导读:本文包含了最大类间方差分割论文开题报告文献综述及选题提纲参考文献，主要关键词:免疫遗传算法,阈值,图像分割,最大类间方差
最大类间方差分割论文文献综述
王学忠,李美莲[1]（2019）在《免疫遗传算法最大类间方差图像分割法研究》一文中研究指出图像分割是图像处理技术的一个重要的环节,传统采用GA-Otsu算法分割图像容易陷入局部最优、获得的最佳阈值不够稳定,图像分割不够清晰,伴有分割不足或过当等问题。针对传统GA-Otsu方法分割图像存在不足的问题,提出一种基于免疫的GA-Otsu算法(IGA-Otsu算法),基本思路是在传统GA-Otsu算法上引入免疫算子和浓度自适应调节,有效地增加了种群结构的复杂性,避免早熟。利用该方法可使获得的图像最佳阈值比较稳定,有效地避免了早熟,使分割的图像也更加清晰。(本文来源于《佳木斯大学学报(自然科学版)》期刊2019年05期）
黄巧义,张木,李苹,付弘婷,黄旭[2]（2019）在《支持向量机和最大类间方差法结合的水稻冠层图像分割方法》一文中研究指出针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExG&OTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex G&OTSU方法的精确度显着受光强条件影响,随着光强强度的提高而显着降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。(本文来源于《中国农业科技导报》期刊2019年04期）
易叁莉,张桂芳,贺建峰,李思洁[3]（2018）在《基于最大类间方差的最大熵图像分割》一文中研究指出最大熵分割算法对于目标与背景之间界限模糊的图像分割效果较好,但该算法对图像边缘的处理能力较差。最大类间方差分割算法对图像边缘的识别能力较强,但该算法对于目标和背景之间界限模糊的图像分割效果不好。针对上述问题,提出了一种基于最大类间方差的最大熵图像分割算法,该算法既能很好地对目标与背景之间界限模糊的图像进行分割,又能有效地识别图像的边缘。实验结果表明,本文所提算法对目标与背景之间界限模糊的图像的分割效果以及对图像边缘的识别能力均优于传统的最大类间方差算法和最大熵算法,且具有更好的有效性和鲁棒性。(本文来源于《计算机工程与科学》期刊2018年10期）
曲豪,张栋梁[4]（2017）在《最大类间方差耦合分水岭分割的目标定位算法》一文中研究指出为了解决当前复杂目标受噪声干扰严重、背景多变且工件型号切换频繁,导致目标分割不准确,影响目标定位与装配的准确度。本文分别从系统软硬件架构和分割算法整合的角度出发,提出了基于最大类间方差与分水岭标记的复杂目标分割与定位算法。首先,搭建网络摄像头、多轴伺服电机和视觉软件系统之间的系统架构,达到可用于现场实际作业要求的目的。然后,根据图像目标与背景的最大类间方差特性,计算最佳分割阈值,达到对工件目标粗分割的目的。最后,构建分水岭分割线特性,提取分割线,优化区域标记准确度,达到对工件精分割,剔除噪声干扰的目的。实验测试结果显示:与当前分割算法相比,本文算法拥有更高的分割准确度与作业稳定性。(本文来源于《电视技术》期刊2017年Z4期）
黄展鹏,黄益栓,易法令,林育[5]（2017）在《基于最大类间方差法和区域生长的舌体自动分割》一文中研究指出舌图像中舌体的分割是舌诊信息化和客观化的基础。文章根据舌图像的特点,提出了基于最大类间方差法和子块生长的舌体自动分割算法,通过均值偏移对图像进行预处理,再利用最大类间方差法对彩色舌图像进行自动分类,最后基于分类后的子块特征进行区域生长,实现舌图像中舌体区域的自动分割。实验对DS01-A舌面脉信息采集体质辨识系统采集的100张舌图像进行分割,能够准确地分割出舌体区域。(本文来源于《时珍国医国药》期刊2017年12期）
程述立,汪烈军,秦继伟,杜安钰[6]（2017）在《群智能算法优化的结合熵的最大类间方差法与脉冲耦合神经网络融合的图像分割算法》一文中研究指出针对最大类间方差准则下的图像分割结果携带原图信息量不足、实时性差和脉冲耦合神经网络(PCNN)模型中循环迭代次数难以确定的问题,提出了群智能算法优化的结合熵的最大类间方差法(OTSU-H)与PCNN融合的自动图像分割算法。首先,充分利用图像的灰度分布信息和相关信息,将图像信息中冗余度、竞争性以及互补性有效地融合,构造二维和叁维观测空间,提出了OTSU-H准则的快速递归算法;其次,将快速递推算法的目标函数分别作为布谷鸟搜索(CS)算法、萤火虫算法(FA)、粒子群优化(PSO)算法和遗传算法(GA)四种群智能算法的适应度函数;最后,将优化之后的OTSU-H引入PCNN模型中自动获取循环迭代次数。实验结果表明,与原始的最大类间方差法(OTSU)、最大熵准则以及基于图论分割、像素的聚类分割和候选区域语义分割的图像分割算法相比,所提算法具有较好的图像分割效果,同时降低了计算复杂度,节约了计算机的存储空间,具有较强的抗噪能力。所提算法时间损耗少、不需要训练的特性使得算法的运用范围较广。(本文来源于《计算机应用》期刊2017年12期）
