💥💥💞💞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 j=1:length(h) patch(get(h(j),'XData'),get(h(j),'YData'),color(j)); end title ('\fontsize{15}\bf Aeroplane (k=2)'); % % title ('\fontsize{15}\bf Cameraman (k=2)'); 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 (k=2)'); % k=2,4,6,8,10 % % title ('\fontsize{15}\bf Cameraman (k=2)'); 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。
