CN107945199A - 基于蝙蝠算法和大津算法的红外图像分割方法及*** - Google Patents
基于蝙蝠算法和大津算法的红外图像分割方法及*** Download PDFInfo
- Publication number
- CN107945199A CN107945199A CN201711017453.5A CN201711017453A CN107945199A CN 107945199 A CN107945199 A CN 107945199A CN 201711017453 A CN201711017453 A CN 201711017453A CN 107945199 A CN107945199 A CN 107945199A
- Authority
- CN
- China
- Prior art keywords
- bat
- algorithm
- infrared image
- image segmentation
- otsu
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于蝙蝠算法和大津算法的红外图像分割方法,其包括步骤:S10:获取待分割的红外图像;S20:将大津算法中的类间方差函数作为蝙蝠算法的目标函数,将所述类间方差函数对应的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量;S30:基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置,将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域。此外,本发明还公开了相应的***。本发明能实现快速地对待分割的红外图像进行分割。相对于现有的红外图像阈值分割方法,有效提高了阈值选取速度,为后续设备温度场特征的实时提取与分析奠定基础。
Description
技术领域
本发明涉及红外图像分割技术,尤其涉及一种基于大津算法的红外图像分割方法及***。
背景技术
电力设备红外图像是伪彩色图像,具有强度集中和对比度低等特性,传统的图像分割算法往往不能很好地将目标与背景分离。若采用人为圈定感兴趣区域,显然会大大降低智能诊断***的效率。图像阈值自动选取方法的研究长期以来吸引着众多学者,寻找简单实用、自适应强的阈值自动选取方法是这些研究者们的共同目标。Otsu在1979年提出的大津算法(也称为最大类间方差法或Otsu方法)一直被认为是阈值自动选取方法的最优方法之一,该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,因而在一些实时图像处理***中得到了广泛的应用。
然而,在实际图像中,大津算法虽然分割性能较好,但计算量非常巨大。大津算法虽然有效解决了红外图像二值化分割过程中阈值选取困难的问题,但在阈值分割速度上往往不能满足后续设备红外温度场实时特征提取与分析的需求。
发明内容
本发明的目的之一是提供一种基于蝙蝠算法和大津算法的红外图像分割方法,其能快速地对待分割的红外图像进行分割,从而满足后续设备红外温度场实时特征提取与分析的需求。
基于上述目的,本发明提供了一种基于蝙蝠算法和大津算法的红外图像分割方法,其包括步骤:
S10:获取待分割的红外图像;
S20:将大津算法中的类间方差函数作为蝙蝠算法的目标函数,将所述类间方差函数对应的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量;
S30:基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置,将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域。
本发明所述的基于蝙蝠算法和大津算法的红外图像分割方法中,蝙蝠算法是Yang教授基于群体智能提出的启发式搜索算法,是一种搜索全局最优解的有效方法。该算法是一种基于迭代的优化技术,与其他算法相比在准确性和有效性方面远优于其他算法,且没有许多参数要进行调整,大大降低了计算量,因此其通过所述步骤S20和S30用于大津算法中类间方差函数的寻优计算能提高分割阈值的选取速度,从而能快速地对待分割的红外图像进行分割,进而满足后续设备红外温度场实时特征提取与分析的需求。
进一步地,本发明所述的基于蝙蝠算法和大津算法的红外图像分割方法中,所述步骤S20中还对所述蝙蝠算法的参数进行初始化,所述蝙蝠算法的参数包括蝙蝠参数和迭代参数。
更进一步地,上述基于蝙蝠算法和大津算法的红外图像分割方法中,所述蝙蝠参数包括蝙蝠的初始位置和初始速度。
更进一步地,上述基于蝙蝠算法和大津算法的红外图像分割方法中,所述蝙蝠的初始位置和初始速度均为随机生成。
更进一步地,上述基于蝙蝠算法和大津算法的红外图像分割方法中,所述蝙蝠参数还包括蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0、响度递减系数ξ、最小声波频率fmin以及最大声波频率fmax中的至少其中之一。