何旭,王田田,苏子璇[7]（2016）在《改进最大类间方差的苗期农业图像分割方法研究》一文中研究指出针对苗期农业图像的特点,提出了一种改进的Otsu阈值分割方法。使用2g-r-b方法对图像实行灰度化,再应用改进的判别函数选择分割阈值,以得到最优的分割结果。通过对分割结果的试验分析,验证了改进的Otsu法的有效性。(本文来源于《农业与技术》期刊2016年08期）
洪浩,霍春宝[8]（2016）在《基于最大类间方差法与GA相结合的图像分割算法研究》一文中研究指出采用一种基于最大类间方差法与GA相结合的分割算法,先对GA的初始种群进行交叉、变异操作寻找分割阈值的最优解;并在此基础上,结合最大类间方差法的自适应性,在设定的阈值范围内进行局部最优搜索;最后,获取图像分割的最佳阈值。通过Matlab仿真实验得出,本算法在图像分割过程中具有速度快、效果好的优势。(本文来源于《辽宁工业大学学报(自然科学版)》期刊2016年02期）
丁晓峰,何凯霖[9]（2015）在《基于最大类间方差的改进图像分割算法》一文中研究指出针对图像分割最佳阈值难于选取和计算量大的问题,提出一种基于最大类间方差的改进图像分割算法。在深入分析传统算法的缺陷发生机理的基础上,采用最大类间方差算法在整个灰度空间搜索最佳阈值,克服传统算法计算量大的问题;将二分法的查找原理应用于Otsu算法中,提高搜索效率,减少计算方差的次数,与传统Otsu法相比,计算量降低10倍以上,计算速度加快。实验结果表明,该算法能够更好地应用于实时性高、数据处理量大的场合,具有较高效率和较好实用性。(本文来源于《计算机工程与设计》期刊2015年10期）
韩海峰[10]（2015）在《一种结合遗传算法和最大类间方差法的图像分割新方法》一文中研究指出传统的一维图像Otsu方法,只能对图像的灰度信息进行处理,对空间信息、像素等部分不能得到处理,因此在图像受到噪声或其他干扰时灰度直方图中的波峰、波谷会呈现不明显的分布,造成分割失误.本文结合遗传算法和最大类间方差法的图像分割新方法,是以遗传算法确定阀值空间中的最优阀值,最大类间方差法确定图像背景和目标图像之间的灰度方差面的最大值,避免受到噪声等因素的干扰.通过仿真实验发现该图像分割方法可降低分割时间,分割质量较好,发展前景广阔.(本文来源于《湖南工程学院学报(自然科学版)》期刊2015年02期）
最大类间方差分割论文开题报告
（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：
针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExG&OTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex G&OTSU方法的精确度显着受光强条件影响,随着光强强度的提高而显着降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。
（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。
最大类间方差分割论文参考文献
[1].王学忠,李美莲.免疫遗传算法最大类间方差图像分割法研究[J].佳木斯大学学报(自然科学版).2019
[2].黄巧义,张木,李苹,付弘婷,黄旭.支持向量机和最大类间方差法结合的水稻冠层图像分割方法[J].中国农业科技导报.2019
[3].易叁莉,张桂芳,贺建峰,李思洁.基于最大类间方差的最大熵图像分割[J].计算机工程与科学.2018
[4].曲豪,张栋梁.最大类间方差耦合分水岭分割的目标定位算法[J].电视技术.2017
[5].黄展鹏,黄益栓,易法令,林育.基于最大类间方差法和区域生长的舌体自动分割[J].时珍国医国药.2017
[6].程述立,汪烈军,秦继伟,杜安钰.群智能算法优化的结合熵的最大类间方差法与脉冲耦合神经网络融合的图像分割算法[J].计算机应用.2017
[7].何旭,王田田,苏子璇.改进最大类间方差的苗期农业图像分割方法研究[J].农业与技术.2016
[8].洪浩,霍春宝.基于最大类间方差法与GA相结合的图像分割算法研究[J].辽宁工业大学学报(自然科学版).2016
[9].丁晓峰,何凯霖.基于最大类间方差的改进图像分割算法[J].计算机工程与设计.2015
[10].韩海峰.一种结合遗传算法和最大类间方差法的图像分割新方法[J].湖南工程学院学报(自然科学版).2015