.png){kind=icon}
返回
Aerial image segmentation using multilevel thresholding based on multi strategy Osprey optimization algorithm
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-07217-w.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
航空图像是从地球表面上方的高处视角捕获的照片或图像。它们通常由飞机、无人机、卫星或其他航空平台拍摄。航空图像分割是计算机视觉和遥感领域的基本任务。它们对于不同的应用是必要的，例如城市规划、土地利用和土地覆盖分类、测绘、环境监测、农业、灾害管理、军事等领域。航空图像分割有助于从图像中提取有价值的信息，并能实现更准确的分析和解释。本文提出了一种基于多策略机制的改进鱼鹰优化算法（OOA）的多阈值航空图像分割技术。在改进的OOA（MOOA）中，我们应用了双吸引子来增强OOA的探索能力。同时应用动态随机搜索机制来增强其开发能力。因此，多策略机制提高了OOA的性能，并支持其避免早熟收敛。使用16张航空图像来验证MOOA的性能，并将其与知名的多阈值方法进行比较。结果表明，MOOA在分配最佳阈值值方面具有很高的能力，这些阈值值根据不同的性能指标改善了分割图像的质量。例如，PSNR、FSIM和SSIM分别为30.0503、0.98489和0.93648。
Keyword:
Multilevel thresholding
Aerial image segmentation
Osprey optimization algorithm (OOA)
Multi-strategy mechanism
Double attractors
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
28.3W
被引数:
83.5W
机构
引用论文
Osprey optimization algorithm: A new bio-inspired metaheuristic algorithm for solving engineering optimization problemsOsprey优化算法: 一种新的生物启发的元启发式算法，用于解决工程优化问题
OAAI
OAAI分享收藏An improved golden jackal optimization for multilevel thresholding image segmentation.png)
PLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏Deep learning-based aerial image segmentation with open data for disaster impact assessmentNEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Improving public data for building segmentation from Convolutional Neural Networks (CNNs) for fused airborne lidar and image data using active contours使用主动轮廓从融合的机载lidar和图像数据的卷积神经网络 (cnn) 改善建筑物分割的公共数据OAAI
OAAI分享收藏
查看更多内容