国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

膜計算在圖像處理領域應用研究綜述

2018-05-24 01:18:11袁建英張葛祥郭德全
安徽大學學報(自然科學版) 2018年3期
關鍵詞:膜結構圖像處理像素

袁建英,張葛祥,郭德全,蔣 濤

(1. 成都信息工程大學 控制工程學院,四川 成都 610225; 2. 四川汽車關鍵零部件協(xié)同創(chuàng)新中心 博士后創(chuàng)新實踐基地,四川 成都 610039; 3.西華大學 機器人研究中心,四川 成都 610039;4.西南交通大學 電氣工程學院,四川 成都 610031; 5. 電子科技大學 航空航天學院,四川 成都 610054)

圖像作為人類感知世界的視覺基礎,是人類獲取信息、表達信息和傳遞信息的重要手段.數(shù)字圖像處理是信號與信息處理學科的重要組成部分,起源于20世紀20年代,其作為一門學科大約形成于20 世紀 60 年代初期[1].在過去幾十年,伴隨計算機、集成電路、光學成像、視覺理論等技術的飛速發(fā)展,圖像處理在算法、系統(tǒng)結構以及應用領域都進入大發(fā)展時期,在諸如農(nóng)業(yè)生產(chǎn)、航空航天、通訊交通、醫(yī)學國防等領域都扮演了重要的角色.然而,伴隨高幀率、高分辨率成像器件的成熟應用,圖像數(shù)據(jù)越來越多;與此同時,先進的數(shù)學理論不斷被引入圖像處理領域,圖像處理算法越來越復雜.在這種情況下,傳統(tǒng)的處理器體系結構在很多情況下已不能提供足夠的數(shù)據(jù)處理能力.海量圖像數(shù)據(jù)、復雜算法與實時性之間的矛盾成為圖像處理領域的一大挑戰(zhàn)[2].

鑒于傳統(tǒng)處理器體系結構對海量圖像實時處理存在瓶頸,無論是圖像處理理論界還是工程界都迫切需求一種新的計算體系結構.歐洲科學院院士喬治伯恩(George P?un)于1998年在芬蘭圖爾庫計算機中心首次提出膜計算[3](membrane computing),它是自然計算的新分支,旨在模擬生命細胞的結構和功能,創(chuàng)建一種分布式并行計算模型.自膜計算提出后,研究者們已經(jīng)證明膜計算模型不但具有圖靈機一樣強大的計算能力,且能有效的解決許多計算困難問題,如NP(non deterministic polynomial)完全問題[7].

在近10年時間里,圖像處理對高速并行處理的需求、膜計算天然的并行計算能力得到眾多學者的關注.自2011年起,陸續(xù)有膜計算在圖像處理領域應用的報道,這些研究成果為膜計算的應用研究開辟了一個新的方向,同時也為圖像處理領域提供了一種新的研究手段.論文先介紹圖像處理和膜計算的基礎知識,接著對膜計算在圖像低層處理和中層處理領域的研究進行綜述,最后展望了膜計算與圖像處理相結合的未來研究方向.

1 圖像處理簡述

早期圖像處理以改善人類的視覺效果為目的.從20世紀70年代中期開始,人們開始研究如何用計算機系統(tǒng)理解圖像.根據(jù)研究方法和抽象程度的不同,圖像處理研究內(nèi)容可分為3個層次[4-5]:低層圖像處理、中層圖像處理、高層圖像處理,分別對應圖像處理、圖像分析和圖像理解,如圖1所示.

圖1 圖像處理3層次

低層圖像處理:輸入圖像,輸出也是圖像.低層圖像處理是圖像分析的基礎,其目的是改善視覺效果或突出有用信息.常見的低層圖像處理算子有:點操作算子(對比度增強)、局部操作算子(圖像濾波、邊緣檢測等)和全局操作算子(圖像熵的計算、圖像分割閾值計算等).

中層圖像處理(圖像分析):輸入圖像,輸出數(shù)據(jù).在低層處理的基礎上,建立圖像中感興趣區(qū)域的描述,將以像素描述的圖像轉變?yōu)楹啙嵉姆柮枋?如圖像分割、目標跟蹤、立體3維重建等.