进一步地,本发明所述的基于蝙蝠算法和大津算法的红外图像分割方法中,所述步骤S20中的类间方差函数为:
σB=wF(uF-uT)2+wB(uB-uT)2,
其中σB为类间方差,wF和wB分别为所述待分割的红外图像中目标像素和背景像素所占比例,uF和uB分别为目标像素和背景像素灰度值均值,uT为所述待分割的红外图像中所有像素的灰度值均值,其中uT=wFuF+wBuB。
更进一步地,上述基于蝙蝠算法和大津算法的红外图像分割方法中,所述蝙蝠为蝙蝠种群,所述蝙蝠参数包括蝙蝠数量和蝙蝠编号。
更进一步地,上述基于蝙蝠算法和大津算法的红外图像分割方法中,所述步骤S30中基于目标函数的值判断各蝙蝠优劣,找出全局最优蝙蝠。
更进一步地,上述基于蝙蝠算法和大津算法的红外图像分割方法中,所述步骤S30中还更新迭代各蝙蝠参数,并基于目标函数的值判断各蝙蝠优劣,更新全局最优蝙蝠。
更进一步地,上述基于蝙蝠算法和大津算法的红外图像分割方法中,所述迭代参数包括最大迭代次数N,若达到最大迭代次数N,则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
更进一步地,上述基于蝙蝠算法和大津算法的红外图像分割方法中,所述迭代参数包括连续迭代不变次数M,若在连续迭代不变次数M内所述全局最优蝙蝠保持不变,则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
本发明的另一目的是提供一种基于蝙蝠算法和大津算法的红外图像分割***,其能快速地对待分割的红外图像进行分割,从而满足后续设备红外温度场实时特征提取与分析的需求。
基于上述目的,本发明提供了一种基于蝙蝠算法和大津算法的红外图像分割***,其采用上述任一方法对待分割的红外图像进行分割。
本发明所述的基于蝙蝠算法和大津算法的红外图像分割***,由于其采用了本发明所述的方法,同样能实现快速地对待分割的红外图像进行分割。具体原理前已描述,在此不再赘述。
所述***可以是具有对应本发明方法的软件的计算机。
本发明所述的基于蝙蝠算法和大津算法的红外图像分割方法,其具有以下优点和有益效果:
1)以背景图像与目标图像间的类间方差为基础进行最大类间方差计算,准确地寻找最优阈值以对图像的背景与目标进行准确有效的分割。
2)采用类间方差公式作为蝙蝠算法的寻优评估函数,快速寻找图像中最优分割阈值,并将其用于当前图像的二值化分割,提高了图像的分割速度。
3)相对于现有的红外图像阈值分割方法,有效提高了阈值选取速度,为后续设备温度场特征的实时提取与分析奠定基础。
本发明所述的基于蝙蝠算法和大津算法的红外图像分割***,其同样具有上述优点和有益效果。
附图说明
图1为本发明所述的基于蝙蝠算法和大津算法的红外图像分割方法的基本流程示意图。
图2为本发明实施例的基于蝙蝠算法和大津算法的红外图像分割方法的流程示意图。
图3为本发明实例中的经灰度化处理的待分割的电流互感器的红外图像。
图4为本发明实例中的经灰度化处理的待分割的阻波器的红外图像。
图5为本发明实例中的经灰度化处理的待分割的刀闸间引上线接头的红外图像。
图6为本发明实例中的经灰度化处理的待分割的刀闸的红外图像。
图7为本发明实例中的经灰度化处理的待分割的电流互感器的红外图像的分割结果。
图8为本发明实例中的经灰度化处理的待分割的阻波器的红外图像的分割结果。
图9为本发明实例中的经灰度化处理的待分割的刀闸间引上线接头的红外图像的分割结果。
图10为本发明实例中的经灰度化处理的待分割的刀闸的红外图像的分割结果。
具体实施方式
下面结合说明书附图及实施例进一步说明本发明所述的技术方案。
图1示意了本发明所述的基于蝙蝠算法和大津算法的红外图像分割方法的基本流程。
如图1所示,本发明的基于蝙蝠算法和大津算法的红外图像分割方法包括步骤:
S10:获取待分割的红外图像。
在某些实施方式下,该步骤中的红外图像经灰度化处理。
S20:将大津算法中的类间方差函数作为蝙蝠算法的目标函数,将类间方差函数对应的分割阈值变量作为蝙蝠算法中的蝙蝠位置变量。
在某些实施方式下,该步骤中还对蝙蝠算法的参数进行初始化,蝙蝠算法的参数包括蝙蝠参数和迭代参数。
在某些实施方式下,该步骤中蝙蝠参数包括蝙蝠的初始位置和初始速度,其中,蝙蝠的初始位置和初始速度均为随机生成。
在某些实施方式下,该步骤中蝙蝠参数还包括蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0、响度递减系数ξ、最小声波频率fmin以及最大声波频率fmax中的至少其中之一。
在某些实施方式下,该步骤中的类间方差函数为:
σB=wF(uF-uT)2+wB(uB-uT)2,
其中σB为类间方差,wF和wB分别为待分割的红外图像中目标像素和背景像素所占比例,uF和uB分别为目标像素和背景像素灰度值均值,uT为待分割的红外图像中所有像素的灰度值均值,其中uT=wFuF+wBuB。
在某些实施方式下,该步骤中蝙蝠为蝙蝠种群,蝙蝠参数包括蝙蝠数量和蝙蝠编号。
