【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)

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

 【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
    

🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。

【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,开发语言文章来源地址https://www.toymoban.com/news/detail-527408.html

🌈4 Matlab代码及文献

到了这里,关于【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)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 基于OpenCV的传统视觉应用 -- OpenCV图像处理 图像模糊处理 图像锐化处理

    图像处理是用计算机对图像进行分析,以获取所需结果的过程,又称为影像处理。图像处理一般是指数字图像的处理。数字图像是用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的元素称为像素,其值称为灰度值。 均值滤波是指任意一点的像素

    2024年02月07日
    浏览(68)
  • 羽翮已就之图像处理之matlab优化for循环

    小y最近一直在出差,由于一直在外也没设备,也没有时间看现控的内容,一直想写观测器的博客也只能暂时搁置。 **但是生命不息,学习不止。**小y每次使用matlab需要for循环某个矩阵就会弹出 变量似乎要更改脚本中每个循环迭代的大小 ,还会提示对速度有影响。 matlab本来就

    2023年04月11日
    浏览(30)
  • 基于matlab的数字图像处理之彩色图像处理

    一、实验目的 (1)了解如何利用RGB分量生成简单的图像。 (2)熟练掌握RGB彩色模型转换到HIS彩色模型的过程。 (3)熟练掌握RGB图像的彩色分割。 (4)熟练掌握彩色图像如何在向量空间中进行边缘检测。 二、实验仪器(软件平台)     计算机、MATLAB软件 三、实验原理

    2024年02月06日
    浏览(43)
  • (数字图像处理MATLAB+Python)第五章图像增强-第四、五节:基于模糊技术和基于伪彩色处理的图像增强

    图像的模糊特征平面 :假设原始图像为 I ( x , y ) I(x,y) I ( x , y ) ,其中 x x x 和 y y y 分别表示图像的水平和垂直方向的坐标。模糊特征平面可以表示为 B ( x , y , θ ) B(x,y,theta) B ( x , y , θ ) ,其中 θ theta θ 是一个旋转角度参数,表示模糊核函数的旋转角度。 B ( x , y , θ ) B(x,

    2023年04月20日
    浏览(96)
  • OpenCV数字图像处理基于C++:图像分割

    图像阈值化分割是一种常用的、传统的图像分割技术,因其 实现简单、计算量小、性能比较稳定 而成为图像分割中基本和应用广泛的分割技术。特别 适合于目标和背景占据不同灰度级范围的图像 。不仅 可以极大地压缩数据量 ,而且大大 简化了分析和处理的步骤 ,是进行

    2024年02月11日
    浏览(62)
  • 图像处理:基于cv2.inpaint()图像修补

    今天我们将学习如何通过一种“修复”的方法消除旧照片中的小噪音,笔画等。当然,经过我的测试你也可以将其用于削弱混杂了其他的颜色的图像。 大多数人家都会有一些旧的的旧化照片,上面有黑点,一些笔触等。你是否曾经想过将其还原?我们不能简单地在绘画工具中

    2024年02月04日
    浏览(37)
  • 【图像处理】基于matlab蚁群聚类图像边缘检测

    目录 基于matlab蚁群聚类图像边缘检测 蚁群聚类是一种模拟自然界中蚂蚁群体行为的算法,常用于解决优化问题。该算法可以用于图像处理中的边缘检测。下面给出一个基于MATLAB的蚁群聚类图像边缘检测的示例代码。 我们首先读入待处理图像,并将其转换为灰度图像。然后,

    2023年04月22日
    浏览(49)
  • Python图像处理【10】基于离散余弦变换的图像压缩

    由于图像中相邻像素间的相关性引起的空间冗余、图像序列中不同帧之间存在相关性引起的时间冗余,因此我们需要对图像数据进行压缩。数据压缩的目的就是通过去除这些数据冗余来减少数据表示所占用的存储空间。随着大数据时代的到来,图像数据在质量提高的同时,其

    2024年02月04日
    浏览(59)
  • 基于opencv的c++图像处理(图像二值化)

    基于opencv的c++接口,实现常用的图像二值化方法,包括了最大类间方差法(OTSU)、固定化阈值以及自适应阈值。 该函数将固定级别的阈值应用于多通道阵列。该函数通常用于从灰度图像中获取双层(二进制)图像(#compare 也可用于此目的)或用于去除噪声,即过滤掉值过小

    2024年02月07日
    浏览(46)
  • 数字图像处理——实验五 基于图像分割的车牌定位识别

    (1)掌握车牌阈值分割; (2)掌握基于形态学计算的图像分割; (3)掌握图像的二值化; (4)掌握基于像素投影的字符分割; (5)掌握字符识别原理。 (1)计算机; (2)Python 3.x及PyCharm软件; (3)需进行车牌识别的图片。 注: opencv-python 使用的是3.x 版本 (1) 图像灰

    2024年02月08日
    浏览(66)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包