
n = 15; % Size of the swarm " no of objects " %%% Default (n = 15)
Max_Iteration = 300; % Maximum number of "iterations" %%% Default (Max_Iteration = 300)
%
if size(I,3) == 1 %grayscale image
[n_countR, x_valueR] = imhist(I(:,:,1));
end
Nt = size(I,1) * size(I,2);

% % Lmax indicated color segments 0 - 256

Lmax = 256; %256 different maximum levels are considered in an image (i.e., 0 to 255)

for i = 1:Lmax
if size(I,3) == 1
%grayscale image
probR(i) = n_countR(i) / Nt;
end
end
if size(I,3) == 1
up = ones(n,dim) * Lmax;
low = ones(n,dim);
end
tic
RunNo = 1;
for k = [ 1 : RunNo ]
[CPSOGSA_bestit,CPSOGSA_bestF,CPSOGSA_Fit_bests]= CPSOGSA(I, Lmax, n,Max_Iteration,low,up,dim, level, probR);
BestSolutions1(k) = CPSOGSA_bestF;
disp(['Run # ' , num2str(k),'::' 'Best estimates =',num2str(CPSOGSA_bestit)]); % CPSOGSA
end
% /* Boxplot Analysis */
figure
boxplot([BestSolutions1'],{'CPSOGSA'});
color = [([1 0 0])];
h = findobj(gca,'Tag','Box');
for j=1:length(h)
patch(get(h(j),'XData'),get(h(j),'YData'),color(j));
end
title ('\fontsize{15}\bf Aeroplane (k=2)');
% % title ('\fontsize{15}\bf Cameraman (k=2)');
xlabel('\fontsize{15}\bf Algorithms');
ylabel('\fontsize{15}\bf Best Fitness Values');
box on
% % %

% /* Graphical Analysis*/
figure
plot(CPSOGSA_Fit_bests,'DisplayName','CPSOGSA','Color','b','LineStyle','-','LineWidth',3);
disp( ['Time_CPSOGSA =', num2str(toc)]);
title ('\fontsize{15}\bf Aeroplane (k=2)'); % k=2,4,6,8,10
% % title ('\fontsize{15}\bf Cameraman (k=2)');
xlabel('\fontsize{15}\bf Iterations');
ylabel('\fontsize{15}\bf Fitness values');
legend('\fontsize{12}\bf CPSOGSA');
%
%
gBestR = sort(CPSOGSA_bestit);
Iout = imageGRAY(I,gBestR);
Iout2 = mat2gray(Iout);

% % Show results on images

figure
imshow(Iout)

figure
imshow(I)

% % Show results

intensity = gBestR(1:dim-1);
STDR = std(CPSOGSA_Fit_bests) %Standard deviation of fitness values
MSEV = MSE(I, Iout) %Mean Square Error
PSNRV = PSNR(I, Iout) %PSNR between original image I and the segmented image Iout
SSIMV = ssim (I, Iout) %SSIM Quality Measure
FSIMV = FeatureSIM (I, Iout) %FSIM Quality Measure
Best_Fitness_Value= CPSOGSA_Fit_bests(k) %Best fitness