一、基于遗传算法的模糊熵多阈值图像分割（论文文献综述）
贺航,马小晶,王宏伟,宋帆,刘寒[1]（2021）在《基于改进麻雀搜索算法的森林火灾图像多阈值分割》文中指出为了减少森林火灾对人们的生活和生态环境带来巨大的损失和破坏,采用图像处理技术对森林火灾进行精准定位和预判,可以有效地降低火灾的扩大和蔓延。针对火灾图像大津法分割算法计算量大、运行时间长和阈值选取不够准确导致分割精度不高等缺点,提出精英反向学习-莱维飞行策略的麻雀搜索算法,并将其有效地应用到指数熵多阈值图像的分割中进行寻优,通过研究最佳阈值对森林火灾图像进行合理的分割,并与其他三种指数熵多阈值图像分割算法进行了对比分析。结果表明:改进麻雀搜索算法的森林火灾图像多阈值分割技术能够及时获得火灾图像分割的最佳阈值,其分割的准确性、实时性和抗噪性均明显优于现有的灰狼算法、粒子群算法和鲸鱼算法,能够为图像处理的工程应用提供一种较好的阈值分割技术。
王智岩[2]（2020）在《樽海鞘优化算法研究及在医学诊断中的应用》文中研究指明群智能优化方法在现实生活中发挥着越来越重要的作用。樽海鞘（SSA）优化算法是新近刚提出的一种算法,它是群智能优化算法的一种典型代表。它的主要原理是基于樽海鞘在寻找食物源时其链的运动和相互作用作为个体的运动规则进行个体位置更新而逐渐接近食物源。在众多实际应用问题中,SSA凭借本身参数少,性能优良及链中樽海鞘可以穿越多维特征空间、全方位瞄准食物,从而在一定程度上减少陷入局部最优的概率等特点,使其表现出良好的性能。然而,随着SSA的应用范围越来越广,其不足之处也逐渐暴露,特别是在解决医学诊断问题上,SSA的寻优能力还有待进一步改善。为了改善SSA在医学诊断问题上的优化能力,本研究主要针对SSA自身存在的缺点,引入了多种新机制,进一步提升SSA算法的寻优能力,使其在全局优化和局部优化能力之间找到较好的平衡。本文的主要工作包括以下几个方面:1、对樽海鞘优化算法研究现状和医学诊断的研究现状进行了阐述,同时总结分析了这些领域存在的问题,并指出了其发展趋势和所面临的问题。此外还对机器学习、特征选择和图像分割等问题进行了介绍,重点对本文涉及的模糊K近邻（FKNN）算法和SSA等相关理论和存在的问题及改进方向进行了探讨和分析。2、为了在医学诊断问题上取得更好的分类性能,针对SSA本身存在的问题,本文通过采用集成变异策略（CMS）来加强SSA的开发和探索能力,使之在并行执行集成变异策略的时候可以获得更优的收敛精度。同时利用重启机制（RS）帮助樽海鞘经历固定次数后其位置未得到改善而重新启动初始化策略以防止整个种群陷入局部最优状态。将提出的改进SSA方法用于优化FKNN模型,构建了性能最优的CMSRSSSA-FKNN预测模型。在乳腺癌、肝脏疾病、心脏病、糖尿病等问题上对该模型进行了验证,实验结果表明提出的模型跟其他多种机器学习方法相比,CMSRSSSA-FKNN模型在四种评估指标上都实现了较明显的提升。3、为了提升医学数据特征选择效果,本文在SSA中引入准反向学习策略和高斯骨架机制,提出一种基于准反向学习和骨架机制的樽海鞘算法（QBSSA）。无论是在标准测试集上还是在实际医学数据特征选择问题上都表现出了更佳的效果。在CEC2017竞赛数据集上通过与10种改进的群智能算法进行对比,结果表明提出的QBSSA在解的质量和收敛性方面都具有更好的结果。在乳腺癌、淋巴造影等疾病的关键致病特征选择上,QBSSA方法在三个不同的维度（适应度、误差值、特征数目）上明显优于其他五种对比算法。4、为了提升医学图像分割的效果,本文在原始SSA中引入了分形搜索机制和高斯骨架机制,提出一种基于骨架分形机制的SSA算法（GBSFSSSA）,并通过非局部均值和Kapur熵来搜寻多阈值图像分割中的最佳阈值。在红斑狼疮肾病理图像分割问题上取得了较好的效果。实验中本文提出的GBSFSSSA与五种其他算法进行了对比分析,结果表明本文提出的GBSFSSSA在三个不同维度（PSNR、SSIM和FSIM）上总体性能都要优于其他对比算法,可以有效地对肾病理图像进行分割。
杨蕴,李玉,赵泉华[3]（2020）在《高分辨率全色遥感图像多级阈值分割》文中研究指明针对模糊熵多级阈值分割方法存在模糊特性不足、计算量大、自动性差等问题,提出一种基于区间二型模糊熵的高分辨率全色遥感图像多级阈值分割方法。首先,利用岭型模糊隶属度函数构造区间二型模糊集,由构造的模糊集和阈值个数,在多级图像分割场景中定义区间二型模糊熵。然后,利用量子比特将其模糊参数集编码为量子染色体,设置若干量子染色体构成初始种群,并以定义的区间二型模糊熵作为适应度评价函数,对种群中的个体进行适应度评价,保留和记录最优个体。在提出的进化策略中,利用量子旋转门的动态旋转角机制使种群以更好的适应性和效率自动确定模糊参数的最优组合,据此,以最大模糊性原则得到多级阈值,实现图像最优多级阈值分割。在实验中选取基于最大熵和模糊熵的多级阈值分割方法作为对比算法,对具有不同地物的高分辨率全色遥感图像进行了分割实验。实验平均评价结果表明:本文方法能在减少计算时间的同时获得更好的分割结果,面积加权方差降低了39.7%,Jeffries-Matusita距离降低了14.7%,运行时间为6.403 s。可满足高分辨全色遥感图像分割结果对空间连续且光谱均匀的要求且具有高实时性。
