并行Zhang细化算法FPA算法

简介: 并行Zhang细化算法FPA算法

并行Zhang细化算法 和 FPA算法 ,的规则好像完全一样。

//  p9 p2 p3  

//  p8 p1 p4  

//  p7 p6 p5

前景点为1,背景点为0

条件1:p1为前景点

条件2: 8邻域的点数>=2且<=6。

条件3:   8领域01模式数为1。

条件4:p2 * p4 * p6 == 0

条件5:p4 * p6 * p8 == 0

条件6:p2 * p4 * p8 == 0

条件7:p2 * p6 * p8 == 0

每次迭代由四部分组成:

一,标记符合条件1,2,3,4,5的点。

二,删除标记的点。

三,标记符合条件1,2,3,6,7的点。

四,删除标记的点


下面通过gif演示删除过程:红色表示本次迭代删除的点。

1,绿色表示,符合条件1,不符合条件2的点。

2,绿色表示符合条件1,但不符合条件3的点。

绿色表示以下两种情况:

a,符合条件一,但不同时符合条件3,条件4.

b,符合条件二,但不同时符合条件5,条件6.


相关文章
|
9月前
|
并行计算 算法 调度
基于串行并行ADMM算法的主从配电网分布式优化控制研究(Matlab代码实现)
基于串行并行ADMM算法的主从配电网分布式优化控制研究(Matlab代码实现)
615 0
|
文字识别 算法 计算机视觉
图像处理之Zhang Suen细化算法
图像处理之Zhang Suen细化算法
894 0
|
机器学习/深度学习 人工智能 分布式计算
算法金 | 最难的来了:超参数网格搜索、贝叶斯优化、遗传算法、模型特异化、Hyperopt、Optuna、多目标优化、异步并行优化
机器学习中的超参数调优是提升模型性能的关键步骤,包括网格搜索、随机搜索、贝叶斯优化和遗传算法等方法。网格搜索通过穷举所有可能的超参数组合找到最优,但计算成本高;随机搜索则在预设范围内随机采样,降低计算成本;贝叶斯优化使用代理模型智能选择超参数,效率高且适应性强;遗传算法模拟生物进化,全局搜索能力强。此外,还有多目标优化、异步并行优化等高级技术,以及Hyperopt、Optuna等优化库来提升调优效率。实践中,应结合模型类型、数据规模和计算资源选择合适的调优策略。
1288 0
算法金 | 最难的来了:超参数网格搜索、贝叶斯优化、遗传算法、模型特异化、Hyperopt、Optuna、多目标优化、异步并行优化
|
算法 安全 调度
基于串行和并行ADMM算法在分布式调度中的应用(Matlab代码实现)
基于串行和并行ADMM算法在分布式调度中的应用(Matlab代码实现)
456 0
|
算法 调度
【车间调度】基于模拟退火优化算法的的并行车间机器优化调度(Matlab代码实现)
【车间调度】基于模拟退火优化算法的的并行车间机器优化调度(Matlab代码实现)
339 0
|
算法
【配电网优化】基于串行和并行ADMM算法的配电网优化研究(Matlab代码实现)
【配电网优化】基于串行和并行ADMM算法的配电网优化研究(Matlab代码实现)
270 0
|
8月前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
748 0
|
8月前
|
数据采集 分布式计算 并行计算
mRMR算法实现特征选择-MATLAB
mRMR算法实现特征选择-MATLAB
478 2
|
9月前
|
传感器 机器学习/深度学习 编解码
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
383 3
|
8月前
|
机器学习/深度学习 算法 机器人
使用哈里斯角Harris和SIFT算法来实现局部特征匹配(Matlab代码实现)
使用哈里斯角Harris和SIFT算法来实现局部特征匹配(Matlab代码实现)
372 8

热门文章

最新文章