一、遗传算法的最佳熵在图像分割中的应用(论文文献综述)
霍星,张飞,邵堃,檀结庆[1](2021)在《改进的元启发式优化算法及其在图像分割中的应用》文中认为元启发式算法自20世纪60年代提出以后,由于其具有可以有效地减少计算量、提高优化效率等优点而得到了广泛应用.该类算法以模仿自然界中各类运行机制为特点,具有自我调节的特征,解决了诸如梯度法、牛顿法和共轭下降法等这些传统优化算法计算效率低、收敛性差等缺点,在组合优化、生产调度、图像处理等方面均有很好的效果.提出了一种改进的元启发式优化算法——NBAS算法.该算法通过将传统天牛须算法(BAS)离散化得到二进制离散天牛须算法(BBAS),并与原始天牛须算法进行混合得出.算法平衡了局部与全局搜索,有效地弥补了算法容易陷入局部最优的不足.为了验证NBAS算法的有效性,将NBAS算法与二维K熵算法结合,提出了一种快速、准确的NBAS-K熵图像分割算法.该方法解决了优化图像阈值分割函数的优化算法易陷入局部最优、算法寻优个体数多、设计复杂度高所导致的计算量大、耗时长等问题.NBAS-K熵算法与BAS-K熵算法、BBAS-K熵算法、遗传K熵算法(GA-K熵)、粒子群K熵算法(PSO-K熵)和蚱蜢K熵算法(GOA-K熵)在Berkeley数据集、人工加噪图像以及遥感图像上的实验结果表明,该分割方法不仅具有较好的抗噪性能,而且具有较高的精度和鲁棒性,能够较为有效地实现复杂图像分割.
彭小宝[2](2021)在《面向复杂场景的多类目标精细语义分割研究》文中研究说明近年来,随着计算机硬件资源大幅提升和深度学习技术快速发展,基于卷积神经网络的语义分割技术再次成为科研人员的研究热点,其广泛应用于自动驾驶、卫星遥感图像分析、医学图像分割、物体缺陷检测和精准农业等领域。基于图像语义分割的巨大应用价值,本文使用Deeplab V3++和CGCNN网络分别在普通图像(RGB)和高光谱图像(HSI)上进行精细语义分割研究。然而,深入研究发现Deeplab V3++和CGCNN网络存在相应问题:1)Deeplab V3++在获取图像高级语义特征过程中,需对图像进行下采样操作,而此操作易导致图像细节信息和小目标信息丢失;2)使用CGCNN网络分割高光谱图像时,减少训练数据,网络分割效果下降。针对Deeplab V3++网络和CGCNN网络存在的问题展开如下研究与改进:1.针对Deeplab V3++网络在下采样过程中容易丢失细节信息和小目标信息,在其主干网络上嵌入注意力机制模块。首先,采取手动获取注意力机制模块权重值(经验值)的方式探索注意力机制模块对原始网络的影响;其次,探索注意力机制模块间融合方式对原始网络的影响;最后,根据语义预测图的损失梯度更新注意力机制模块权重值。通过对PASCAL VOC2012公共分割数据集和实验室自制植物虫害数据集实验结果分析,本文提出的方法(嵌入注意力机制模块信息)在图像分割精度上高于原始网络。2.针对CGCNN网络分割高光谱图像时,减少高光普图像训练数据情况下,网络分割效果明显下降的问题,基于CGCNN网络结构,本文提出了双CGCNN门机制网络。首先,详细分析了CGCNN网络,并且在IP、KSC、SD、UP四个公共数据集上进行了实验;其次,构建了双CGCNN门机制网络,通过门机制对双网络输出特征图进行选择重构;最后,将训练数据集成倍数减少,分别在CGCNN网络和双CGCNN门机制网络上展开对比实验。对比实验结果,本文提出的双CGCNN门机制网络在四个高光谱图像上分割精度高于CGCNN网络。
张睿[3](2021)在《基于正余弦优化算法的改进及其应用》文中研究指明群智能优化算法是现阶段用于解决最优解优化问题的重要方法之一,被广泛应用于各种现实生活中存在的实际问题中。正余弦优化算法(Sine Cosin Algorithm,SCA)是新颖的群智能算法,是基于正弦和余弦三角函数特性而开发的算法,主要用于解决全局优化问题。本文介绍了一种新颖的正弦余弦算法改进方法,可以提高解的利用能力,并减少经典SCA搜索方程中存在的多样性的溢出,所提出的算法被称为ISCA。该算法的关键特征是将交叉算子与单个解决方案的最佳状态相结合,并整合了自学习、全局搜索机制以及贪婪选择机制。为了评估ISCA算法的性能,在一组经典函数和多个工程问题以及多级阈值图像分割问题中对ISCA算法进行了测试。测试结果表明:(1)在经典23个经典函数测试结果中,本研究改进的ISCA算法在迭代过程中的探索和开发能力优于原有的SCA算法。新算法具有寻优精度高、需要计算量小、收敛速度快以及鲁棒性强的特点,可以很好的解决各经典函数问题;(2)在五个复杂非线性约束优化工程问题测试结果中。本研究改进的ISCA算法在五个经典工程问题中的求解表现均优于对比算法。证明了本研究改进的ISCA算法在求解复杂非线性约束优化问题的可行性。也为使用本研究改进的ISCA算法进行多目标优化奠定基础;(3)在多级阈值图像分割问题测试结果中。将改进的ISCA阈值分割方法在一组基准图像上进行了测试,并在结果部分设计了两组实验进行了比较。基于统计分析、收敛行为分析和性能指数分析的实验结果,ISCA算法的可以完全胜任研究中提到的多级阈值图像分割任务。证明了该算法在本研究问题中的有效性、准确性和鲁棒性。综上所述,在经典函数、工程问题和多级阈值分割的数值实验和分析表明,所提出的算法(ISCA)可以有效地解决现实生活中的优化问题。