张波[4]（2020）在《ERT污染监测数据分析系统设计与实现》文中研究指明近年来,我国经济水平和工业生产水平不断提升,但是由于工业化生产初期企业和个人环保意识薄弱,导致大量污染物进入土壤,造成了我国严重土壤污染。为了开展污染土壤的治理,首先需要开展污染检测,明确污染范围及程度,因电阻率成像（ERT）技术具有简单、高效等优点,近年被逐渐应用于环境污染监测领域。但是目前尚未形成完整的ERT污染监测体系,缺乏有效的监测数据处理方法,因此,研究开发一款ERT污染监测数据分析系统具有重要意义。首先,本文对我国土壤污染现状及ERT土壤污染监测技术作了详细的阐述,并对ERT监测数据分析系统进行了需求分析,基于分析结果对系统的功能进行了设计。系统主要功能包括项目实际情况查看,ERT化探数据分析,ERT图像处理,ERT数据处理,系统参数设置和注册登录。然后,针对ERT监测数据分析中污染区域识别这一难点,本文建立了污染场地模型,研究了多种典型的数据和图像处理算法用于污染区域识别的可行性,实验结果表明,对于ERT图像,二维图像阈值分割算法相较于一维图像阈值分割算法识别准确性更高;对于ERT数据,FCM算法相较于K-means聚类算法识别准确性更高。最后,系统采用.NET框架作为系统主框架,SQL Server作为数据管理工具实现数据的存储和管理,通过高德地图API实现场地和测线位置的展示;采用C#编程语言作为程序开发设计的主语言,并联合使用Python等编程语言完成数据分析处理等功能。系统测试表明,本文设计开发的ERT污染监测数据分析系统能够实现污染场地监测数据的收集、存储和管理,并提供多种数据处理方法对监测数据进行分析处理,运行稳定、可靠。
孙敏[5]（2020）在《基于群体智能的图像多阈值分割方法研究》文中研究说明图像分割的主要工作是把图像分成若干个具有特定性质的区域并将感兴趣的目标提取出来。在现有的图像分割算法中,多阈值法因其简单、最为直接而被广泛发展应用于多目标图像分割。但该方法计算量大且复杂度较高,严重影响分割效率。多阈值法实质上是以一定的准则在复杂的参数空间中快速寻找到最佳分割阈值,而群体智能优化算法可对复杂非线性、多维问题进行快速有效的计算,且能够在较短的时间内搜索到令人满意的全局最优解,缩短计算时间。因此,为了提高多阈值法的分割效率,将群体智能优化算法应用到图像多阈值分割成为研究热点问题。但是这类方法普遍存在寻优后期搜索速度较慢、易陷入局部最优的缺点,从而导致求解精度较低。本文针对传统的布谷鸟算法、粒子群算法以及鲸鱼算法,从不同角度进行改进,并将改进方法应用于图像分割的多阈值选取,用以提高图像分割精度和速度。主要研究成果如下:（1）基于当前种群的适应度值自适应确定布谷鸟算法的迭代步长,改进传统布谷鸟算法。传统布谷鸟算法应用于多阈值分割时,其计算量随着阈值个数的增加呈指数增长。其原因是传统布谷鸟算法采用固定的步长,而忽略了个体寻优能力的差异性。因此,本文将Levy飞行环节中的迭代步长设置为由当前种群的适应度值自适应确定,并将偏好随机游动环节中的发现概率pa设置为随着当前迭代次数和总迭代次数的改变而改变。这样的改进策略,增加了种群的多样性,使得算法寻优后期能够及时跳出局部最优,避免早熟。为了验证改进算法的效率和精度,将改进算法与经典的布谷鸟算法、Naik的自适应布谷鸟算法进行比较。实验结果表明,改进的算法能够快速选取最佳分割阈值且分割精度明显提高。（2）利用Circle映射产生的混沌扰动策略,改进达尔文粒子群算法,并用于彩色图像的多阈值分割。达尔文粒子群算法后期易陷入局部最优,导致图像分割不精确。而混沌运动具有随机性、遍历性和初值敏感性等优点,因此本文利用Circle映射产生的混沌扰动策略对全局最佳粒子位置进行修正,有效地防止算法陷入局部最优,从而加快收敛并提高搜索精度。此外,本文将最大熵作为目标函数,利用改进的算法进行寻优得到最佳阈值,实现彩色图像多阈值分割。为了阐释改进方法的优劣性,选取了三幅彩色图像,将改进算法与达尔文粒子群算法、粒子群算法以及和声算法进行对比。实验结果表明,改进算法可以准确地提取出目标,增强彩色图像的分割效果。（3）利用McCulloch方法可以高效生成稳定随机变量的特点,改进鲸鱼算法,用于遥感图像的多阈值分割过程。传统的鲸鱼算法寻优后期易出现搜索精度低,导致图像分割的效果较差。因此,本文引入McCulloch方法对当前最佳鲸鱼个体进行变异扰动,使其在最优位置附近进行精细搜索,扩大搜索范围,提高群体多样性,以平衡鲸鱼算法的全局搜索和局部搜索能力,从而提高算法的寻优精度,避免算法出现早熟收敛现象。此外,本文以最大类间方差作为目标函数,利用改进的算法进行寻优得到最佳分割阈值,将遥感图像中的关注目标准确提取出来。为了验证改进算法的寻优精度,选取了三幅遥感图像,将改进的鲸鱼算法与其他分割法进行比较。实验结果表明,改进鲸鱼算法具有较高的精度,提高了遥感图像的分割质量。图[35]表[13]参[122]
刘鑫晶[6]（2020）在《基于萤火虫优化算法的图像多阈值分割技术研究》文中研究说明图像阈值分割的目的是将灰度图转换为二值图,最大类间方差法和最大熵法是两种普遍使用的阈值分割方法。目前,许多需要处理的图像都是复杂图像,并且有时需要分割出多个目标,即多阈值图像分割。其中,阈值的搜索是非常关键的,经典的阈值搜索方式采用穷举法,随着阈值个数的增长,其时间复杂度呈指数型增长。为了降低分割时间复杂度,采用群智能算法中的萤火虫算法将对阈值的搜索问题转变成对目标函数求最大或最小值的问题。由于标准的萤火虫算法存在求解速度慢、寻优精度低和容易陷入局部最优解的问题,需要针对算法流程图和寻优机理对其进行改进。本文主要从参数调整、更新策略调整、混合其它算法思想三种不同的角度对标准萤火虫优化算法进行改进,完成的创新性成果如下:（1）本文提出混合细胞膜机制的改进萤火虫算法,并用于优化基于最大类间方差法和最大熵法的多阈值图像分割。针对标准萤火虫算法采用固定的步长,这种固定模式使得算法的收敛速度减慢并且算法容易错过最优解,导致寻优精度降低的问题,采纳另一种全局优化算法,即细胞膜算法的保留最优解思想。