S30:基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置,将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域。
在某些实施方式下,该步骤中基于目标函数的值判断各蝙蝠优劣,找出全局最优蝙蝠。
在某些实施方式下,该步骤中还更新迭代各蝙蝠参数,并基于目标函数的值判断各蝙蝠优劣,更新全局最优蝙蝠。
在某些实施方式下,该步骤中迭代参数包括最大迭代次数N,若达到最大迭代次数N,则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
在某些实施方式下,该步骤中迭代参数包括连续迭代不变次数M,若在连续迭代不变次数M内全局最优蝙蝠保持不变,则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
下面通过一个具体实施例进一步说明本发明,该实施例采用上述方法和***对待分割的红外图像进行分割。
本实施例中所述***是具有对应上述方法的软件的计算机。
图2示意了本发明实施例的基于蝙蝠算法和大津算法的红外图像分割方法的流程。
如图2所示,本实施例通过上述计算机运行软件实现以下步骤:
步骤10:获取待分割的红外图像。
该步骤中,导入分辨率为240×320的电力设备原图,将其作为待分割的红外图像并灰度化处理。
步骤20:将大津算法中的类间方差函数作为蝙蝠算法的目标函数,将类间方差函数对应的分割阈值变量作为蝙蝠算法中的蝙蝠位置变量。
该步骤中,对蝙蝠算法的参数进行初始化,蝙蝠算法的参数包括蝙蝠参数和迭代参数,其中:
蝙蝠参数初始化包括设定投放的蝙蝠种群中的蝙蝠数量n=20和蝙蝠编号i=1,2…20;蝙蝠的初始位置pi 0∈[0,L-1]随机生成,初始速度vi 0∈[-v,v]随机生成,其中图像灰度级L=256,v=2;蝙蝠的初始脉冲频度r0=0.75,脉冲频度增加系数θ=0.05,初始响度A0=0.5,响度递减系数ξ=0.9,最小声波频率fmin=0.5,最大声波频率fmax=2。
迭代参数初始化包括设定最大迭代次数N=50和连续迭代不变次数M=3。
该步骤中定义红外图像分割阈值T对应的类间方差函数为:
σB=wF(uF-uT)2+wB(uB-uT)2,
其中σB为类间方差,wF和wB分别为待分割的红外图像中目标像素和背景像素所占比例,uF和uB分别为目标像素和背景像素灰度值均值,uT为待分割的红外图像中所有像素的灰度值均值,其中uT=wFuF+wBuB。
选取类间方差σB最大时的分割阈值T*为最优分割阈值:
将上述类间方差函数作为蝙蝠算法的目标函数,将类间方差函数对应的分割阈值变量T作为蝙蝠算法中的蝙蝠位置变量,其中:
蝙蝠在t时刻的蝙蝠声波频率fi、蝙蝠速度vi t和蝙蝠位置pi t表示为fi=fmin+(fmax-fmin)β,其中fmin和fmax分别表示最小声波频率和最大声波频率,β为[0,1]范围内随机变量,p*为当前全局最优蝙蝠的蝙蝠位置。
步骤30:基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置,将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域,包括步骤:
步骤301:基于目标函数的值判断各蝙蝠优劣,找出全局最优蝙蝠。
步骤302:更新迭代各蝙蝠参数,并基于目标函数的值判断各蝙蝠优劣,更新全局最优蝙蝠。
本实施例中,在局部搜索过程中,选取当前蝙蝠群中的最优蝙蝠(此最优蝙蝠是当次迭代中20个蝙蝠的最优蝙蝠),将该蝙蝠的位置更新为pnew=pold+εAt,响度Ai t和脉冲频度ri t分别通过公式和ri t+1=ri 0[1-exp(-θt)]进行更新,其中pnew表示新的蝙蝠位置,pold表示旧的蝙蝠位置,ε为[-1,1]范围内随机数,At为所有蝙蝠t时刻的平均响度,ξ为取值为[0,1]的响度递减系数,Ai t+1和Ai t分别为t+1时刻和t时刻蝙蝠i的响度,ri t+1为t+1时刻蝙蝠i的脉冲频度,ri 0为蝙蝠i的初始脉冲频度。
步骤303:若达到最大迭代次数N,或者在连续迭代不变次数M内全局最优蝙蝠保持不变,则将全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
该步骤中,若达到最大迭代次数50或连续三次迭代过程中最优蝙蝠位置保持不变则输出最优解,即将当前全局最优蝙蝠的蝙蝠位置x*作为最优分割阈值T*对经灰度化处理的待分割的红外图像进行二值化分割。
下面结合具体实例,对本发明的应用作进一步说明。
图3-图6分别示意了经灰度化处理的待分割的电流互感器、阻波器、刀闸间引上线接头以及刀闸的红外图像。图7-图10分别示意了经灰度化处理的待分割的电流互感器、阻波器、刀闸间引上线接头以及刀闸的红外图像的分割结果。
本实例按照上述方法对如图3-图6的某电力设备的电流互感器、阻波器、刀闸间引上线接头以及刀闸的经灰度化处理的待分割红外图像进行分割,其分割结果如图7-图10所示,分割时间如表1所示。
表1.电力设备红外图像分割时间