马雨晴[4](2021)在《基于脉冲耦合神经网络的MRI图像分割算法研究》文中研究表明医生在诊断过程中往往需要医学图像的辅助,准确的医学分割图像对医生诊断病情、制定一些疾病的治疗方案具有重要意义。核磁共振成像是目前应用最为广泛的脑部成像手段之一,但其特殊的传输方式会导致图像受到混合噪声的干扰,且由于图像自身对比度低,内部组织形状不定,分离病灶部位与正常组织变得更加困难。为了设计一种满足临床医学实际需求的MRI脑部图像自动分割算法,本文利用哈佛大学医学院图像库中的MRI图像,从去噪和分割两个方面对获取图像进行了深入的研究处理,取得了较好的效果。本文工作总结如下:首先,为了去除噪声干扰,使用改进小波变换算法对MRI脑部图像进行去噪。在低频部分,根据小波系数分布情况设置阈值对小波信号进行信噪分离,并对非目标区域的小波系数进行弱化滤波处理。在高频部分,通过自适应阈值函数对系数进行处理。实验结果表明,与医学图像中常用的去噪算法相比,改进去噪算法取得了更优的视觉效果和去噪效果评价参数。然后,为确保分割的效果与实时性,本文采用PCNN模型对MRI脑部图像进行分割,并使用改进GSO算法进行参数寻优。改进GSO算法引入了自适应步长的概念,使个体萤火虫的步长可以随着迭代次数自动调整。同时,算法标记了种群最优值,并对每次迭代过程中的萤火虫进行了分类,根据萤火虫所属类型将个体移动方式设置为三种。最后,为了使改进GSO算法可以成功的应用于MRI脑部图像中,本文在萤火虫迭代过程中,设定了合适的适应度函数规范萤火虫的移动。在对MRI脑部图像进行特征分析之后,本文列出了图像中常用的评价指标参数。为了消除因单一指标导致图像分割不准确的现象,通过对比实验,将两项指标的加权和确定为最终的适应度函数。完成萤火虫算法与适应度函数的改进后,对去噪后的MRI图像进行了分割实验。通过对群智能算法专用测试函数进行的寻优实验结果证明,改进GSO算法在寻优性与收敛性上均优于其他用于对比的群智能算法,具有不易陷入局部最优解的优势。与MRI图像中其他常用的分割方法相比,本文提出的改进算法在保留图像内部边缘特征的同时,有效地减少了过分割现象的出现,取得了较好的分割效果。
喻刚[5](2021)在《面向智能除草机器人的苗草图像分割算法研究》文中研究指明在农业生产领域,玉米是我国重要的农作物,玉米苗期的除草能有效保障作物产量。目前国内的除草方式主要包括人工除草、化学除草和中耕除草等,这些传统的方法存在各自的缺点,比如除草效率低、劳动成本高、破坏土壤环境和造成化学污染等,因此,研究智能农业除草机器人的技术具有现实意义。视觉系统是智能除草机器人的一项基础且重要的研究任务,高精度和低延时的图像算法是完成识别的关键,现有的除草机器人视觉系统普遍使用传统图像分割与识别方法,这些方法的算法鲁棒性和精确度较差,往往不能满足复杂的户外环境。随着人工智能的快速发展,深度学习得到了人们的广泛关注,基于深度学习的图像分割技术在实时性和精度上获得了很大的提升,这些技术也逐渐从理论研究走向实际应用。然而,目前深度学习网络存在模型参数量多、运算速度慢等问题,深度学习模型的边缘设备部署依旧是一个难点。针对这些问题,本文从深度学习的模型架构和边缘设备端的优化部署角度出发,探索一种应用于智能除草机器人视觉系统的苗草图像分割算法。本文完成的工作如下:(1)本文开发了面向除草机器人的视觉系统试验平台,通过分析智能农业除草机器人视觉系统的功能和需求,提出了视觉系统的总体设计方案,搭建了相关实验平台以及视觉系统的深度学习环境。(2)本文从玉米实验田中采集了大量苗期玉米杂草图像,对实验图像进行超绿灰度化和高斯滤波等图像预处理,然后对苗草图像使用OTSU阈值分割和边缘检测算法实验,同时使用基于类间方差法的遗传算法,以及全卷积神经网络分别进行图像分割实验。通过多种分割算法对比分析,得出卷积神经网络方法在苗草图像分割中的可行性以及有效性,并探讨深度学习在图像分割领域的发展前景。(3)为实现高性能的分割模型,本文基于Yolact实例分割算法,融合预激活残差网络和特征金字塔作为主干特征提取模块,在苗草数据集上综合评估模型性能,并与其他算法进行对比实验。结果表明,本文模型在检测速度和精度上表现良好。(4)本文基于TensorRT对实例分割模型进行推理加速,主要包括使用权重量化以及层间张量重构等优化方法,将优化后的模型部署在GPU嵌入式平台上,通过对苗草测试集与苗草视频的分析测试,结果显示,优化的模型在玉米苗期图像分割与识别上具有一定的优势,基本满足农业除草机器人视觉系统的检测要求。
孙敏[6](2020)在《基于群体智能的图像多阈值分割方法研究》文中认为图像分割的主要工作是把图像分成若干个具有特定性质的区域并将感兴趣的目标提取出来。在现有的图像分割算法中,多阈值法因其简单、最为直接而被广泛发展应用于多目标图像分割。但该方法计算量大且复杂度较高,严重影响分割效率。多阈值法实质上是以一定的准则在复杂的参数空间中快速寻找到最佳分割阈值,而群体智能优化算法可对复杂非线性、多维问题进行快速有效的计算,且能够在较短的时间内搜索到令人满意的全局最优解,缩短计算时间。因此,为了提高多阈值法的分割效率,将群体智能优化算法应用到图像多阈值分割成为研究热点问题。但是这类方法普遍存在寻优后期搜索速度较慢、易陷入局部最优的缺点,从而导致求解精度较低。本文针对传统的布谷鸟算法、粒子群算法以及鲸鱼算法,从不同角度进行改进,并将改进方法应用于图像分割的多阈值选取,用以提高图像分割精度和速度。主要研究成果如下:(1)基于当前种群的适应度值自适应确定布谷鸟算法的迭代步长,改进传统布谷鸟算法。传统布谷鸟算法应用于多阈值分割时,其计算量随着阈值个数的增加呈指数增长。其原因是传统布谷鸟算法采用固定的步长,而忽略了个体寻优能力的差异性。因此,本文将Levy飞行环节中的迭代步长设置为由当前种群的适应度值自适应确定,并将偏好随机游动环节中的发现概率pa设置为随着当前迭代次数和总迭代次数的改变而改变。这样的改进策略,增加了种群的多样性,使得算法寻优后期能够及时跳出局部最优,避免早熟。为了验证改进算法的效率和精度,将改进算法与经典的布谷鸟算法、Naik的自适应布谷鸟算法进行比较。