返回
A Control-based Transition Reinforced Optimization Process for Multi-level Threshold Image Segmentation
DOI:10.1007/s42235-026-00848-3.png)
摘要
En 中文
本研究提出了一种新颖的多阈值图像分割方法,采用自适应策略将埃博拉优化搜索算法(EOSA)与雕鸮优化器(Aquila Optimizer)结合,称为集成增强埃博拉优化搜索算法(IEOSA)。该方法利用这种集成生成高质量分割图像。IEOSA引入两种不同的优化机制以识别最优解。通过融合雕鸮优化器的随机性与EOSA的能力,我们提升了算法的探索潜力。此外,我们在IEOSA中嵌入自转移学习系统以进一步强化其性能。为解决多级阈值图像分割问题,我们在IEOSA框架内应用Kapur熵法计算类间方差。研究结果表明,基于IEOSA的技术优于其他可比方法,具有更快的收敛速度和更稳定的分割结果。通过标准测试图像的对比分析,我们证明IEOSA比其他方法具有更高的解精度。最终,所提出的IEOSA方法有效应对了多级阈值图像分割挑战,能够精确分割高分辨率图像中常被忽视的细微误差。
Keyword:
Ebola optimization search algorithm (EOSA)
Aquila optimizer (AO)
Multi-level threshold
Image segmentation
Transition mechanism
期刊
IF:
5.8
论文数:
2.0K
被引数:
4.8K
机构
引用论文
A novel multilevel color image segmentation technique based on an improved firefly algorithm and energy curve一种基于改进萤火虫算法和能量曲线的新型多级彩色图像分割技术
An efficient krill herd algorithm for color image multilevel thresholding segmentation problem一种有效的磷虾群算法解决彩色图像多级阈值分割问题
Kapur's entropy based optimal multilevel image segmentation using Crow Search Algorithm使用Crow搜索算法的基于Kapur熵的最佳多级图像分割