设备 | 电流互感器 | 阻波器 | 刀闸间引上线接头 | 刀闸 |
耗时(s) | 0.055907 | 0.052943 | 0.058197 | 0.064315 |
从以上图表可以看出,分割效果好,分割时间短,从而对图像的背景与目标进行快速的分割,相对于现有的红外图像阈值分割方法,有效提高了阈值选取速度,为后续设备温度场特征的实时提取与分析奠定基础。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
另外,还需要说明的是,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案所记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (12)
1.一种基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,包括步骤:
S10:获取待分割的红外图像;
S20:将大津算法中的类间方差函数作为蝙蝠算法的目标函数,将所述类间方差函数对应的分割阈值变量作为所述蝙蝠算法中的蝙蝠位置变量;
S30:基于所述蝙蝠算法求取目标函数最大时对应的蝙蝠位置,将该蝙蝠位置作为最优分割阈值将所述待分割的红外图像分割为背景区域和目标区域。
2.如权利要求1所述的基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,所述步骤S20中还对所述蝙蝠算法的参数进行初始化,所述蝙蝠算法的参数包括蝙蝠参数和迭代参数。
3.如权利要求2所述的基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,所述蝙蝠参数包括蝙蝠的初始位置和初始速度。
4.如权利要求3所述的基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,所述蝙蝠的初始位置和初始速度均为随机生成。
5.如权利要求2所述的基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,所述蝙蝠参数还包括蝙蝠的初始脉冲频度r0、脉冲频度增加系数θ、初始响度A0、响度递减系数ξ、最小声波频率fmin以及最大声波频率fmax中的至少其中之一。
6.如权利要求1所述的基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,所述步骤S20中的类间方差函数为:
σB=wF(uF-uT)2+wB(uB-uT)2,
其中σB为类间方差,wF和wB分别为所述待分割的红外图像中目标像素和背景像素所占比例,uF和uB分别为目标像素和背景像素灰度值均值,uT为所述待分割的红外图像中所有像素的灰度值均值,其中
uT=wFuF+wBuB。
7.如权利要求2所述的基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,所述蝙蝠为蝙蝠种群,所述蝙蝠参数包括蝙蝠数量和蝙蝠编号。
8.如权利要求7所述的基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,所述步骤S30中基于目标函数的值判断各蝙蝠优劣,找出全局最优蝙蝠。
9.如权利要求8所述的基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,所述步骤S30中还更新迭代各蝙蝠参数,并基于目标函数的值判断各蝙蝠优劣,更新全局最优蝙蝠。
10.如权利要求9所述的基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,所述迭代参数包括最大迭代次数N,若达到最大迭代次数N,则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
11.如权利要求9所述的基于蝙蝠算法和大津算法的红外图像分割方法,其特征在于,所述迭代参数包括连续迭代不变次数M,若在连续迭代不变次数M内所述全局最优蝙蝠保持不变,则将所述全局最优蝙蝠的蝙蝠位置作为最优分割阈值。
12.一种基于蝙蝠算法和大津算法的红外图像分割***,其采用上述任一方法对待分割的红外图像进行分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711017453.5A CN107945199A (zh) | 2017-10-26 | 2017-10-26 | 基于蝙蝠算法和大津算法的红外图像分割方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711017453.5A CN107945199A (zh) | 2017-10-26 | 2017-10-26 | 基于蝙蝠算法和大津算法的红外图像分割方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107945199A true CN107945199A (zh) | 2018-04-20 |