实验结果表明,改进的算法能够快速选取最佳分割阈值且分割精度明显提高。(2)利用Circle映射产生的混沌扰动策略,改进达尔文粒子群算法,并用于彩色图像的多阈值分割。达尔文粒子群算法后期易陷入局部最优,导致图像分割不精确。而混沌运动具有随机性、遍历性和初值敏感性等优点,因此本文利用Circle映射产生的混沌扰动策略对全局最佳粒子位置进行修正,有效地防止算法陷入局部最优,从而加快收敛并提高搜索精度。此外,本文将最大熵作为目标函数,利用改进的算法进行寻优得到最佳阈值,实现彩色图像多阈值分割。为了阐释改进方法的优劣性,选取了三幅彩色图像,将改进算法与达尔文粒子群算法、粒子群算法以及和声算法进行对比。实验结果表明,改进算法可以准确地提取出目标,增强彩色图像的分割效果。(3)利用McCulloch方法可以高效生成稳定随机变量的特点,改进鲸鱼算法,用于遥感图像的多阈值分割过程。传统的鲸鱼算法寻优后期易出现搜索精度低,导致图像分割的效果较差。因此,本文引入McCulloch方法对当前最佳鲸鱼个体进行变异扰动,使其在最优位置附近进行精细搜索,扩大搜索范围,提高群体多样性,以平衡鲸鱼算法的全局搜索和局部搜索能力,从而提高算法的寻优精度,避免算法出现早熟收敛现象。此外,本文以最大类间方差作为目标函数,利用改进的算法进行寻优得到最佳分割阈值,将遥感图像中的关注目标准确提取出来。为了验证改进算法的寻优精度,选取了三幅遥感图像,将改进的鲸鱼算法与其他分割法进行比较。实验结果表明,改进鲸鱼算法具有较高的精度,提高了遥感图像的分割质量。图[35]表[13]参[122]
杨帅[7](2020)在《基于改进闪电连接过程算法和多维熵的图像分割方法研究》文中研究表明图像分割是图像处理与分析的基本步骤之一,阈值分割是其中应用较为广泛的一类分割方法,但在阈值个数较多时,传统的阈值搜索算法(如穷举搜索等)往往由于解空间过大导致效率极其低下。闪电连接过程算法(LAPO)是一种新型智能优化算法,它具有寻优能力较强、参数较少等优点,本文拟采用LAPO算法实现多维度直方图下的图像多阈值分割。然而标准LAPO算法依然存在着优化能力不稳定等问题,针对标准LAPO算法存在的不足,本文提出了四种改进方案,并将其应用于以多维熵为准则的图像多阈值分割中。本文主要工作如下:1.针对标准闪电连接过程算法(LAPO)存在的不足,本文通过反向学习策略、混沌扰动策略、高斯变异策略对其进行了改进,提出了基于反向学习的闪电连接过程算法(OLAPO)、基于混沌扰动的闪电连接过程算法(CLAPO)、基于混沌初始化的闪电连接过程算法(CILAPO)、基于高斯变异的闪电连接过程算法(GLAPO),并在标准函数优化问题上对上述改进算法进行了性能测试。2.将标准闪电连接过程算法及其改进算法应用于非噪声图像分割。实验结果表明,四种改进算法的优化能力和稳定性均有所增强,其中,OLAPO的综合表现较为突出,能够以多维熵为准则实现效果较好、稳定性较强的图像多阈值分割。3.以不同维度的熵为分割准则,并利用综合表现较好的OLAPO算法进行了噪声图像分割实验。实验结果表明,在一般情况下,三维熵分割法对噪声的抑制效果最好,同时能够保留较多的细节;一维熵分割法虽然在部分图像上能够保留较多细节,但是几乎无法抑制噪声;二维熵分割法能够在一定程度上抑制噪声,但和三维熵法相比,保留的图像细节较少;综合分析实验结果可知,基于OLAPO和三维Shannon熵的图像分割法在噪声图像中的分割效果较好。总的来看,四种改进算法的优化能力和稳定性均有所增强,能够较好地满足阈值分割需求,特别是对于噪声图像的分割,其中,基于反向学习策略的改进LAPO的图像阈值分割方案综合表现较为优异。
张飞[8](2020)在《一种改进的元启发式算法及其在图像处理中的应用》文中进行了进一步梳理元启发式算法自上世纪60年代提出后,由于其具有可以有效地减少计算量,提高优化效率等优点而得到了广泛应用。该类算法模仿自然界中各类运行机制,具有自我调节的特征,解决了诸如梯度法、牛顿法和共轭下降法等这些传统优化算法计算效率低,收敛性差等缺点,在组合优化、生产调度、图像处理等方面均有很好的效果。图像分割是图像处理系统中重要的一环,分割结果对图像的后续处理有很大的影响。但传统的图像分割往往会有数据处理量大,函数模型复杂等问题。本文重点研究元启发式算法,针对其缺点进行改进,并将其应用到图像分割中来。主要工作如下:(1)针对现有的一维K熵算法在分割图像时易受噪声影响,分割不准确的问题,本文将常用于图像分割的一维K熵阈值选取准则函数延伸至二维,给出了二维K熵定义和相应的分割函数。该阈值方法不仅考虑到了像素本身的值,还考虑到了像素的邻域信息,且通过调节参数k能很好地完成不同图像的分割,具有较高的灵活性和普适性。(2)针对现有的天牛须算法(BAS)在面对复杂的非线性函数时存在易陷入局部最优,且在迭代后期天牛的步长和搜索距离都会衰减的不足,提出了一种拥有强全局探索能力的学习策略:离散二进制天牛须算法(BBAS)。(3)BAS在迭代后期由于步长的衰减易陷入局部最优,而单纯的BBAS运行到最后时,更具有随机性,这是一种全局搜索能力且会因全局搜索性过强而无法全局收敛。根据这两种算法的优势和不足,将原始BAS与BBAS结合起来,利用BBAS辅助原始BAS算法,提出了一种新的天牛须搜索算法(NBAS)。该算法平衡了局部与全局搜索,有效弥补了BAS容易陷入局部最优的不足。并通过在基准测试函数上的测试验证了算法的有效性。(4)将NBAS算法与BBAS算法分别与二维K熵阈值分割准则函数结合,提出了NBAS-K熵分割算法和BBAS-K熵分割算法。通过在Berkeley数据集、人工加噪图像以及遥感图像上的实验结果表明,NBAS-K熵图像分割算法不仅具有较好的抗噪性能,而且具有较高的精度和鲁棒性,能够够快速有效地分割图像。