高層圖像處理(圖像理解與表達):輸入數(shù)據(jù),輸出理解.在中層圖像處理基礎上,進一步研究圖像中各目標的性質(zhì)及相互聯(lián)系,得出對場景的理解和解釋,從而指導和規(guī)劃行動.如車牌識別、人臉識別、交通信號燈識別等.

需要指出的是,狹義的圖像處理指低層操作,主要在像素級上進行處理,因此數(shù)據(jù)量巨大.經(jīng)中層特征提取與描述后,把原來以像素構成的圖像轉變成比較簡潔的、非圖像形式的描述,數(shù)據(jù)量減少.圖像理解是高層操作,旨在對中層圖像抽象出來的符號進行推理,其處理過程和方法與人類的思維推理有許多類似之處[40].

2 膜計算簡述

膜計算模型又稱為膜系統(tǒng)或P系統(tǒng),由膜結構、對象多重集和進化規(guī)則3要素構成.截至目前,主要有3種類型的膜計算模型:細胞型、組織型和神經(jīng)型膜系統(tǒng)[6-7].

細胞型膜計算模型模仿細胞的結構和功能,由膜結構、對象和規(guī)則組成.膜結構將膜進行分層安排,膜用于劃分放置對象多重集的區(qū)域.對象通常用字母表中的字符或字符串表示.規(guī)則用于處理對象或膜,每條規(guī)則明確地指出需要處理的對象或膜以及具體需要執(zhí)行的操作.細胞型膜系主要包含轉移P系統(tǒng)、轉運P系統(tǒng)和活性膜P系統(tǒng).

組織型膜系統(tǒng)將多個細胞自由放置在同一環(huán)境中,細胞和環(huán)境中均可包含對象、各細胞之間和細胞與環(huán)境之間采用轉運規(guī)則進行通信.典型的組織型膜系統(tǒng)包括:基本組織型P系統(tǒng)、種群P系統(tǒng)和P群.

神經(jīng)型膜系統(tǒng)中的細胞均采用神經(jīng)元細胞,是組織型膜系統(tǒng)的拓展模型,主要有兩種類型:基本神經(jīng)型膜系統(tǒng)和脈沖神經(jīng)型膜系統(tǒng).

3 膜計算在圖像處理中的應用

圖像處理包含內(nèi)容較多,從已有的研究來看,膜計算在圖像處理領域的應用主要集中在圖像低層和中層處理,膜計算在圖像高層處理的應用尚未見報道.

3.1 低層圖像處理

3.1.1 圖像平滑

傳統(tǒng)的諸如均值、中值平滑算法是一種以區(qū)域為操作對象的方法,隨著圖像分辨率增加,傳統(tǒng)串行計算時間會急速增加.文獻[8]提出了用組織型P系統(tǒng)設計圖像平滑算法,設計了度為1的P系統(tǒng),定義了平滑運算規(guī)則:當兩個相鄰像素灰度差小于設定閾值時,較大灰度值用較小灰度值代替.由于圖像上所有相鄰像素對可同時執(zhí)行此規(guī)則,因此能在線性時間內(nèi)完成圖像平滑計算.文中分析了平滑算法的計算復雜度,膜系統(tǒng)需要的資源,包括需要字母表的大小、初始細胞數(shù)、初始對象數(shù)、規(guī)則數(shù)量,規(guī)則長度的上界.文獻[9]給出了在CUDA上執(zhí)行平滑算法的具體步驟,以及計算復雜度分析.圖2是文獻[8]圖像平滑后的結果.

圖2 文獻[8]圖像平滑實驗結果

3.1.2 圖像骨架提取

圖像骨架反映了目標的形狀,通過提取圖像骨架可以用較小的數(shù)據(jù)量表示目標形狀,有利于目標檢測與識別.文獻[10]將膜計算、細胞多重集(cell complex)和圖像細化算法相結合,設計了一系列有優(yōu)先次序規(guī)則的組織型P系統(tǒng),實現(xiàn)了文獻[11]中的圖像細化算法.當輸入圖像的尺寸是O(nk),系統(tǒng)所需的計算步驟數(shù)≤7k(n+1)+3.實驗結果如圖3所示.