从参数调整方面采用自适应步长思想和从混合其它群智能算法方面混合了细胞膜优化算法中物质分类和保留最优解思想,最终得到收敛速度快和寻优精度高的改进萤火虫算法。分别使用最大类间方差和最大熵的表达式作为目标函数,改进萤火虫算法优化多阈值图像分割。实验结果表明,使用本文所提算法对复杂多目标图像进行分割时,相比于经典分割算法和国内外研究的其他改进的分割算法,其分割速度、分割得到的结果质量以及分割稳定性得到了提高。具体表现在,与经典算法相比,该算法在分割速率上提高约500倍,分割精度上提高约1.4%。（2）本文提出双中心粒子引导的邻域萤火虫算法,并用于优化基于最大类间方差法和最大熵法的多阈值图像分割。本文在权衡不同的吸引模型将会导致算法容易产生很多不必要的振荡和错过最优解的问题,提出了将萤火虫算法采用邻域吸引模型。并且针对萤火虫算法不保留每一次迭代前的萤火虫信息而容易错失最佳位置信息的问题,本文将使用粒子群算法中的双中心粒子引导策略来改进萤火虫算法。最终得到从更新策略调整方面将全吸引模型改进为k-邻域吸引模型和从混合其他群智能算法思想方面采用粒子群算法中的双中心粒子思想进行改进的一种改进萤火虫算法,同样使用该算法对复杂多目标图像进行多阈值分割。实验结果表明,使用本文所提算法分割复杂多目标图像时,在分割效果和分割时间上得到了进一步的提升。具体表现在,与经典算法相比,该算法在分割速率上提高约800倍,分割精度上提高约1.2%。
杨佳攀[7]（2020）在《基于粒子群算法的最大熵多阈值图像分割方法研究》文中认为图像分割是目标检测与识别的重要环节,也是计算机视觉中的关键技术之一。基于熵的阈值分割方法是图像分割中使用最多的方法。在不同的基于熵的阈值分割方法中,最大熵多阈值分割法受到了广泛的关注。由于该分割方法存在计算复杂度大的问题,可以通过引进优化技术来降低复杂度。粒子群优化算法（PSO）是一种新型的群体智能算法,主要有结构简单、收敛速度快并且寻找最优解的能力强等优点。结合PSO的这些优点考虑将其用于最大熵多阈值分割中。但是这种结合也存在一定的缺陷,因此本文提出了两种改进算法,来准确寻找最佳阈值组合。针对PSO在最大熵多阈值分割中由于维数灾难与早熟收敛造成分割精度不高的问题,提出了改进PSO的最大熵多阈值分割算法。首先,以改进的类似S形惯性权重对粒子群算法进行优化,以此来实现从线性惯性权重到非线性惯性权重的平滑过渡;其次,将高维群分解成多个一维群,这些一维群相互交换信息,生成群体复合适应度值,以此来解决维数灾难问题。最后,用部分较好的粒子代替较差的粒子,进一步避免粒子陷进局部最优,从而提高分割的精度。针对PSO在最大熵多阈值分割中由于粒子多样性差与易陷进局部最优造成的分割结果不理想的问题,把模拟退火算法运用到PSO中。根据初始种群的最优适应度值设置初始温度,考虑到种群分布的聚集与分散的情况,引进了种群的适应度方差,用改进的Metropolis准则来增大粒子的多样性,从而防止粒子陷进局部最优。分别把以上两种基于PSO的多阈值分割方法与其他现有的分割方法在相同实验环境下进行仿真对比实验,将经典图像作为实验对象,通过图像直观表现和三个评价指标的数据对比,得出本文的两种改进后的算法均能使粒子群摆脱局部最优,对图像的分割效果较好,算法具有较大的优越性。
李沐青[8]（2020）在《基于仿生优化的图像分割方法研究》文中研究说明图像作为一种包含大量信息的多媒体数据,在人们生活和工作中扮演着越来越重要的角色。图像分割是图像识别和计算机视觉至关重要的预处理步骤,也是实现图像理解的一种有效途径,作为图像处理的重要环节受到了越来越多的关注。图像分割在计算机视觉、人脸识别、产品检测、工业自动化、智能交通、文字识别、外星探测、航空与航天技术、遥感卫星图像处理、生物与医学工程、体育和农业等领域得到了广泛的应用。在很多工程应用中,由于实际问题的复杂性与多样性,及各种因素的限制,人们很难获得大量的图像样本。灰度图像是各类图像中最基础且应用最广泛的一种,具有表示简单、数据量小、编码传输方便等优势,作为构建复杂图像的基础,灰度图像适用于大多数的图像处理场合,其分割方法也被广泛用于多种学科和工程应用之中。因此高分割精度和计算效率的小样本灰度图像分割技术很有研究的意义与工程价值。图像分割技术涉及认知科学、计算机视觉等多个交叉学科,也被广泛应用于工程实践之中。基于特征聚类和阈值的分割方法由于其结构简单,适用能力强,分割效果好的优点在图像分割领域中被广泛应用和改进。但传统的灰度图像分割方法或分割效果不好,或计算效率较差。仿生优化算法可以快速有效地计算复杂的非线性多维数据空间,而图像分割问题又可等价于在复杂的参数空间中寻求最优分割参数的问题,故将仿生学优化算法应用于灰度图像分割中,可以提高计算效率和算法的分割精度。本文对基于特征空间聚类和最优阈值选取的图像分割技术展开研究,引入在计算稳定性和处理速度上较好的灰狼优化算法,以提高算法性能和图像分割精度为目的,提出了几种适应性强,分割精度较高的图像分割算法。本文主要研究工作和创新点如下:1.针对模糊C均值算法分割图像存在初始聚类中心不确定、需要人为设定聚类类别数、迭代过程中容易陷入局部最优的问题,及灰狼优化算法的搜索种群单一化易陷于局部最优和出现早熟收敛的问题,提出了基于差分进化灰狼优化的FCM图像分割方法。由于FCM算法的聚类中心的估计可被看作是在灰度区间内寻找合适值的搜索过程,利用基于差分进化的灰狼优化算法来寻找聚类中心,提高狼群搜索多样性和突变能力,避免算法陷入局部最小值,能够进一步提高了算法的分割精度。2.