张天驰[9](2019)在《脑胶质瘤核磁共振图像分割方法研究》文中研究表明医学图像处理技术作为医疗的重要技术手段,发挥着不可替代的作用。脑瘤是影响人类健康的重要原因之一,基于核磁共振图像(Magnetic Resonance Imaging,MRI)进行脑胶质瘤标志物分割辨识是目前最有效的医疗诊断技术手段之一,因此,研究脑瘤MRI图像分割技术具有重要的理论研究意义和实际应用价值。本文针对脑胶质瘤MRI图像目标物形状复杂且不规则、边缘模糊、目标和背景灰度值相近等特征,基于纳什均衡、粗糙集和粗糙熵、玻色-爱因斯坦凝聚等理论,研究脑胶质瘤MRI图像分割问题,旨在为提高脑瘤等医学图像分割质量探索新方法。论文主要研究内容如下:研究基于纳什均衡理论改进支持向量机(Support Vector Machine,SVM)的脑胶质瘤图像分割方法。针对SVM中惩罚参数的设置影响图像分割准确性的问题,提出熵和标准差双重约束的新型纳什均衡模型,研究图像特征及其分割过程与纳什均衡理论及其推理机制之间的关系,得出新型纳什均衡模型参数计算方法,构建纳什均衡过程。提出基于新型纳什均衡模型改进SVM,采用熵和标准差双重约束的纳什均衡收益通过纳什均衡推理来设定SVM中的惩罚参数。通过对脑胶质瘤MRI图像分割实验验证本文方法的效果。研究基于纳什均衡理论的目标边缘区域聚类方法。针对脑胶质瘤图像目标边缘区域模糊的问题,提出两步纳什均衡聚类方法,通过类内最大相似性判断(目标区域内部节点之间的最大相似度)和类间最小相似性判断(目标和背景区域的节点之间的最小相似度)获得脑瘤目标区域和背景区域。基于纳什均衡理论改进C-V模型,通过该模型得到脑瘤目标轮廓线;针对脑瘤图像目标边缘区域相似的问题,提出基于纳什均衡的纹理相似区域判断与合并方法,获得脑瘤目标区域和背景区域之后,基于纳什均衡理论改进多纹理特征C-V模型,将图像中节点特征映射为纳什均衡的收益,通过纳什均衡推理来设定C-V模型中平均灰度参数。通过改进后的C-V模型求得脑瘤目标轮廓线。通过MRI脑瘤图像分割实验验证本文方法的效果。研究基于粗糙集和粗糙熵的Petri网脑瘤图像分割方法。针对粗糙集和粗糙熵只对轮廓线上某个节点自身进行判断不对该节点相邻节点进行相关性判断而导致脑瘤图像分割轮廓线不准确的问题,提出基于粗糙集和粗糙熵的Petri网的脑瘤图像分割方法,提出粗分割、精分割两阶段分割方式:第一阶段基于粗糙集和粗糙熵进行粗分割以获得目标对象的初步轮廓;第二阶段通过Petri网进行精分割,利用Petri网进行对多边界选择和前后向校正以得到更精确的目标轮廓。通过实验验证该方法在提高图像分割准确性方面的效果。研究基于玻色—爱因斯坦凝聚理论(Bose–Einstein Condensate,BEC)的脑胶质瘤图像分割模型。针对脑胶质瘤形状通常为囊性或环状增强的边缘轮廓而难以对其图像进行精确分割的问题,为探索新的医学图像分割方法,本文尝试将BEC理论应用于脑瘤图像分割。基于BEC构建支持向量机(SVM)中的核函数,提出一种BEC核函数的SVM脑瘤图像分割方法。通过不同类型的脑胶质瘤图像分割实验,对比验证本文方法与其他相近方法的分割效果。研究基于量子虫洞粒子群优化算法的脑瘤图像分割方法。针对具有“瓶颈”和“硬脑尾”等复杂形状的脑瘤图像分割问题,引入量子和虫洞理论来改进量子粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO),提出一种新的量子虫洞粒子群优化算法(Quantum and Wormhole-behaved Particle Swarm Optimization,QWPSO),提出将图像中节点分为种子粒子节点和像素粒子节点两类,给出区分两类节点的分类公式。提出一种虫洞双曲线路径公式,给出QWPSO算法的计算公式。通过实验验证本文方法和其他方法的对比效果。为复杂形状的脑瘤MRI图像分割探索一种新方法。
张旭阳[10](2019)在《基于脉冲耦合神经网络模型的图像分割方法研究》文中提出脉冲耦合神经网络(Pulse Coupled Neural Network-PCNN)是对哺乳动物视觉神经系统进行模拟得出的新一代人工神经网络,因其具有同步脉冲发放、时空综合、自动波等非常有利于图像分割的特性而备受关注,成为图像分割领域的研究热点。本文的主要研究内容如下:首先,对传统的图像分割算法以及脉冲耦合神经网络的基本理论进行分析,深入研究了脉冲耦合神经网络模型的原理,总结了脉冲耦合神经网络的基本特性。其次,提出用改进免疫遗传算法与PCNN模型结合的新思路,并对免疫遗传算法的改进方法进行了设计和图像分割实验。结果表明,用最大类间方差改进的免疫遗传算法对多峰值、单峰值及灰度值分布均匀图像的分割效果,在区域对比度指标上优于以区域一致性和熵函数为亲和度的免疫遗传算法,验证了本文算法的实用性。最后,分别对基于OTSU、最小交叉熵和遗传算法的PCNN图像分割方法进行分析,这三种算法对PCNN图像分割算法的循环终止条件和模型参数的自适应设置进行了改进,但PCNN图像分割算法本身的复杂性仍旧存在。针对该问题,本文提出将改进的免疫遗传算法与PCNN模型结合得到IGA-PCNN图像分割方法:先用改进的免疫遗传算法自适应得到最佳阈值,然后将最佳阈值替换PCNN模型中的动态阈值,最后利用PCNN模型的脉冲耦合特性完成图像分割。IGA-PCNN算法不仅减少了 PCNN模型中动态阈值相关参数的设置,还降低了分割过程的复杂程度。实验结果证明,IGA-PCNN图像分割方法对多峰值、单峰值及灰度值分布均匀的可见光图像均有很好的分割效果。
二、遗传算法的最佳熵在图像分割中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、遗传算法的最佳熵在图像分割中的应用(论文提纲范文)