圖3 文獻[10]圖像骨架提取實驗結果

3.2 中層圖像處理

3.2.1 圖像分割

圖像分割是將像平面內(nèi)具有相同或者接近屬性(如圖像的灰度、顏色、輪廓、紋理等)的區(qū)域歸類,各區(qū)域內(nèi)像素屬性接近,而不同區(qū)域像素屬性存在較大差異.傳統(tǒng)的圖像分割算法有基于區(qū)域、基于邊緣和兩者相結合的方法.已有的報道均針對傳統(tǒng)分割算法,目前膜計算在較新穎圖像分割算法的應用鮮見報道,這些新理論包括:基于模糊理論、神經(jīng)網(wǎng)絡、支持向量機、人工免疫等的分割算法等.分析已有報道可見,膜計算在分割中的應用可分為兩大類:一是基于膜計算模型的圖像分割方法,該方法主要利用膜計算的并行性,對特定的分割算法設計相應的膜系統(tǒng),提高圖像分割算法執(zhí)行效率;二是基于膜優(yōu)化算法的圖像分割方法,該方法主要借助膜優(yōu)化算法強大的優(yōu)化能力,提高傳統(tǒng)分割算法的分割性能.

(1) 基于膜計算模型的圖像分割

這方面的研究主要以基于邊緣檢測的圖像分割算法為研究對象,設計相應的膜系統(tǒng),從理論上分析膜系統(tǒng)圖像分割時間復雜度、膜系統(tǒng)所需要的資源.該內(nèi)容的研究以西班牙塞維利亞大學Díaz等人為主,他們在2011-2014年間共發(fā)表了6篇相關論文.現(xiàn)以文獻[12]為例說明該類方法的核心思想,其他類似報道見文獻[13-17].

在文獻[12]中,作者并沒有通過傳統(tǒng)的差分計算來實現(xiàn)邊緣檢測,而是直接比較相鄰像素大小來檢測邊緣.假定圖像大小為n×m,定義度為2的組織型P系統(tǒng)為

Π1(n,m)=(Γ,Σ,ε,w1,w2,R,iΠ,OΠ),

其中

(a) 系統(tǒng)工作集:Γ=Σ∪ε.

(b) 系統(tǒng)輸入集:Σ={aij:a∈C,i∈[1~n],j∈[1~m]}.

(e) 規(guī)則R:

圖4 規(guī)則2所包含的4種位置結構示意圖

圖5給出了規(guī)則3中4條規(guī)則對應的4種相鄰像素結構,其中:紅色表示已被標記為邊界的像素,※表示像素a所在的位置,○表示像素b所在的位置.當a的顏色值小于b的顏色值時,將a標記為邊界像素.

圖5 規(guī)則3所包含的4種相鄰位置結構示意圖

(f) 輸入細胞:iΠ=1;輸出系統(tǒng):OΠ=0.

系統(tǒng)執(zhí)行過程如下:當aij進入細胞1時,首先在細胞1和0之間執(zhí)行4次規(guī)則2,實現(xiàn)2鄰域邊緣像素的標記;接著在細胞1和0之間執(zhí)行4次規(guī)則3,實現(xiàn)4鄰域邊緣檢測.系統(tǒng)運行8步后,在第9步,將膜1中所有標記的邊界對象傳輸?shù)侥?中,膜2的輸出即為最后的邊緣.zi用于控制膜計算工作的步驟次數(shù).通過以上9步,實現(xiàn)任意分辨率圖像在常數(shù)步驟內(nèi)完成圖像分割.文中分割結果如圖6所示,其中白色像素為計算出的邊緣像素.

圖6 文獻[17]中的實驗結果(左:原始圖像;右:分割結果)

除了西班牙塞維利亞大學研究團隊外,馬來西亞理工大學Rafaa等設計了組織P系統(tǒng)[18]用于圖像分割,其設計思想和文獻[17-18]類似.在文獻[19]中,膜系統(tǒng)被應用于6邊形圖像的區(qū)域分割.文獻[20-22]報道了用組織型膜系統(tǒng)實現(xiàn)二值圖像上的同名區(qū)域計算的問題.在國內(nèi),西華大學彭宏等也研究了基于組織型P系統(tǒng)的圖像區(qū)域分割方法,文獻[23-24]中報道了他們設計的度為3的組織型P系統(tǒng),分別對灰度圖像和彩色圖像進行了處理,并用多幅真實圖像進行了測試.