针对传统的模糊C均值算法只利用像素的隶属度信息,对噪声和不均匀灰度值较为敏感,没有充分利用像素周围的邻域空间信息,算法分割精度不高,鲁棒性差等问题,提出了基于并行LGWO和局部信息的FCM图像分割方法。通过引入Levy飞行策略来提高算法计算效率和搜索性能,设计并行计算程序可以极大提升算法的计算效率。结合图像的邻域信息对噪声图像进行自适应灰度加权,可有效抑制噪声影响,提高算法的分割精度。3.当图像受到的噪声污染较为严重时,图像像素的邻域信息也可能会被污染,导致结合了图像局部空间信息的模糊聚类算法分割精度降低,无法满足高精度分割要求。提出了基于改进并行LGWO和全局信息的FCM图像分割方法。利用新的收敛因子和动态权重策略改进的并行LGWO算法对图像进行粗略聚类得到初始聚类中心,这些改进可使并行LGWO算法拥有更高的搜索精度。并将像素周围的邻域信息和非邻域信息作为空间信息添加到目标函数中,利用信息熵调整像素信息与非邻域空间信息之间的权重,用改进的距离测度代替传统的欧式距离,从而进一步改善算法的分割效果。4.由于阈值的选择直接影响阈值分割技术的分割准确性,传统的阈值分割方法多是通过遍历来得到,影响算法的计算效率。提出了基于改进灰狼优化算法的多阈值图像分割方法。利用Tsallis灰度熵阈值技术确定最佳阈值,其有简单易实现,分割精度高,易于从单阈值分割扩展到多阈值分割的特点。引入对立学习的种群初始化、Levy飞行、自适应边界、较差个体主动高斯变异策略,改进灰狼优化算法。改进算法能够较好的平衡算法的搜索和开发能力,避免算法陷入局部最优,同时提高了算法的收敛速度、全局搜索能力和分割精度。各部分仿真实验进一步表明所提方法的有效性。
程伟[9]（2019）在《智能优化算法的改进及其在图像分割中的应用研究》文中研究指明图像分割是将图像分成若干个互不重叠的子区域并提取出有意义区域的过程。在数字图像处理与计算机视觉领域中,图像分割是从图像处理到图像特征提取和识别的关键步骤,它的质量影响着后续的图像分析和模式识别。因此,快速、高效的分割方法一直是研究人员关注的研究热点。阈值分割是一种有效且实用的分割方法,其原理是按照某种准则求出最优阈值,再根据获得的阈值对图像进行分割。在实际应用过程中,为了满足我们的使用需要,有时需要使用多维阈值分割方法或者同时选取多个阈值来实现对目标图像的有效分割。随着图像信息维数或选取阈值个数的增加,阈值分割算法的计算复杂度快速增加,大大提高了计算所需时间,一定程度上限制了算法的使用范围。为此,本文改进了两种新型智能优化算法,并将其应用于图像阈值分割中,论文主要研究内容如下:（1）针对人工蜂群算法应用于含噪图像分割时存在分割精度不高、抗噪性差的问题,提出了一种基于改进人工蜂群算法的Otsu图像分割方法。该方法首先引入全局最优解指导搜索方向,并且针对采蜜蜂和观察蜂作用的不同提出了不同的搜索策略,提高了算法的收敛速度和全局搜索能力;其次,引入模拟退火机制对蜜源更新方式进行了改进,采用Metropolis准则更新蜜源位置,有效避免了个体在搜索过程中陷入局部最优;最后,结合二维Otsu阈值分割法迭代搜索分割阈值。为了测试算法性能,选择多幅不同类型的灰度图像及含噪图像进行仿真实验,并与穷举搜索法、人工蜂群算法及萤火虫算法的实验结果进行了对比分析。实验结果表明了该方法克服了穷举搜索法费时的缺点,分割效果优于人工蜂群算法和萤火虫算法,具有较好的抗噪性能,能有效解决含噪图像的实时分割问题。（2）针对传统多阈值图像分割方法存在计算量大、计算时间长的问题,提出了一种基于改进布谷鸟算法的多阈值图像分割方法。该方法引入教与学搜索策略、精英自适应竞争分享机制和模拟退火机制对布谷鸟算法进行改进,再结合最大熵多阈值分割方法迭代搜索分割阈值。为了验证所提改进方法的有效性,选择了多幅不同类型的复杂多目标图像进行分割实验,并与其它4种先进的分割算法进行对比分析。实验结果表明了该方法在分割准确性、计算时间和收敛性上均优于对比算法,能快速有效的解决复杂多目标图像的多阈值分割问题。
毕思文,饶思威[10]（2019）在《量子遥感图像数据分割算法研究》文中研究指明用量子力学的概念和方法来处理遥感图像数据是目前遥感图像处理方法中新的生长点。在笔者前期提出的量子遥感图像数据去噪算法和增强算法基础上,作者在本文进一步提出量子遥感图像数据分割算法（毕氏量子分割法）。在本文中,作者通过实验验证了量子遥感分割算法对分割精度的提升,通过改进的量子遗传算法自动搜索最优阈值,降低了程序设计的复杂度,与传统方法比较,量子图像分割后的信息熵提高了不少,利用量子遥感图像分割算法实现的图像分割不仅保留了更多的图像信息,而且获得了较为理想的分割效果。
二、基于遗传算法的模糊熵多阈值图像分割（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于遗传算法的模糊熵多阈值图像分割（论文提纲范文）
（1）基于改进麻雀搜索算法的森林火灾图像多阈值分割（论文提纲范文）
| 1 麻雀搜索算法 |
| 1.1 麻雀搜索算法 |
| 1.2 改进麻雀搜索算法 |
| 1.2.1 精英反向学习策略 |
| 1.2.2 Lévy飞行策略 |
| 2 多阈值图像分割 |
| 2.1 指数熵阈值分割原理 |
| 2.2 改进麻雀搜索算法的指数熵多阈值分割 |
| 3 林火图像分割实验与分析 |
| 3.1 OTSU图像分割实验与分析 |
| 3.2 ISSA图像分割实验与分析 |
| 3.2.1 阈值个数的选取 |
| 3.2.2 最佳分割阈值 |
| 3.2.3 最佳分割熵值 |
| 3.2.4 实时性 |
| 3.3 林火图像分割验证 |
| 4 结论 |
