【智能算法应用】基于麻雀搜索算法的二维最大熵图像阈值分割

目录

    • 1.算法原理
    • 2.数学模型
    • 3.结果展示
    • 4.参考文献
    • 5.代码获取


1.算法原理

【智能算法】麻雀搜索算法(SSA)原理及实现

2.数学模型

最大熵法是由 Kapur 于 1985 年所提出的, 该方法的阈值选取标准取决于图像中最大化分
割的目标区域和背景区域的总熵
, 而图像中的熵能够反映图像的平均信息量, 表示图像灰度
分布的聚集特征。

二维熵图像分割方法不仅侧重于考虑每个像素的灰度值,还细致地考察了像素邻域内的灰度分布,从而为图像分割提供了更丰富的信息。通过设置灰度阈值 t 和邻域阈值 s,图像被细分为四个区域:两个主要区域(目标和背景)位于阈值对角线的两侧,而垂直于对角线的两个区域主要包含边缘信息和噪声。

在这里插入图片描述
将图像中一个像素点及其周围3×3 范围的区域作为邻域, 来计算该像素点的邻域灰度均值:
P i j = n i j M × N (1) P_{ij}=\frac{n_{ij}}{M\times N}\tag{1} Pij=M×Nnij(1)
其中 Pij表示该像素点灰度值为 i 并且其邻域灰度平均值为 j 时的概率, nij 表示满足当前像素
点灰度值为 i 且其邻域灰度平均值为 j 时的像素点个数, M×N 表示图像的像素大小。
目标区域和背景区域的累积概率:
w 0 ( t , s ) = ∑ i = 0 t − 1 ∑ j = 0 s − 1 p i j w b ( t , s ) = ∑ i = t L − 1 ∑ j = s L − 1 p i j (2) w_0(t,s)=\sum_{i=0}^{t-1}\sum_{j=0}^{s-1}p_{ij}\\w_b(t,s)=\sum_{i=t}^{L-1}\sum_{j=s}^{L-1}p_{ij}\tag{2} w0(t,s)=i=0t1j=0s1pijwb(t,s)=i=tL1j=sL1pij(2)
目标区域和背景区域的熵:
H o ( t , s ) = − ∑ i = 0 t − 1 ∑ j = 0 s − 1 P i j ln ⁡ ( P i j w 0 ( t , s ) ) H b ( t , s ) = − ∑ i = t L − 1 ∑ j = s L − 1 P i j ln ⁡ ( P i j w b ( t , s ) ) (3) H_o(t,s)=-\sum_{i=0}^{t-1}\sum_{j=0}^{s-1}P_{ij}\ln\left(\frac{P_{ij}}{w_0(t,s)}\right)\\H_b(t,s)=-\sum_{i=t}^{L-1}\sum_{j=s}^{L-1}P_{ij}\ln\left(\frac{P_{ij}}{w_b(t,s)}\right)\tag{3} Ho(t,s)=i=0t1j=0s1Pijln(w0(t,s)Pij)Hb(t,s)=i=tL1j=sL1Pijln(wb(t,s)Pij)(3)
二维最大熵 H:
H ( t , s ) = H 0 ( t , s ) + H b ( t , s ) (4) H(t,s)=H_0(t,s)+H_b(t,s)\tag{4} H(t,s)=H0(t,s)+Hb(t,s)(4)
熵值越大代表信息量越大:
f u n { t ∗ , s ∗ } = arg ⁡ max ⁡ ( 0 ≤ t ≤ L − 1 , 0 ≤ s ≤ L − 1 ) { H ( t , s ) } (5) fun\{t^*,s^*\}=\arg\max(0\leq t\leq L-1,0\leq s\leq L-1)\{H(t,s)\}\tag{5} fun{t,s}=argmax(0tL1,0sL1){H(t,s)}(5)
通常智能算法是求解最小化问题,因此适应度函数定义为:
f i t n e s s = − f u n { t ∗ , s ∗ } (6) fitness = -fun\{t^*,s^*\}\tag{6} fitness=fun{t,s}(6)

3.结果展示

在这里插入图片描述
在这里插入图片描述

4.参考文献

[1] 袁成志.基于改进群体智能优化算法的图像处理应用研究[D].南京邮电大学,2023.