(2)面向复杂场景的多类目标精细语义分割研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 传统图像分割研究现状 |
1.2.2 深度学习图像分割研究现状 |
1.3 论文主要工作 |
1.4 结构安排 |
第2章 图像分割技术介绍 |
2.1 传统图像分割技术介绍 |
2.1.1 基于阈值的图像分割 |
2.1.2 基于边缘的图像分割 |
2.1.3 基于区域的图像分割 |
2.1.4 基于特定理论的图像分割 |
2.2 卷积神经网络介绍 |
2.2.1 卷积神经网络基础知识 |
2.2.2 常见主干网络介绍 |
2.3 基于卷积神经网络的语义分割算法 |
2.3.1 下采样编码 |
2.3.2 上采样解码 |
2.3.3 网络的训练 |
2.3.4 常见语义分割网络 |
2.4 本章小结 |
第3章 基于注意力机制的Deeplab V3++图像分割 |
3.1 Deeplab V3++网络结构分析 |
3.1.1 Deeplab V3++下采样编码 |
3.1.2 Deeplab V3++上采样解码 |
3.2 嵌入注意力机制的Deeplab V3++网络结构分析 |
3.2.1 网络整体结构分析 |
3.2.2 被嵌入的注意力机制模块分析 |
3.3 实验分析 |
3.3.1 实验数据介绍 |
3.3.2 实验环境与参数设置 |
3.3.3 实验评价 |
3.3.4 实验策略 |
3.3.5 实验结果分析 |
3.4 本章小结 |
第4章 基于双CGCNN门机制网络的高光谱图像分割 |
4.1 高光谱图像分割概述 |
4.2 CGCNN网络结构分析 |
4.3 双CGCNN门机制网络结构分析 |
4.4 实验分析 |
4.4.1 实验数据介绍 |
4.4.2 实验环境与参数设置 |
4.4.3 实验评价 |
4.4.4 使用CGCNN网络实验 |
4.4.5 使用双CGCNN门机制网络实验 |
4.4.6 实验总结 |
4.5 本章小结 |
第5章 全文总结与展望 |
5.1 全文工作总结 |
5.2 后续工作与展望 |
参考文献 |
攻读学位期间的研究成果及所获荣誉 |
致谢 |
(3)基于正余弦优化算法的改进及其应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究目的及意义 |
1.2 国内外研究现状 |
1.2.1 群智能算法研究现状 |
1.2.2 多级阈值图像分割研究现状 |
1.3 研究内容及论文结构安排 |
第二章 正余弦优化算法 |
2.1 正余弦算法 |
2.2 正余弦优化算法改进思路 |
2.2.1 交叉算子 |
2.2.2 贪婪选择机制 |
2.3 改进的正余弦优化算法(ISCA) |
2.4 正余弦优化算法(ISCA)框架 |
2.5 实验环境及参数设置 |
2.6 本章小结 |
第三章 经典函数测试与数据分析 |
3.1 数值实验参数设置 |
3.2 数值实验结果 |
3.3 数值实验结果分析 |
3.3.1 单峰函数测试结果分析 |
3.3.2 多峰函数测试结果分析 |
3.3.3 固定维度的多峰函数测试结果分析 |
3.4 收敛性分析 |
3.5 CPU执行时间比较结果 |
3.6 测试结果统计分析 |
3.7 本章小结 |
第四章 改进的正余弦算法在工程测试问题中的应用 |
4.1 齿轮设计问题 |
4.2 调频参数估计问题 |
4.3 悬臂梁设计问题 |
4.4 减速器设计问题 |
4.5 压力管道设计问题 |
4.6 本章小结 |
第五章 改进的正余弦算法在多级阈值分割中的应用 |
5.1 能量曲线 |
5.2 最大类间方差法(OTSU) |
5.3 改进的正余弦算法在多级阈值分割中的应用 |
5.4 基准图像与评价指标 |
5.5 实验结果与分析 |
5.5.1 不同图像的分割结果比较 |
5.5.2 单张图像测试结果分析 |
5.5.3 分割结果讨论 |
5.6 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
攻读硕士学位期间研究成果 |
(4)基于脉冲耦合神经网络的MRI图像分割算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 MRI图像去噪现状 |
1.2.2 MRI图像分割现状 |
1.3 论文主要研究内容 |
1.4 论文结构安排 |
第2章 MRI图像的去噪处理 |
2.1 MRI图像噪声类型概述及典型的去噪方法 |
2.1.1 中值滤波 |
2.1.2 非线性扩散滤波 |
2.1.3 三维块匹配算法 |
2.1.4 基于小波变换的噪声去除方法 |
2.2 基于小波变换与频域过滤的改进去噪方法 |
2.2.1 低频小波系数处理 |
2.2.2 高频小波系数处理 |
2.3 MRI医学图像去噪评价指标 |
2.3.1 均方差 |
2.3.2 峰值信噪比 |
2.3.3 图像结构相似度 |
2.3.4 边缘保持系数 |
2.4 实验仿真与结果分析 |
2.5 本章小结 |
第3章 基于脉冲耦合神经网络的MRI图像分割技术 |
3.1 MRI图像分割算法概述 |
3.1.1 边缘检测分割法 |
3.1.2 阈值分割算法 |
3.1.3 结合特定理论的分割算法 |
3.2 PCNN工作原理与基础模型 |
3.2.1 接收域 |
3.2.2 调制部分 |
3.2.3 脉冲产生部分 |
3.3 简化 PCNN 与图像分割参数的设定 |
3.3.1 简化PCNN模型 |
3.3.2 基于实验经验的图像分割参数设定 |