（2）樽海鞘优化算法研究及在医学诊断中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及评述 |
| 1.2.1 樽海鞘算法研究现状 |
| 1.2.2 医学诊断和分割应用现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关知识介绍 |
| 2.1 特征选择 |
| 2.2 图像分割 |
| 2.3 模糊K近邻算法 |
| 2.4 樽海鞘算法 |
| 2.4.1 樽海鞘群算法的基本原理 |
| 2.4.2 算法一般流程 |
| 第3章 基于重启机制的集成变异樽海鞘群算法及其应用 |
| 3.1 引言 |
| 3.2 基础知识 |
| 3.2.1 集成变异策略 |
| 3.2.2 重启机制 |
| 3.3 基于重启与集成变异的樽海鞘算法(CMSRSSSA) |
| 3.4 基于CMSRSSSA优化模糊K近邻的疾病诊断模型 |
| 3.5 实验研究 |
| 3.5.1 函数优化实验 |
| 3.5.2 疾病诊断实验 |
| 3.6 本章小结 |
| 第4章 基于准反向骨架机制的樽海鞘算法及其应用 |
| 4.1 引言 |
| 4.2 基础知识 |
| 4.2.1 准反向学习策略(QOBL) |
| 4.2.2 自适应骨架策略(BB) |
| 4.3 QBSSA方法 |
| 4.4 基于二进制QBSSA的特征选择方法 |
| 4.5 实验研究 |
| 4.5.1 函数优化实验 |
| 4.5.2 特征选择实验 |
| 4.6 本章小结 |
| 第5章 基于骨架随机分形搜索机制的樽海鞘群算法及其应用 |
| 5.1 引言 |
| 5.2 基础知识 |
| 5.2.1 随机分形搜索机制(SFS) |
| 5.2.2 GBSFSSSA方法 |
| 5.3 实验结果和讨论 |
| 5.3.1 实验:CEC2017竞赛数据集函数测试 |
| 5.3.1.1 与常规算法的比较 |
| 5.3.1.2 与改进算法的比较 |
| 5.3.2 GBSFSSSA方法在肾病理图像分割中的应用 |
| 5.3.2.1 多阈值图像分割 |
| 5.3.2.2 二维直方图的非局部均值和Kapur熵 |
| 5.3.2.3 图像分割的评估指标 |
| 5.3.2.4 实验设置 |
| 5.3.2.5 实验结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文内容总结 |
| 6.2 未来工作 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（3）高分辨率全色遥感图像多级阈值分割（论文提纲范文）
| 1 引 言 |
| 2 算法描述 |
| 2.1 图像的概率划分 |
| 2.2 多级区间二型模糊熵 |
| 2.3 基于AQGA的区间二型模糊熵算法 |
| 2.3.1 量子染色体编码 |
| 2.3.2 量子染色体测量和解码 |
| 2.3.3 适应度评价 |
| 2.3.4 量子染色体进化 |
| 2.4 算法流程 |
| 3 实验结果与讨论 |
| 3.1 实验设置 |
| 3.2 模拟图像分割 |
| 3.3 遥感图像分割 |
| 4 结 论 |
（4）ERT污染监测数据分析系统设计与实现（论文提纲范文）
| 摘要 |
| ASTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外发展现状 |
| 1.3 论文主要工作 |
| 1.4 论文结构 |
| 第2章 ERT污染监测数据分析系统需求分析与可行性分析 |
| 2.1 污染场地ERT监测系统介绍 |
| 2.2 功能性需求分析 |
| 2.3 可行性分析 |
| 2.3.1 技术可行性 |
| 2.3.2 组织可行性 |
| 2.3.3 经济可行性 |
| 2.4 本章小结 |
| 第3章 ERT污染监测数据分析系统概要设计 |
| 3.1 系统总体设计原理 |
| 3.2 系统概要设计 |
| 3.2.1 数据层设计 |
| 3.2.2 业务逻辑设计 |
| 3.2.3 系统UI层设计 |
| 3.3 本章小结 |
| 第4章 ERT污染监测数据分析系统算法实验 |
| 4.1 ERT图像处理算法 |
| 4.1.1 二维Otsu图像分割算法 |
| 4.1.2 二维最大熵阈值图像分割算法 |
| 4.1.3 基于遗传算法的二维阈值图像分割算法 |
| 4.2 ERT图像实验与分析 |
| 4.2.1 实验说明 |
| 4.2.2 实验结果 |
| 4.2.3 结果说明 |
| 4.3 ERT数据处理算法 |
| 4.3.1 K均值(K-means)聚类 |
| 4.3.2 模糊C均值聚类(FCM)算法 |
| 4.4 ERT数值实验与分析 |
| 4.4.1 实验说明 |
| 4.4.2 实验结果 |
| 4.4.3 结果说明 |
| 4.5 本章小结 |
| 第5章 ERT污染监测数据分析系统设计与实现 |
| 5.1 登录注册模块 |
| 5.2 项目实际情况查看模块 |
| 5.2.1 项目实际情况查看模块活动分析 |
| 5.2.2 模块功能展示 |
| 5.3 ERT/化探数据管理分析模块 |
| 5.3.1 ERT/化探数据管理分析模块活动分析 |
| 5.3.2 模块功能展示 |
| 5.4 ERT图像处理模块 |
| 5.4.1 ERT图像处理模块活动分析 |
| 5.4.2 模块功能展示 |
| 5.5 ERT数据处理模块 |
| 5.5.1 ERT数据处理模块活动分析 |
| 5.5.2 模块功能展示 |
| 5.6 系统设置模块 |