5.代码获取

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/833737.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

leetcode 1 ~ 100

文章目录 1. 两数之和(用哈希表减少查找的时间复杂度)2. 两数相加(高精度加法)3.无重复字符的最长子串:(模板:经典的滑动窗口算法)5. 最长回文子串(枚举)6. Z…

STM32F1#1(入门了解)

一、STM32开发平台和工具 1.1 STM32芯片介绍 典型微控制器由CPU(运算器、控制器)、RAM、ROM和输入输出组成。 1.2 STM32核心板 STM32核心板配件: ①JTAG/SWD仿真-下载器 ②通信-下载模块 ③OLED显示屏 1) 通信-下载模…

前端项目学习记录2:sass的使用

1.安装sass pnpm i sass2.配置vite.config.ts import { defineConfig } from vite import vue from vitejs/plugin-vue import path from "path"; //引入svg需要用到的插件 import { createSvgIconsPlugin } from vite-plugin-svg-icons export default defineConf…

spring的高阶使用技巧1——ApplicationListener注册监听器的使用

Spring中的监听器,高阶开发工作者应该都耳熟能详。在 Spring 框架中,这个接口允许开发者注册监听器来监听应用程序中发布的事件。Spring的事件处理机制提供了一种观察者模式的实现,允许应用程序组件之间进行松耦合的通信。 更详细的介绍和使…

英语笔记 1

Although the rich might look down upon the poor, it is important to remember that everyone deserves to be treated with respect.

中文文本特征提取之自动分词

关键词:在某一个类别的文章中,出现的次数很多,但是在其他类别的文章当中出现很少 from sklearn.feature_extraction.text import CountVectorizer import jiebadef chinese_text_extraction02():"""中文文本特征提取&#xf…

Python 正则表达式 (?=...) 和 (?<=...) 符号

Python 正则表达式 引言正文示例1示例2示例3示例4 引言 今天遇到了一个比较棘手的问题&#xff0c;于是终于打算要对正则表达式中的 (?...) 和 (?<...) 符号动手了。 正文 (?...) 表示当 … 匹配时&#xff0c;匹配成功&#xff0c;但不消耗字符串中的任何字符。这个…

【自用】春秋招实习笔试常见问题

数据结构常见问题 map 基本操作 储存键值对<key,pair>&#xff0c;自动按照key排序 #include<map> //新建 map<string,int> myMap; //插入 myMap[str1] 1; //查找 if(myMap.count(str1)0){cout<<"not found"<<endl;} //遍历 for (…

海外市场成 ISV 新掘金地?生成式 AI 如何加速业务创新实践?Zilliz 有话说

期望了解 Zilliz 最新动态&#xff1f;想要与 Zilliz 线下探讨 AI 时代向量数据库的全球化布局思考及典型实践&#xff1f; 机会来啦&#xff01;5 月 10 日&#xff0c;Zilliz 将闪现亚马逊云科技的两场活动现场&#xff08;苏州、西安&#xff09;&#xff0c;与大家共话行业…

Ubuntu将软件图标添加到应用列表

一.简介snap snap和yum&#xff0c;apt一样都是安装包工具&#xff0c;但是snap里的软件源是自动更新到最新版本&#xff0c;最好用 比如Ubuntu的软件商城就是使用的snap软件包 二. Ubuntu软件商城更新 1.ps -ef | grep snap-store 查询并kill snap-store的所有进程 2.sudo …