(2) 基于膜優(yōu)化算法的圖像分割

文獻[25]提出了膜優(yōu)化算法,并將其應用于旅行商求解問題,獲得了與模擬退火算法相當?shù)男Ч?在文獻[38]中,膜優(yōu)化算法概括為兩類:層次膜結構和網(wǎng)狀膜結構膜優(yōu)化算法.前者包括嵌套膜結構、單層膜結構、混合膜結構和動態(tài)膜結構膜優(yōu)化算法,后者分為靜態(tài)膜結構和動態(tài)膜結構膜優(yōu)化算法.大量實驗結果表明,膜優(yōu)化算法比相應的啟發(fā)式算法具有更好的種群多樣性和算法收斂性[39].

在基于閾值的圖像分割方法中,閾值的計算過程是一個參數(shù)尋優(yōu)過程.因此,可以將膜優(yōu)化算法應用于基于閾值的圖像分割中,如大津法、最大模糊熵法等.這方面的研究主要以國內(nèi)西華大學彭宏等為主.2012年,他們將最大模糊熵閾值計算方法用膜系統(tǒng)實現(xiàn),并和采用遺傳算法、粒子群優(yōu)化算法的分割性能進行了實驗對比[26].最大模糊熵圖像分割準則為在灰度空間搜索一組參數(shù),經(jīng)該參數(shù)分割后圖像信息量最大.為求解該優(yōu)化問題,作者設計了包含2m+1個膜的3層膜系統(tǒng),如圖7所示.膜內(nèi)的對象為需要求解的參數(shù).第1~m個膜為進化膜,其作用是實現(xiàn)參數(shù)的進化;第m+1~2m個膜是每個進化膜對應的子膜,用于存儲對應進化膜計算出的局部最優(yōu)參數(shù);第2m+1個膜為存儲全局最優(yōu)參數(shù)的表層膜.系統(tǒng)初始時刻,在每個進化膜中隨機產(chǎn)生n個對象,即n個候選解.n個對象中最優(yōu)參數(shù)被存儲于對應的子膜,第m+1~2m個子膜中所有參數(shù)的最優(yōu)值被存儲在表層膜中.m個進化膜中,采用遺傳算法作為進化規(guī)則,同時作者對遺傳算法中變異算子進行了改進.m個進化膜同時運行,同時將每個膜的局部最優(yōu)結果傳輸至對應的子膜,再將所有子膜中最優(yōu)參數(shù)結果傳輸至表層膜.整個系統(tǒng)以最大執(zhí)行步數(shù)作為停止條件,當系統(tǒng)停止時,表層膜中的對象作為整個系統(tǒng)的輸出.在文獻[26]中,分割閾值僅1個,需要優(yōu)化3個參數(shù).隨后,他們分別報道了雙閾值[27]、多閾值的圖像分割方法[28].文獻[27]中,分割閾值有2個,可以將圖像分為3類目標,需要優(yōu)化的變量有5個.該文中采用的膜結構和進化規(guī)則同文[26].文獻[28]中,膜結構仍同文獻[26],只是進化規(guī)則改為速度-位移模型.另外,在文獻[28-29]中,作者給出了膜系統(tǒng)執(zhí)行步驟的詳細過程,分析了用膜系統(tǒng)并行運算后需要的時間復雜度.

圖7 文獻[9]設計的膜系統(tǒng)