3.3.3 基于自适应方法的图像分割参数设定 |
3.4 本章小结 |
第4章 萤火虫算法及其改进 |
4.1 萤火虫算法介绍 |
4.1.1 萤火虫算法工作原理 |
4.1.2 萤火虫算法模型 |
4.1.3 萤火虫算法流程 |
4.2 改进萤火虫算法 |
4.2.1 改进萤火虫算法模型 |
4.2.2 改进萤火虫算法流程 |
4.3 实验结果分析 |
4.3.1 测试函数 |
4.3.2 收敛性分析 |
4.4 本章小结 |
第5章 基于改进萤火虫算法的PCNN图像分割 |
5.1 MRI图像分割性能评价指标 |
5.1.1 信息熵 |
5.1.2 交叉熵 |
5.1.3 图像紧凑度 |
5.1.4 色差均值对比 |
5.1.5 区域一致性 |
5.2 实验结果与分析 |
5.2.1 适应度函数的设定 |
5.2.2 结果与分析 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
在学期间公开发表论文及着作情况 |
(5)面向智能除草机器人的苗草图像分割算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 本文研究背景 |
1.2 本文研究意义 |
1.3 国内外研究现状 |
1.3.1 农业视觉除草机器人发展现状 |
1.3.2 卷积神经网络发展现状 |
1.3.3 图像分割算法发展现状 |
1.4 研究内容及论文结构 |
1.4.1 本课题研究内容 |
1.4.2 论文结构 |
第二章 智能除草机器人视觉系统整体方案设计 |
2.1 除草机器人视觉系统的需求分析及总体方案设计 |
2.1.1 机器人视觉系统的需求分析 |
2.1.2 除草机器人的总体方案设计 |
2.2 除草机器人视觉系统方案设计 |
2.2.1 除草机器人硬件系统选型 |
2.2.2 除草机器人软件平台介绍 |
2.3 本章小结 |
第三章 苗草图像分割模型的相关理论及实验 |
3.1 引言 |
3.2 基于传统图像处理的苗草分割模型 |
3.2.1 图像预处理 |
3.2.2 基于OTSU的阈值分割算法 |
3.2.3 形态学及Canny边缘轮廓检测 |
3.3 结合特定工具的图像分割算法 |
3.3.1 基于遗传算法的图像分割 |
3.3.2 实验仿真分析 |
3.4 基于卷积神经网络的图像分割 |
3.4.1 卷积神经网络 |
3.4.2 基于卷积神经网络的图像分割方法 |
3.4.3 训练过程以及结果 |
3.5 实验对比及评价 |
3.6 本章小结 |
第四章 基于预激活残差网络的实例分割模型 |
4.1 引言 |
4.2 Yolact网络 |
4.2.1 Yolact网络概述 |
4.2.2 实例分割模型的主要架构 |
4.3 基于预激活残差网络的实例分割模型搭建 |
4.3.1 预激活残差网络 |
4.3.2 实例分割网络的架构 |
4.4 实验结果与分析 |
4.4.1 实验环境及数据集 |
4.4.2 模型评价指标 |
4.4.3 网络训练及可视化 |
4.4.4 苗草分割质量与结果评估 |
4.5 本章小结 |
第五章 边缘设备的模型部署 |
5.1 基于TensorRT的深度模型优化 |
5.1.1 TensorRT的基本原理 |
5.1.2 深度模型的优化 |
5.2 视觉机器人图像分割测试 |
5.2.1 实验测试环境搭建 |
5.2.2 深度模型的优化结果测试 |
5.2.3 实验测试分析 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录A 本人在攻读硕士学位期间的科研成果 |
(6)基于群体智能的图像多阈值分割方法研究(论文提纲范文)
摘要 |
Abstract |
引言 |
1 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.2.1 图像阈值分割法研究现状 |
1.2.2 基于群体智能的图像多阈值分割研究进展 |
1.3 本文的结构安排 |
2 群体智能优化算法 |
2.1 常见的群体智能优化算法 |
2.1.1 遗传算法 |
2.1.2 粒子群算法 |
2.1.3 和声算法 |
2.2 新型的群体智能算法 |
2.2.1 布谷鸟算法 |
2.2.2 鲸鱼算法 |
2.3 群体智能算法的性能测试 |
2.3.1 基准测试函数 |
2.3.2 图像分割中的测试 |
2.4 本章小结 |
3 基于改进布谷鸟算法的图像多阈值分割 |
3.1 多阈值图像分割的目标函数 |
3.1.1 最大类间方差法 |
3.1.2 最大熵法 |
3.1.3 Tsallis熵 |
3.2 基于改进布谷鸟算法的图像多阈值分割 |
3.2.1 改进的布谷鸟算法 |
3.2.2 改进布谷鸟算法分割流程图 |
3.3 实验结果的分析讨论 |
3.3.1 实验参数设置 |
3.3.2 分割性能指标 |
3.3.3 分割结果对比 |
3.3.4 分割性能对比 |
3.3.5 收敛速度对比 |
3.4 本章小结 |
4 基于混沌达尔文粒子群的彩色图像多阈值分割算法 |
4.1 达尔文粒子群算法描述 |
4.1.1 达尔文粒子群算法 |
4.1.2 混沌达尔文粒子群算法 |
4.1.3 CDPSO算法分割流程 |
4.2 实验结果的分析讨论 |
4.2.1 实验参数设置 |
4.2.2 分割性能对比 |
4.2.3 分割结果对比 |
4.2.4 收敛速度对比 |
4.3 本章小结 |
5 基于改进鲸鱼算法的遥感图像多阈值分割 |
5.1 改进的鲸鱼算法 |
5.1.1 McCulloch算法 |
5.1.2 改进的鲸鱼算法分割流程 |
5.2 实验结果的讨论分析 |
5.2.1 实验参数设置 |