Family
ID=61935694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711017453.5A Pending CN107945199A (zh) | 2017-10-26 | 2017-10-26 | 基于蝙蝠算法和大津算法的红外图像分割方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945199A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961290A (zh) * | 2018-07-10 | 2018-12-07 | 中国计量大学 | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 |
CN109285171A (zh) * | 2018-09-21 | 2019-01-29 | 国网甘肃省电力公司电力科学研究院 | 一种绝缘子憎水性图像分割装置及方法 |
CN111881834A (zh) * | 2020-07-29 | 2020-11-03 | 武汉理工大学 | 一种基于改进大津算法的结构化道路车道线识别方法 |
CN113160193A (zh) * | 2021-04-28 | 2021-07-23 | 贵州电网有限责任公司 | 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及*** |
CN113488990A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司济宁市任城区供电公司 | 基于改进的蝙蝠算法的微电网优化调度方法 |
CN113506312A (zh) * | 2021-06-24 | 2021-10-15 | 上海电力大学 | 一种紫外放电图像分割方法及计算机可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923714A (zh) * | 2010-09-02 | 2010-12-22 | 西安电子科技大学 | 基于空间加权隶属度模糊c-均值的纹理图像分割方法 |
CN103745482A (zh) * | 2014-01-27 | 2014-04-23 | 湖北工业大学 | 一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法 |
CN103824285A (zh) * | 2014-01-27 | 2014-05-28 | 湖北工业大学 | 一种基于蝙蝠优化模糊聚类的图像分割方法 |
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
-
2017
- 2017-10-26 CN CN201711017453.5A patent/CN107945199A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923714A (zh) * | 2010-09-02 | 2010-12-22 | 西安电子科技大学 | 基于空间加权隶属度模糊c-均值的纹理图像分割方法 |
CN103745482A (zh) * | 2014-01-27 | 2014-04-23 | 湖北工业大学 | 一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法 |
CN103824285A (zh) * | 2014-01-27 | 2014-05-28 | 湖北工业大学 | 一种基于蝙蝠优化模糊聚类的图像分割方法 |
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
Non-Patent Citations (4)
Title |
---|
ADIS ALIHODZIC 等: "Improved Bat Algorithm Applied to Multilevel Image Thresholding", 《THE SCIENTIFIC WORLD JOURNAL》 * |
V. RAJINIKANTH 等: "Gray-Level Histogram based Multilevel Threshold Selection with Bat Algorithm", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》 * |
付家才 等: "基于蝙蝠算法的配电网故障区间定位", 《电力***保护与控制》 * |
肖欣庭: "群体智能算法在图像分割中的阈值选择优化算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961290A (zh) * | 2018-07-10 | 2018-12-07 | 中国计量大学 | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 |