除此以外,文獻[29]給出了一種由教學優(yōu)化算法啟發(fā)的膜計算方法(membrane computing inspired teacher-learner-based-optimization,簡稱MCTLBO),用于求解圖像分割中最優(yōu)的多閾值問題,以4個基準數(shù)據(jù)庫中的圖像為測試對象,并與教學優(yōu)化算法(teacher learner based optimization,簡稱TLBO)、膜計算方法(membrane computing,簡稱MC)、粒子群優(yōu)化算法(particle swarm optimization,簡稱PSO)進行了實驗對比.文獻[30]設計了帶有混合進化機制的膜系統(tǒng),用于圖像閾值分割.所設計的膜系統(tǒng)采用遺傳算法和粒子群算作為進化規(guī)則,用通信規(guī)則和轉運規(guī)則實現(xiàn)膜之間的信息交換,從而增強系統(tǒng)種群的多樣性,提高算法的收斂性.文獻[31]提出了一種基于膜計算的改進遺傳算法圖像分割方法,設計了一個3層膜的細胞型P系統(tǒng),各個膜通過運行進化規(guī)則和交流規(guī)則進行參數(shù)尋優(yōu).文獻[32]提出一種基于P系統(tǒng)的圖像閾值分割方法.到目前為止,國內(nèi)在該方向上已產(chǎn)生了3篇碩士學位論文[33-35].

3.2.2 立體匹配

立體匹配是場景3維重建的基礎.立體匹配是指兩幅同名圖像,對第1幅圖像上的每個像素,計算出在第2幅圖像上的同名點.由于每個像素對應的搜索區(qū)域都在一條極線上,因此,立體匹配算法的時間復雜度隨分辨率增加呈多項式增長.文獻[36]討論了P系統(tǒng)實現(xiàn)立體匹配中對稱動態(tài)規(guī)劃匹配算法(symmetric dynamic programming,簡稱SDPS)的能力,設計了SDPS的P系統(tǒng),給出了系統(tǒng)初始化、進化規(guī)則等.

3.2.3 圖像配準

圖像配準是指將不同時間、不同傳感器或不同條件下采集的兩幅圖像進行匹配疊加的過程.文獻[37]提出了基于膜計算的多模態(tài)圖像配準算法.他們設計一種細胞型P系統(tǒng)的膜結構,細胞膜中1個對象表示1組浮動圖像變換參數(shù),每個基本膜采用遺傳算法進化對象獲得最優(yōu)變換參數(shù),并將最優(yōu)對象轉運到上層膜中,同時所有基本膜之間隨機進行最優(yōu)對象轉運操作.通過以上2種轉運操作,上層膜保留本膜中本次進化的全局最優(yōu)對象,并將其轉運到各子膜中,參與各子膜的進化.最終,整個P系統(tǒng)的最優(yōu)變換參數(shù)保留在表層膜中.文獻[38]也進行了類似報道.

3.2.4 圖像分解與重建

膜算法是元啟發(fā)式搜索方法、膜系統(tǒng)層次或網(wǎng)狀膜結構和進化規(guī)則有機結合的混合優(yōu)化算法.文獻[39]設計了量子啟發(fā)膜算法,將其應用于圖像稀疏分解和圖像重建,并應用Lena和Cameraman圖像測試了算法性能.使用一個非對稱原子來構造一個超完整的圖像原子字典.通過旋轉、平移和縮放基本的非對稱原子,得到了原子.背包問題和圖像稀疏分解分別是組合和數(shù)值優(yōu)化問題.將膜計算的框架和規(guī)則與QIEA(quantum-inspired evolutionary algorithm)的進化機制相結合,被證明是有效的.在MAQIS(membrane algorithm with quantum-inspired subalgorithms)中,二進制字符串對應于問題的候選解決方案.規(guī)則的集合負責系統(tǒng)的演變.在膜結構中適當?shù)匕才帕宋矬w和規(guī)則.在此系統(tǒng)中,在表層膜上進行初始化、觀察和評價的過程,在幾個基本膜中執(zhí)行生成子代的Q-gate更新過程.對MAQIS來說,適當?shù)慕M件選擇對于算法性能是非常重要的.同時,值得指出的是,MAQIS也可以用其他的元啟發(fā)式搜索方法來構建,如遺傳算法、微分進化、粒子群優(yōu)化和分布算法的估計等.

4 結束語

自然計算應用于圖像處理有著高度并行、可用自然計算的數(shù)據(jù)結構對圖像進行編碼的特點[13],近年來受到了大量學者的關注.盡管目前膜計算已成功用于解決圖像處理中一些問題,但是仍處于初期的探索階段,值得進一步深入研究.作者認為未來的研究可以考慮如下幾點:

(1) 設計圖像處理基礎子算法專用的膜系統(tǒng).目前,研究者需要同時掌握膜系統(tǒng)和圖像處理知識才能搭建相應的并行計算平臺,如果能設計出相關圖像處理子算法的通用膜系統(tǒng)模型,則可大大降低圖像處理領域人士應用膜系統(tǒng)的門檻.