5.2.2 分割结果对比 |
5.2.3 分割性能对比 |
5.2.4 收敛速度对比 |
5.3 本章小结 |
6 结论与展望 |
6.1 本文主要工作 |
6.2 未来工作 |
参考文献 |
致谢 |
作者简介及硕士研究生期间主要科研成果 |
(7)基于改进闪电连接过程算法和多维熵的图像分割方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 智能优化算法研究现状 |
1.2.2 图像分割研究现状 |
1.3 论文主要内容及结构安排 |
1.3.1 论文主要研究内容 |
1.3.2 论文结构安排 |
第2章 闪电连接过程算法及其改进 |
2.1 闪电连接过程算法基本原理 |
2.1.1 云层中发生击穿 |
2.1.2 下行先导向地面移动 |
2.1.3 闪电分支消失 |
2.1.4 上迎先导的移动 |
2.1.5 连接点的确定 |
2.2 闪电连接过程算法的数学描述 |
2.2.1 初始化 |
2.2.2 确定闪电的下一跳 |
2.2.3 闪电分支消失 |
2.2.4 上迎先导的移动 |
2.2.5 连接点的确定 |
2.3 标准闪电连接过程算法的优缺点 |
2.4 改进的闪电连接过程算法 |
2.4.1 反向学习策略 |
2.4.2 混沌扰动策略 |
2.4.3 高斯变异策略 |
2.5 实验仿真及结果分析 |
2.6 本章小结 |
第3章 基于闪电连接过程算法和一维熵的图像分割方法 |
3.1 基于熵的图像分割方法基本理论 |
3.2 图像一维直方图 |
3.3 基于闪电连接过程算法和一维熵的图像多阈值分割方法 |
3.3.1 一维Shannon熵分割法目标函数公式化描述 |
3.3.2 一维Tsallis熵分割法目标函数公式化描述 |
3.3.3 一维Renyi熵分割法目标函数公式化描述 |
3.3.4 实验仿真及结果分析 |
3.4 本章小结 |
第4章 基于闪电连接过程算法和二维熵的图像分割方法 |
4.1 图像二维直方图 |
4.2 基于闪电连接过程算法和二维熵的图像多阈值分割方法 |
4.2.1 二维Shannon熵分割法目标函数公式化描述 |
4.2.2 二维Tsallis熵分割法目标函数公式化描述 |
4.2.3 二维Renyi熵分割法目标函数公式化描述 |
4.2.4 实验仿真及结果分析 |
4.3 本章小结 |
第5章 基于闪电连接过程算法和三维熵的图像分割方法 |
5.1 图像三维直方图 |
5.2 基于闪电连接过程算法和三维熵的图像多阈值分割方法 |
5.2.1 三维Shannon熵分割法目标函数公式化描述 |
5.2.2 三维Tsallis熵分割法目标函数公式化描述 |
5.2.3 三维Renyi熵分割法目标函数公式化描述 |
5.2.4 实验仿真及结果分析 |
5.3 本章小结 |
第6章 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
附录 :攻读硕士期间的科研成果 |
(8)一种改进的元启发式算法及其在图像处理中的应用(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景与意义 |
1.1.1 元启发式算法背景 |
1.1.2 图像分割技术 |
1.1.3 研究意义 |
1.2 国内外研究现状 |
1.3 主要研究内容 |
1.4 论文主要框架 |
第二章 元启发式算法 |
2.1 最优化问题 |
2.2 常用的元启发式算法介绍 |
2.2.1 遗传算法 |
2.2.2 粒子群算法 |
2.2.3 离散粒子群算法 |
2.2.4 蚱蜢算法 |
2.2.5 天牛须算法 |
2.3 本章小结 |
第三章 K熵图像分割算法 |
3.1 K熵的定义 |
3.2 一维K熵分割算法 |
3.3 二维K熵分割算法 |
3.4 本章小结 |
第四章 改进的天牛须算法及其应用 |
4.1 离散天牛须算法(BBAS) |
4.1.1 离散天牛须算法BBAS的原理及分析 |
4.1.2 BBAS-K熵分割算法 |
4.2 改进的天牛须算法NBAS |
4.2.1 改进的天牛须算法NBAS的原理及分析 |
4.2.2 NBAS-K熵分割算法 |
4.3 实验与结果分析 |
4.3.1 NBAS在函数优化方面的对比分析 |
4.3.2 NBAS-K熵分割算法的性能表现 |
4.3.3 NBAS-K熵分割结果评价分析 |
4.3.4 NBAS-K熵算法抗噪性能分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 主要工作和结论 |
5.2 进一步的工作展望 |
参考文献 |
攻读硕士学位期间的学术活动及成果情况 |
(9)脑胶质瘤核磁共振图像分割方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 基于纳什均衡理论的医学图像分割技术研究现状 |
1.2.2 基于粗糙集和粗糙熵的医学图像分割技术研究现状 |
1.2.3 基于量子理论的医学图像分割技术研究现状 |
1.2.4 基于其它理论的医学图像分割技术研究现状 |
1.3 论文主要研究内容与结构框架 |
1.3.1 论文主要研究内容 |
1.3.2 论文结构框架 |
第2章 基于纳什均衡理论改进SVM图像分割方法 |
2.1 引言 |
2.2 纳什均衡模型和纳什均衡过程 |
2.2.1 纳什均衡理论及其在图像分割中应用简述 |
2.2.2 具有双重约束的纳什均衡模型 |
2.2.3 双重约束纳什均衡模型参数计算方法 |
2.2.4 纳什均衡过程 |
2.2.5 双重约束纳什均衡模型算法及算例 |
2.3 基于纳什均衡理论改进SVM图像分割方法 |