| 5.6.1 系统设置模块活动分析 |
| 5.6.2 模块功能展示 |
| 5.7 系统数据库表设计 |
| 5.8 系统测试 |
| 5.8.1 测试环境 |
| 5.8.2 功能测试用例 |
| 5.9 本章小结 |
| 第6章 总结展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 后记 |
| 攻读硕士学位期间论文发表及科研情况 |
（5）基于群体智能的图像多阈值分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 图像阈值分割法研究现状 |
| 1.2.2 基于群体智能的图像多阈值分割研究进展 |
| 1.3 本文的结构安排 |
| 2 群体智能优化算法 |
| 2.1 常见的群体智能优化算法 |
| 2.1.1 遗传算法 |
| 2.1.2 粒子群算法 |
| 2.1.3 和声算法 |
| 2.2 新型的群体智能算法 |
| 2.2.1 布谷鸟算法 |
| 2.2.2 鲸鱼算法 |
| 2.3 群体智能算法的性能测试 |
| 2.3.1 基准测试函数 |
| 2.3.2 图像分割中的测试 |
| 2.4 本章小结 |
| 3 基于改进布谷鸟算法的图像多阈值分割 |
| 3.1 多阈值图像分割的目标函数 |
| 3.1.1 最大类间方差法 |
| 3.1.2 最大熵法 |
| 3.1.3 Tsallis熵 |
| 3.2 基于改进布谷鸟算法的图像多阈值分割 |
| 3.2.1 改进的布谷鸟算法 |
| 3.2.2 改进布谷鸟算法分割流程图 |
| 3.3 实验结果的分析讨论 |
| 3.3.1 实验参数设置 |
| 3.3.2 分割性能指标 |
| 3.3.3 分割结果对比 |
| 3.3.4 分割性能对比 |
| 3.3.5 收敛速度对比 |
| 3.4 本章小结 |
| 4 基于混沌达尔文粒子群的彩色图像多阈值分割算法 |
| 4.1 达尔文粒子群算法描述 |
| 4.1.1 达尔文粒子群算法 |
| 4.1.2 混沌达尔文粒子群算法 |
| 4.1.3 CDPSO算法分割流程 |
| 4.2 实验结果的分析讨论 |
| 4.2.1 实验参数设置 |
| 4.2.2 分割性能对比 |
| 4.2.3 分割结果对比 |
| 4.2.4 收敛速度对比 |
| 4.3 本章小结 |
| 5 基于改进鲸鱼算法的遥感图像多阈值分割 |
| 5.1 改进的鲸鱼算法 |
| 5.1.1 McCulloch算法 |
| 5.1.2 改进的鲸鱼算法分割流程 |
| 5.2 实验结果的讨论分析 |
| 5.2.1 实验参数设置 |
| 5.2.2 分割结果对比 |
| 5.2.3 分割性能对比 |
| 5.2.4 收敛速度对比 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 本文主要工作 |
| 6.2 未来工作 |
| 参考文献 |
| 致谢 |
| 作者简介及硕士研究生期间主要科研成果 |
（6）基于萤火虫优化算法的图像多阈值分割技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 萤火虫算法研究现状 |
| 1.2.2 图像多阈值分割技术研究现状 |
| 1.2.3 萤火虫算法优化图像阈值分割技术研究现状 |
| 1.3 本文内容及创新点 |
| 1.4 本文结构安排 |
| 第二章 算法相关理论基础 |
| 2.1 引言 |
| 2.2 群智能算法概述 |
| 2.3 图像分割算法概述 |
| 2.3.1 Otsu图像分割算法 |
| 2.3.2 Kapur熵图像分割算法 |
| 2.4 标准萤火虫算法概述 |
| 2.4.1 GSO算法数学模型 |
| 2.4.2 FA与GSO算法的区别 |
| 2.4.3 标准GSO算法的优缺点 |
| 2.4.4 GSO优化算法的复杂度分析 |
| 2.5 本章小结 |
| 第三章 混合细胞膜机制的改进萤火虫算法 |
| 3.1 引言 |
| 3.2 混合细胞膜机制的改进萤火虫算法 |
| 3.2.1 细胞膜优化算法 |
| 3.2.2 自适应步长萤火虫算法 |
| 3.2.3 混合细胞膜机制的改进萤火虫算法流程 |
| 3.3 CMA-GSO算法优化多阈值Otsu图像分割 |
| 3.3.1 多阈值Otsu图像分割时间复杂度分析 |
| 3.3.2 CMA-GSO算法优化多阈值Otsu图像分割 |
| 3.3.3 实验方法设计 |
| 3.3.4 实验结果与性能分析 |
| 3.4 CMA-GSO算法优化多阈值Kapur熵图像分割 |
| 3.4.1 多阈值Kapur熵图像分割时间复杂度分析 |
| 3.4.2 CMA-GSO算法优化多阈值Kapur熵图像分割 |
| 3.4.3 实验结果与性能分析 |
| 3.5 本章小结 |
| 第四章 双中心粒子引导的邻域萤火虫算法 |
| 4.1 引言 |
| 4.2 双中心粒子引导的邻域吸引萤火虫算法 |
| 4.2.1 双中心粒子 |
| 4.2.2 邻域吸引萤火虫算法 |
| 4.2.3 双中心粒子引导的邻域吸引萤火虫算法流程 |
| 4.3 DCP-Na GSO算法优化Otsu多阈值图像分割 |
| 4.3.1 具体优化实施过程 |
| 4.3.2 实验参数设置 |
| 4.3.3 实验结果与性能分析 |
| 4.4 DCP-Na GSO算法优化Kapur熵多阈值图像分割 |
| 4.4.1 具体优化实施过程 |