(2) 探索復雜圖像處理算法膜系統(tǒng)實現(xiàn)方法,如特征提取、特征匹配、三維重建、目標識別等.已有的研究尚集中在用簡單的細胞型、組織型膜系統(tǒng)實現(xiàn)簡單的低層圖像處理算法,未來的研究可以考慮用更復雜的膜系統(tǒng)模型去實現(xiàn)更復雜的圖像處理算法.

(3) 構建能運行與評估膜計算方法的平臺,研究者僅需要把新提出的方法按照一定的格式或語言要求,把自己模塊導入平臺,即可給出評估效果.

參考文獻:

[1] HARMON L D, KNOWLTON K C. Picture processing by computer[J]. Acm Computing Surveys, 1969, 164 (3875): 19-29.

[2] 王飛宇. 多核圖像處理平臺及其在夜視圖像融合中的應用[D]. 南京: 南京理工大學計算機科學與工程學院, 2015.

[4] 張一棟. 一種新的圖像分割算法[D]. 無錫: 江南大學計算機科學與技術學院, 2008.

[5] 章毓晉. 圖像處理和分析[M]. 北京: 清華大學出版社, 1999

[6] 張葛祥, 潘林強. 自然計算的新分支-膜計算[J]. 計算機學報, 2010, 33 (2): 208-214.

[7] 張葛祥. 膜計算: 理論與應用[M]. 北京: 科學出版社, 2015.

[10] REINA-MOLINA R, DAZ-PERNIL D, GUTIRREZ-NARANJO M A. Cell complexes and membrane computing for thinning 2D and 3D images[C]//In Proceedings of the Tenth Brainstorming Week on Membrane Computing, 2012: 167-186.

[11] LIU L. 3D thinning on cell complexes for computing curve and surface skeletons[D]. Saint Louis: School of Engineering and Applied Science of Washington University in Saint Louis, 2009.

[12] CHRISTINALH A, DAZ-PERNIL D, REAL P. Region-based segmentation of 2D and 3D images with tissue-like P systems[J]. Pattern Recognition Letters, 2011, 32 (16): 2206-2212.

[14] REINA-MOLINA R, CARNERO J, DAZ -PERNIL D. Image segmentation using tissue-like P systems with multiple auxiliary cells[J]. IMAGE-A, 2011, 2 (4): 25-28.

[16] CARNERO J, DAZ-PERNIL D, MOLINA-ABRIL H, et al. Image segmentation inspired by cellular models using hardware programming[J]. IMAGE-A, 2010 (1): 143-150.

[17] CHRISTINAL H A, BERCIANO A, DAZ-PERNIL D, et al. Searching partially bounded regions with P systems[C]// In Proceedings of the Third International Conference on Soft Computing for Problem Solving, 2014: 45-54.

[18] YAHYA R I, HASAN S, GEORGE L E, et al. Membrane computing for 2D image segmentation[J]. Int J Advance Soft Compu, 2015, 7 (1): 35-50.

[19] ISAWASAN P, VENKAT I, SUBRAMAINIAN K G, et al. Region-based segmentation of Hexagonal digital images using membrane computing[C]//In Proceedings of the 2014 Asian Conference on Membrane Computing (ACMC), 2014: 1-4.

[20] ALSALIBI B, VENKAT I, SUBRAMANIAN K, et al. A bio-inspired software for homology groups of 2D digital images[C] // In Proceedings of the 2015 Asian Conference on Membrane Computing (ACMC), 2015: 1-4.

[22] CHRISTINAL H A, JURADO P R. Using membrane computing for obtaining homology groups of binary 2D digital images[C]// International Workshop on Combinatorial Image Analysis, 2009: 383-396.

[23] PENG H, YANG Y, ZHANG J, et al. A region-based color image segmentationmethod based on P systems[J]. Science and Technology, 2014, 17 (1): 63-75.