2.4 实验验证 |
2.4.1 新型纳什均衡方法的基本性能实验 |
2.4.2 新型纳什均衡方法的脑瘤图像分割实验 |
2.5 本章小结 |
第3章 基于纳什均衡的目标边缘区域聚类方法 |
3.1 两步纳什均衡分类方法 |
3.1.1 引言 |
3.1.2 两步纳什均衡分类方法 |
3.1.3 基于纳什均衡理论改进C-V模型 |
3.1.4 实验验证 |
3.2 基于纳什均衡的纹理相似区域判断方法 |
3.2.1 引言 |
3.2.2 基于纳什均衡的纹理相似区域判断方法 |
3.2.3 基于纳什均衡理论改进多纹理特征C-V模型 |
3.2.4 实验验证 |
3.3 本章小结 |
第4章 基于粗糙集和粗糙熵的Petri网图像分割方法 |
4.1 引言 |
4.2 粗糙集和粗糙熵 |
4.3 基于粗糙集和粗糙熵的粗分割方法 |
4.4 基于Petri网的精确分割方法 |
4.4.1 构建图像精确分割的Petri网框架 |
4.4.2 基于Petri网的图像精确分割方法 |
4.5 实验验证 |
4.6 本章小结 |
第5章 基于玻色—爱因斯坦凝聚理论的脑图像分割模型 |
5.1 引言 |
5.2 BEC和胶质瘤的相似性分析 |
5.3 BEC核函数 |
5.4 对BEC核函数的理论分析 |
5.5 实验验证 |
5.5.1 单节点集合的分割实验 |
5.5.2 双节点集合的分割实验 |
5.5.3 脑胶质瘤图像分割实验 |
5.5.4 本文方法与其他方法的对比实验 |
5.5.5 基于BEC改进SVM与基于纳什均衡改进SVM方法的对比实验 |
5.6 本章小结 |
第6章 基于量子虫洞粒子群优化算法的脑瘤图像分割方法 |
6.1 引言 |
6.2 基于QWPSO的脑肿瘤图像分割方法 |
6.2.1 QPSO算法 |
6.2.2 本文提出的量子虫洞粒子群优化算法 |
6.3 实验结果与分析 |
6.3.1 脑肿瘤MRI图像分割结果及分析 |
6.3.2 脑肿瘤CT图像分割结果及分析 |
6.3.3 实验结果讨论 |
6.4 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
致谢 |
(10)基于脉冲耦合神经网络模型的图像分割方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.2 基于PCNN的图像分割方法研究进展 |
1.3 图像分割方法研究现状 |
1.3.1 图像分割的定义 |
1.3.2 传统的图像分割方法研究现状 |
1.3.3 结合特定理论工具的分割方法研究现状 |
1.4 本文研究内容和组织结构 |
第2章 脉冲耦合神经网络的基本理论 |
2.1 脉冲耦合神经网络模型 |
2.1.1 脉冲耦合神经元模型 |
2.1.2 脉冲耦合神经网络模型 |
2.1.3 PCNN数字图像处理原理 |
2.2 脉冲耦合神经网络的工作机理 |
2.2.1 无耦合连接的工作方式 |
2.2.2 耦合连接的工作方式 |
2.3 PCNN基本特性 |
2.4 本章小结 |
第3章 基于最大类间方差改进的免疫遗传算法图像分割方法 |
3.1 免疫遗传算法理论基础 |
3.1.1 免疫遗传算法基本原理 |
3.1.2 免疫遗传算法基本流程及算子介绍 |
3.1.3 免疫遗传算法的优点 |
3.2 图像分割评价方法 |
3.3 基于最大类间方差改进的免疫遗传算法 |
3.3.1 设计思路 |
3.3.2 实现过程 |
3.4 基于最大类间方差改进的免疫遗传算法图像分割实验 |
3.4.1 实验平台与分割对象 |
3.4.2 图像分割结果与评价 |
3.5 本章小结 |
第4章 基于改进免疫遗传算法的PCNN图像分割方法 |
4.1 基于PCNN的图像分割方法 |
4.2 本文使用的简化PCNN模型 |
4.3 基于简化PCNN的图像降噪处理方法 |
4.3.1 设计思路 |
4.3.2 实现过程 |
4.3.3 图像降噪结果与评价 |
4.4 基于改进免疫遗传算法的PCNN图像分割方法 |
4.4.1 设计思路 |
4.4.2 实现过程 |
4.5 基于改进免疫遗传算法的PCNN图像分割实验 |
4.5.1 实验平台与分割对象 |
4.5.2 图像分割结果与评价 |
4.6 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和获得的科研成果 |
致谢 |
四、遗传算法的最佳熵在图像分割中的应用(论文参考文献)
- [1]改进的元启发式优化算法及其在图像分割中的应用[J]. 霍星,张飞,邵堃,檀结庆. 软件学报, 2021(11)
- [2]面向复杂场景的多类目标精细语义分割研究[D]. 彭小宝. 江西科技师范大学, 2021(12)
- [3]基于正余弦优化算法的改进及其应用[D]. 张睿. 长春工业大学, 2021(08)
- [4]基于脉冲耦合神经网络的MRI图像分割算法研究[D]. 马雨晴. 东北师范大学, 2021(12)
- [5]面向智能除草机器人的苗草图像分割算法研究[D]. 喻刚. 昆明理工大学, 2021(01)
- [6]基于群体智能的图像多阈值分割方法研究[D]. 孙敏. 安徽理工大学, 2020(04)
- [7]基于改进闪电连接过程算法和多维熵的图像分割方法研究[D]. 杨帅. 湖北工业大学, 2020(12)
- [8]一种改进的元启发式算法及其在图像处理中的应用[D]. 张飞. 合肥工业大学, 2020(02)
- [9]脑胶质瘤核磁共振图像分割方法研究[D]. 张天驰. 哈尔滨工程大学, 2019(04)
- [10]基于脉冲耦合神经网络模型的图像分割方法研究[D]. 张旭阳. 沈阳理工大学, 2019(03)