| 4.4.2 实验结果与性能分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（7）基于粒子群算法的最大熵多阈值图像分割方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容及创新点 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文创新点 |
| 1.4 论文组织结构 |
| 第二章 图像分割技术研究 |
| 2.1 图像分割技术概述 |
| 2.2 图像分割的定义 |
| 2.3 基于区域的图像分割 |
| 2.3.1 区域生长 |
| 2.3.2 区域分裂合并 |
| 2.4 基于边缘检测的图像分割 |
| 2.4.1 梯度算子 |
| 2.4.2 高斯—拉普拉斯算子 |
| 2.4.3 Canny边缘检测算子 |
| 2.5 基于阈值的图像分割 |
| 2.5.1 最大类间方差法 |
| 2.5.2 最小误差法 |
| 2.5.3 最大熵多阈值法 |
| 2.6 其它的图像分割方法 |
| 2.7 本章小结 |
| 第三章 基于IPSO的最大熵多阈值图像分割算法 |
| 3.1 基于PSO的最大熵多阈值图像分割算法 |
| 3.1.1 粒子群算法基本思想 |
| 3.1.2 标准粒子群算法的数学描述 |
| 3.1.3 粒子群算法参数设置 |
| 3.1.4 粒子群算法流程 |
| 3.1.5 基于PSO的最大熵多阈值分割算法存在的不足 |
| 3.2 改进的粒子群算法 |
| 3.2.1 惯性权重的改进 |
| 3.2.2 多维群计算方式的改进 |
| 3.2.3 粒子速度更新策略的改进 |
| 3.3 基于IPSO的最大熵多阈值图像分割算法 |
| 3.3.1 种群设计 |
| 3.3.2 改进粒子群优化算法流程 |
| 3.4 基于IPSO的最大熵多阈值分割的实验结果及分析 |
| 3.4.1 图像分割的评价指标 |
| 3.4.2 基于IPSO的多阈值图像分割仿真结果及分析 |
| 3.4.3 基于不同优化方法的最大熵四阈值分割结果及分析 |
| 3.5 本章小结 |
| 第四章 基于SA-PSO的最大熵多阈值图像分割算法 |
| 4.1 模拟退火算法概述 |
| 4.1.1 模拟退火算法思想 |
| 4.1.2 模拟退火算法原理 |
| 4.1.3 模拟退火参数设置 |
| 4.1.4 模拟退火算法步骤 |
| 4.1.5 模拟退火算法特点 |
| 4.2 基于SA-PSO的最大熵多阈值图像分割算法 |
| 4.2.1 改进的SA-PSO算法 |
| 4.2.2 基于SA-PSO的最大熵多阈值分割算法流程 |
| 4.3 基于SA-PSO的最大熵多阈值分割的实验结果及分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）基于仿生优化的图像分割方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 图像分割研究及发展现状 |
| 1.3 论文的研究内容 |
| 1.3.1 研究目的与思路 |
| 1.3.2 论文的章节安排 |
| 第二章 仿生优化算法 |
| 2.1 仿生优化算法概述 |
| 2.2 Levy飞行算法 |
| 2.2.1 Levy飞行的起源与思想 |
| 2.2.2 Levy飞行的原理 |
| 2.2.3 Levy飞行算法的研究进展 |
| 2.3 灰狼优化算法 |
| 2.3.1 灰狼优化算法的的起源及原理 |
| 2.3.2 标准灰狼优化算法 |
| 2.3.3 灰狼优化算法的局限性 |
| 2.3.4 灰狼优化算法的研究进展 |
| 2.4 本章小结 |
| 第三章 基于差分进化灰狼优化的FCM图像分割 |
| 3.1 模糊C均值聚类算法及其改进 |
| 3.2 基于差分进化灰狼优化的FCM算法 |
| 3.2.1 适应度函数设置 |
| 3.2.2 差分进化灰狼优化算法原理 |
| 3.2.3 基于差分进化灰狼优化的FCM算法流程 |
| 3.2.4 基于差分进化灰狼优化的自适应FCM算法 |
| 3.3 实验结果与分析 |
| 3.3.1 图像分割效果的评价指标 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于并行LGWO和局部信息的FCM图像分割 |
| 4.1 结合图像局部信息的FCM算法 |
| 4.2 并行LGWO优化算法 |
| 4.2.1 LGWO优化算法 |
| 4.2.2 并行LGWO优化算法 |
| 4.3 基于并行LGWO和局部信息的FCM图像分割 |
| 4.3.1 自适应灰度权重 |
| 4.3.2 改进的模糊因子 |
| 4.3.3 改进的距离测度 |
| 4.3.4 所提算法及其计算流程 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于改进并行LGWO和全局信息的FCM图像分割 |
| 5.1 改进的并行LGWO优化算法 |
| 5.1.1 改进算法收敛因子 |
| 5.1.2 引入动态权重策略 |
| 5.2 快速非局部均值去噪算法 |
| 5.3 基于改进并行LGWO和全局信息的FCM图像分割 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章基于改进灰狼优化算法的多阈值图像分割 |
| 6.1 Tsallis灰度熵 |
| 6.2 IGWO算法 |
| 6.2.1 基于对立学习的种群初始化策略 |
| 6.2.2 狼群Levy飞行策略 |
| 6.2.3 狼群自适应边界策略 |