【仪酷LabVIEW AI工具包案例】使用LabVIEW AI工具包+YOLOv5结合Dobot机械臂实现智能垃圾分类

‍‍&#x1f3e1;博客主页&#xff1a; virobotics(仪酷智能)&#xff1a;LabVIEW深度学习、人工智能博主 &#x1f384;所属专栏&#xff1a;『仪酷LabVIEW AI工具包案例』 &#x1f4d1;上期文章&#xff1a;『【YOLOv9】实战二&#xff1a;手把手教你使用TensorRT实现YOLOv…

C++之STL-priority_queue和仿函数的讲解

目录 一、priority_queue的介绍和使用 1.1 priority_queue的介绍 1.2 priority_queue的基本接口 二、仿函数的介绍 2.1 基本概念 2.2 适用场景 三、模拟实现priority_queue 3.1 向上调整算法 3.2 向下调整算法 3.3 整体框架 一、priority_queue的介绍和使用 1.1 prio…

基于卷积神经网络的一维信号降噪(简单版,MATLAB)

简单演示一下基于卷积神经网络的一维信号降噪&#xff0c;有个大致印象即可。 %% Plot the previous training CNN. set_plot_defaults(on) load(denoiser_sparse.mat); h1{1} double(conv1); h1{2} double(conv2); h1{3} reshape(double(conv3),[8,1,17]); figure(1) [r,c…

Java_异常

介绍 编译时异常&#xff1a; 除RuntimeException和他的子类&#xff0c;其他都是编译时异常。编译阶段需要进行处理&#xff0c;作用在于提醒程序眼 运行时异常&#xff1a; RuntimeException本身和其所有子类&#xff0c;都是运行时异常。编译阶段不报错&#xff0c;是程序…

python之enumerate()函数使用总结

enumerate() 函数是一个内置函数&#xff0c;用于在迭代过程中同时获取元素的索引和值。它返回一个枚举对象&#xff0c;包含了索引和对应的元素。 1. enumerate() 函数的语法 如下&#xff1a; enumerate(iterable, start0) 参数说明&#xff1a; iterable&#xff1a;必需…

C++怎样产生随机数

C怎样产生随机数? 这里要用到的是 rand() 函数和 srand() 函数 rand() 会返回一随机数值, 范围在 0 至 RAND_MAX ,RAND_MAX 定义在 stdlib.h, 其值根据系统配置设定 例如&#xff1a; #include<stdio.h> #include<stdlib.h> int main() {for(int i0;i<10;i)…

Java17 --- SpringCloud之Nacos

目录 一、下载nacos并运行 1.1、创建9001微服务作为提供者 1.2、创建80微服务作为消费者 二、naocs配置中心规则与动态刷新 2.1、创建3377微服务 2.2、在nacos中创建配置文件 三、nacos数据模型之Namespace-Group-Datald 3.1、DatalD方案 3.2、Group方案 3.3、Name…

python软件开发遇到的坑-相对路径文件读写异常,不稳定

1. os.chdir()会影响那些使用相对路径读写文件的程序&#xff0c;使其变得不稳定&#xff0c;默认情况下&#xff0c;当前工作目录是主程序所在目录&#xff0c;使用os.chdir会将当前工作目录修改到其他路径。 资料&#xff1a; python相对路径写对了却报错是什么原因呢&#…

前端工程化之---git hooks

git hook 和 husky 1、git hook 让我们可以在 git 执行一些行为的前后时机&#xff0c;执行一些脚本。 2、比如 pre-commit &#xff0c;能够在我们真正提交 commit 之前先执行一段代码&#xff0c;如果这段代码报错&#xff08;exit 1&#xff09;&#xff0c;提交会被取消&…

蜜蜂收卡系统 加油卡充值卡礼品卡自定义回收系统源码 前后端开源uniapp可打包app

本文来自&#xff1a;蜜蜂收卡系统 加油卡充值卡礼品卡自定义回收系统源码 前后端开源uniapp可打包app - 源码1688 卡券绿色循环计划—— 一项旨在构建卡券价值再利用生态的社会责任感项目。在当前数字化消费日益普及的背景下&#xff0c;大量礼品卡、优惠券因各种原因未能有效…