CN108961290B (zh) * | 2018-07-10 | 2021-06-15 | 中国计量大学 | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 |
CN109285171A (zh) * | 2018-09-21 | 2019-01-29 | 国网甘肃省电力公司电力科学研究院 | 一种绝缘子憎水性图像分割装置及方法 |
CN111881834A (zh) * | 2020-07-29 | 2020-11-03 | 武汉理工大学 | 一种基于改进大津算法的结构化道路车道线识别方法 |
CN111881834B (zh) * | 2020-07-29 | 2022-03-01 | 武汉理工大学 | 一种基于改进大津算法的结构化道路车道线识别方法 |
CN113160193A (zh) * | 2021-04-28 | 2021-07-23 | 贵州电网有限责任公司 | 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及*** |
CN113488990A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司济宁市任城区供电公司 | 基于改进的蝙蝠算法的微电网优化调度方法 |
CN113488990B (zh) * | 2021-06-15 | 2023-09-08 | 国网山东省电力公司济宁市任城区供电公司 | 基于改进的蝙蝠算法的微电网优化调度方法 |
CN113506312A (zh) * | 2021-06-24 | 2021-10-15 | 上海电力大学 | 一种紫外放电图像分割方法及计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945199A (zh) | 基于蝙蝠算法和大津算法的红外图像分割方法及*** | |
CN106778604B (zh) | 基于匹配卷积神经网络的行人再识别方法 | |
CN104537126B (zh) | 一种基于边图随机游走的重叠社区发现方法 | |
CN106023195B (zh) | 基于自适应遗传算法的bp神经网络图像分割方法及装置 | |
CN108564006B (zh) | 基于自步学习卷积神经网络的极化sar地物分类方法 | |
CN107180426B (zh) | 基于可迁移的多模型集成的计算机辅助肺结节分类装置 | |
CN112308158A (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN104376556B (zh) | 一种岩石ct图像目标分割方法 | |
CN103927531B (zh) | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 | |
Hole et al. | Application of genetic algorithm for image enhancement and segmentation | |
CN111242063A (zh) | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 | |
CN103745482B (zh) | 一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法 | |
CN108197669B (zh) | 卷积神经网络的特征训练方法及装置 | |
CN110084248A (zh) | 一种orb特征均匀化提取方法 | |
CN108197584A (zh) | 一种基于三元组深度神经网络的行人重识别方法 | |
CN106411572A (zh) | 一种结合节点信息和网络结构的社区发现方法 | |
CN104715024A (zh) | 一种多媒体热点分析方法 | |
CN109711449A (zh) | 一种基于全卷积网络的图像分类算法 | |
CN110444022A (zh) | 交通流数据分析模型的构建方法和装置 | |
CN108537747A (zh) | 一种基于带对称跨层连接的卷积神经网络的图像修复方法 | |
CN107358619A (zh) | 基于鸡群优化法的图像多阈值分割方法 | |
CN112101428B (zh) | 一种基于卷积神经网络的图像分类方法及*** | |
CN107730523A (zh) | 一种基于粒子群算法的图像分割方法及*** | |
CN106296709A (zh) | 一种基于粒子群及模糊均值聚类的细胞图像分割方法 | |
CN103824285B (zh) | 一种基于蝙蝠优化模糊聚类的图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |