18、图像分析中的混合优化方法与阈值技术

图像分析中的混合优化方法与阈值技术

在图像分析领域，准确高效的图像特征检测与分割至关重要。本文将介绍两种不同的图像分析方法，一种是基于UMDA和SA的混合优化方法用于抛物线检测，另一种是基于模糊粒子群优化的图像阈值技术。

基于UMDA和SA的混合优化方法用于抛物线检测

在视网膜眼底图像分析中，抛物线检测对于疾病诊断具有重要意义。研究人员提出了一种基于单变量边际分布算法（UMDA）和模拟退火算法（SA）的混合方法，并在公开的DRIVE数据库的20张视网膜眼底图像上进行了计算实验。

实验环境为配备Intel Core i5处理器、4GB RAM和2.4 GHz主频的计算机，使用Matlab 2016软件。为了评估该方法，将其与de Jesus Guerrero - Turrubiates等人提出的基于分布估计算法（EDAs）的进化技术在执行时间上进行了直接比较。在应用抛物线检测方法之前，采用了基于高斯匹配滤波器的自动血管分割方法。

• UMDA参数
  | 参数 | 值 |
  | ---- | ---- |
  | 个体数量 | 10 |
  | 选择率 | 0.6 |
  | 最大代数 | 30 |

该研究提出了两种不同的抛物线检测方法，主要区别在于要评估的目标函数。
- 方法一：基于二值图像的抛物线检测
使用二值图像来最大化目标函数。对于二值图像，抛物线的任何特征都是等效的，算法会寻找抛物线中任何与目标图像匹配的线段，而不考虑曲率。对20张视网膜眼底图像进行了30次试验，使用GNU gcc编