| 6.2.4 较差狼个体主动高斯变异策略 |
| 6.3 实验结果与分析 |
| 6.3.1 算法性能测试 |
| 6.3.2 实验结果与分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）智能优化算法的改进及其在图像分割中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 图像分割研究现状 |
| 1.3 智能优化算法研究现状 |
| 1.4 基于智能优化算法的图像阈值分割研究现状 |
| 1.5 本文主要研究内容与章节安排 |
| 1.5.1 论文主要研究内容 |
| 1.5.2 论文章节安排 |
| 第2章 智能优化算法 |
| 2.1 智能优化算法基本概念 |
| 2.1.1 遗传算法 |
| 2.1.2 粒子群算法 |
| 2.1.3 模拟退火算法 |
| 2.2 人工蜂群算法 |
| 2.2.1 人工蜂群算法的思想起源 |
| 2.2.2 人工蜂群算法的原理与数学模型 |
| 2.2.3 人工蜂群算法的基本流程 |
| 2.3 布谷鸟算法 |
| 2.3.1 布谷鸟算法的思想起源 |
| 2.3.2 布谷鸟算法的原理与数学模型 |
| 2.3.3 布谷鸟算法的基本流程 |
| 2.4 本章小结 |
| 第3章 智能优化算法在图像阈值分割中的应用 |
| 3.1 基于智能优化算法的图像阈值分割方法 |
| 3.1.1 阈值分割基本原理 |
| 3.1.2 图像直方图及其划分 |
| 3.1.3 Otsu法 |
| 3.1.4 最大熵法 |
| 3.2 智能优化算法用于图像阈值分割的一般流程 |
| 3.3 本章小结 |
| 第4章 应用改进人工蜂群算法优化Otsu图像分割 |
| 4.1 二维Otsu阈值分割目标函数 |
| 4.2 人工蜂群算法的改进 |
| 4.2.1 人工蜂群算法的局限性 |
| 4.2.2 改进人工蜂群算法 |
| 4.3 基于改进人工蜂群算法的Otsu图像分割 |
| 4.4 实验结果与分析 |
| 4.4.1 分割效果对比 |
| 4.4.2 分割速度对比 |
| 4.4.3 算法的收敛性对比 |
| 4.5 本章小结 |
| 第5章 应用改进布谷鸟算法优化多阈值图像分割 |
| 5.1 最大熵多阈值分割目标函数 |
| 5.2 布谷鸟算法的改进 |
| 5.2.1 布谷鸟算法的局限性 |
| 5.2.2 改进布谷鸟算法 |
| 5.3 基于改进布谷鸟算法的多阈值图像分割 |
| 5.4 实验结果与性能分析 |
| 5.4.1 不同阈值下改进布谷鸟算法的分割效果 |
| 5.4.2 分割准确性对比 |
| 5.4.3 分割速度对比 |
| 5.4.4 算法的收敛性对比 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（10）量子遥感图像数据分割算法研究（论文提纲范文）
| 1 前言 |
| 2 量子分割算法 |
| 2.1 量子染色体编码 |
| 2.2 量子交叉 |
| 2.3 量子变异 |
| 2.4利用最大熵和量子遗传算法实现多阈值分割算法流程 |
| 2.5量子图像数据分割算法流程 |
| 3量子图像数据分割算法仿真实验及其结果 |
| 4结论 |
| 5前景展望 |
| 1 Introduction |
| 2 The Quantum Segmentation Algorithm |
| 2.1 Quantum Chromosome Coding |
| 2.2 Quantum Crossing |
| 2.3 Quantum Variation |
| 2.4 Multi-threshold Segmentation Algorithm Flow Using Maximum Entropy and the QGA |
| 2.5 Quantum Image Data Segmentation Algorithm Flow Chart |
| 3 Simulation Experiment and the Results of the Quantum Image Data Seg-mentation Algorithm |
| 4 Conclusion |
| 5 Prospect |
四、基于遗传算法的模糊熵多阈值图像分割（论文参考文献）
- [1]基于改进麻雀搜索算法的森林火灾图像多阈值分割[J]. 贺航,马小晶,王宏伟,宋帆,刘寒. 科学技术与工程, 2021(26)
- [2]樽海鞘优化算法研究及在医学诊断中的应用[D]. 王智岩. 吉林大学, 2020(03)
- [3]高分辨率全色遥感图像多级阈值分割[J]. 杨蕴,李玉,赵泉华. 光学精密工程, 2020(10)
- [4]ERT污染监测数据分析系统设计与实现[D]. 张波. 山东建筑大学, 2020(11)
- [5]基于群体智能的图像多阈值分割方法研究[D]. 孙敏. 安徽理工大学, 2020(04)
- [6]基于萤火虫优化算法的图像多阈值分割技术研究[D]. 刘鑫晶. 太原理工大学, 2020(07)
- [7]基于粒子群算法的最大熵多阈值图像分割方法研究[D]. 杨佳攀. 河南师范大学, 2020(08)
- [8]基于仿生优化的图像分割方法研究[D]. 李沐青. 西安电子科技大学, 2020(05)
- [9]智能优化算法的改进及其在图像分割中的应用研究[D]. 程伟. 南昌大学, 2019(02)
- [10]量子遥感图像数据分割算法研究[J]. 毕思文,饶思威. 全球变化数据学报(中英文), 2019(01)