变精度最小平方粗糙熵的图像分割算法

计算机工程与科学

变精度最小平方粗糙熵的图像分割算法

佘志用,段超，张雷

(新疆大学科学技术学院,新疆阿克苏 843100)

收稿日期:2018-06-19 修回日期:2018-09-14 出版日期:2019-04-25 发布日期:2019-04-25
基金资助:
国家自然科学基金(71864035)；中国博士后基金（2016M602054）;浙江省自然科学基金（LY15G030021）

An image segmentation algorithm using variable

precision least square rough entropy

SHE Zhiyong,DUAN Chao,ZHANG Lei

(School of Science and Technology,Xinjiang University,Akesu 843100,China)

Received:2018-06-19 Revised:2018-09-14 Online:2019-04-25 Published:2019-04-25

摘要/Abstract

摘要：

图像处理是获取信息的重要途径且被广泛地应用到军事、医学和交通等重要领域，图像分割在图像处理中占有重要地位。针对图像处理分割过程中的不确定性，为获取更加精确的图像分割效果，提出变精度最小平方粗糙熵和粒子群的图像单阈值分割算法。该单阈值分割算法用变精度粗糙集表示图像，以变精度最小平方粗糙熵求解最佳分割阈值，借助粒子群优化算法提高分割效率。实验表明，该单阈值分割算法明显优于最大平均信息熵法，且说明了变精度粗糙熵能够处理图像分割过程出现的不确定性。

关键词: 变精度粗糙集, 粗糙熵, 粒子群优化, 图像单阈值分割

Abstract:

Image processing is an important way to obtain information and is widely used in important fields such as military, medical and transportation fields. Image segmentation plays an important role in image processing. Aiming at the uncertainty in the process of image segmentation, and in order to obtain more accurate image segmentation results, we proposes a singlethreshold image segmentation algorithm based on variable precision least square rough entropy and particle swarm optimization. It uses the variable precision rough set to represent the image, utilizes the variable precision least square rough entropy to solve the optimal segmentation threshold, and employs the particle swarm optimization to improve segmentation efficiency. Experimental results show that the singlethreshold segmentation algorithm is superior to the maximum average entropy method, and demonstrates that variable precision rough entropy can settle the uncertainty problem in image segmentation process.

Key words: variable precision rough set, rough entropy, particle swarm optimization, image single-threshold segmentation

佘志用,段超，张雷. 变精度最小平方粗糙熵的图像分割算法[J]. 计算机工程与科学.

SHE Zhiyong,DUAN Chao,ZHANG Lei.

An image segmentation algorithm using variable

precision least square rough entropy

[J]. Computer Engineering & Science.

[1]	刘振超, 苑迎春, 王克俭, 何晨. 融合特征权重与改进粒子群优化的特征选择算法[J]. 计算机工程与科学, 2024, 46(02): 282-291.
[2]	许文俊, 王锡淮. 基于变尺度黑洞和种群迁徙的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(11): 2036-2046.
[3]	张文宁, 周清雷, 焦重阳, 梅亮. 融入重心反向学习和单纯形搜索的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(09): 1629-1638.
[4]	彭坤彦, 尹翔, 刘笑竹, 李恒宇. 基于粒子群优化和深度强化学习的策略搜索方法[J]. 计算机工程与科学, 2023, 45(04): 718-725.
[5]	王林, 王燕丽, 安泽远. 改进粒子群算法优化回声状态网络的电力需求预测研究[J]. 计算机工程与科学, 2022, 44(08): 1457-1466.
[6]	申晓宁, 潘红丽, 陈庆洲, 游璇, 黄遥. 引入启发信息的粒子群算法在低碳TSP中的应用[J]. 计算机工程与科学, 2022, 44(06): 1114-1125.
[7]	张晶, 魏淼, . 基于Delaunay三角划分策略的WSN区域覆盖优化研究[J]. 计算机工程与科学, 2021, 43(11): 1944-1951.
[8]	高海军, 潘大志. 星型结构的多目标粒子群算法求解多模态多目标问题[J]. 计算机工程与科学, 2020, 42(08): 1472-1481.
[9]	赵凤1,2，孔令润1,2，马改妮1,2. 多目标粒子群和人工蜂群混合优化的阈值图像分割算法[J]. 计算机工程与科学, 2020, 42(02): 281-290.
[10]	刘少楠，李玲，苑迎，蒋国佳，王聪，吕艳霞. 基于节点连通性排序的虚拟网络映射算法[J]. 计算机工程与科学, 2019, 41(12): 2101-2109.
[11]	陈丽芳,冯力静,刘保相. 神经网络规则优化建模与应用[J]. 计算机工程与科学, 2019, 41(12): 2247-2254.
[12]	严春满，陆根源，张道亮，董俊松. 基于改进粒子群优化的电容层析成像图像重建算法[J]. 计算机工程与科学, 2019, 41(05): 879-884.
[13]	赵志刚，莫海淼，温泰，李智梅，郭杨. 一种自适应调整种群子代数量与步长的优化算法——爆米花算法[J]. 计算机工程与科学, 2019, 41(05): 900-909.
[14]	齐平1,2,王福成1,王必晴1,梁昌勇2. 云计算环境下基于可靠性感知的任务调度算法[J]. 计算机工程与科学, 2018, 40(11): 1925-1935.
[15]	吴尚智1，佘志用2，张霞1，赵慧琴3. 利用变精度粗糙熵的图像分割算法[J]. 计算机工程与科学, 2018, 40(10): 1837-1843.