优秀网站建设哪家便宜,网站你了解的,企业网站建设 广州,网站建设需求分析流程图#x1f4a5;#x1f4a5;#x1f49e;#x1f49e;欢迎来到本博客❤️❤️#x1f4a5;#x1f4a5; #x1f3c6;博主优势#xff1a;#x1f31e;#x1f31e;#x1f31e;博客内容尽量做到思维缜密#xff0c;逻辑清晰#xff0c;为了方便读者。 ⛳️座右铭欢迎来到本博客❤️❤️ 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 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 j1:length(h) patch(get(h(j),XData),get(h(j),YData),color(j)); end title (\fontsize{15}\bf Aeroplane (k2)); % % title (\fontsize{15}\bf Cameraman (k2)); 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 (k2)); % k2,4,6,8,10 % % title (\fontsize{15}\bf Cameraman (k2)); 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。 4 Matlab代码及文献