[24] 楊雨凡. 基于膜計算的圖像區(qū)域分割方法研究[D]. 成都: 西華大學計算機與軟件工程學院, 2013.

[25] NISHIDA T Y. An approximate algorithm for NP-complete optimization problems exploiting P systems[C]//In Proceedings of the Brainstorming Workshop on Uncertainty in Membrane Computing, 2004: 185-192.

[26] ZHANG Z, PENG H. Object segmentation with membrane computing[J]. Journal of Information & Computational Science, 2012, 9 (9): 5417-5424.

[27] PENG H, SHAO J, LI B, et al. Image thresholding with cell-like P systems[C]// In Proceedings of the Tenth Brainstorming Week on Membrane Computing, 2012: 75-88.

[28] PENG H, WANG J, PREZ-JIMNEZ M J. Optimal multi-level thresholding with membrane computing[J]. Digital Signal Processing, 2015, 37 (1): 53-64.

[29] SINGH V P, PRAKASH T, RATHORE N S, et al. Multilevel thresholding with membrane computing inspired TLBO[J]. International Journal on Artificial Intelligence Tools, 2016, 25 (6): 30-51.

[30] LIU S, ZHOU K, ZENG S, et al. An image threshold segmentation algorithm with hybrid evolutionary mechanisms based on membrane computing[C]// In Proceedings of the Bio-Inspired Computing-Theories and Applications, 2016: 85-94.

[31] 謝佩軍. 一種基于膜計算的遺傳算法圖像分割方法[J]. 工業(yè)控制計算機, 2015, 28 (4): 92-94.

[32] 周斌. 一種基于P系統(tǒng)的圖像閾值分割方法[J]. 西華大學學報 (自然科學版), 2012, 31 (6): 39-42.

[33] 覃偉明. 基于進化膜計算的圖像分割優(yōu)化方法研究[D]. 綿陽: 西南科技大學計算機科學與技術學院, 2012.

[34] 王浩. 基于膜計算的圖像分割方法研究[D]. 成都: 西華大學計算機與軟件工程學院, 2012.

[35] 張加容. 由膜計算啟發(fā)的聚類算法及其在圖像分割中的應用[D]. 成都: 西華大學計算機與軟件工程學院, 2015.

[36] GIMEL F G, NICOLESCU R, RAGAVAN S. P systems in stereo matching[C]//International Conference on Computer Analysis of Images and Patterns, 2011: 285-292.

[37] 李兆延, 張鋮方. 基于膜計算的多模態(tài)圖像配準算法研究[J]. 西華大學學報 (自然科學版), 2015, 34 (5): 7-15.

[38] 耿龍, 葛麗霞, 張鋮方. 基于膜計算的圖像配準方法比較研究[J]. 現(xiàn)代計算機, 2016 (23): 69-74.

[39] ZHANG G, GHEORGHE M, LI Y. A membrane algorithm with quantum-inspired subalgorithms and its application to image processing[J]. Natural Computing, 2012, 11 (4): 701-717.

[38] ZHANG G, GHEORGHE M, PAN L, et al. Evolutionary membrane computing: a comprehensive survey and new results[J]. Information Sciences, 2014, 279: 528-551.

[39] ZHANG G, CHENG J, GHEORGHE M. Dynamic behavior analysis of membrane-inspired evolutionary algorithms[J]. International Journal of Computers, Communications & Control, 2014, 9 (2): 227-242.

[40] 岡薩雷斯. 數(shù)字圖像處理[M]. 北京: 電子工業(yè)出版社, 2005.

猜你喜歡
膜結構圖像處理像素
趙運哲作品
藝術家(2023年8期)2023-11-02 02:05:28
像素前線之“幻影”2000
現(xiàn)代膜結構的應用與研究
“像素”仙人掌
金屬過渡層類型對非晶碳膜結構性能的影響
機器學習在圖像處理中的應用
電子制作(2018年18期)2018-11-14 01:48:20
模糊圖像處理,刑事偵查利器
圖像處理技術的實戰(zhàn)應用
一種民用氣肋式膜結構建筑失效機理
高像素不是全部
CHIP新電腦(2016年3期)2016-03-10 14:22:03
望城县| 内黄县| 安新县| 恩平市| 汕头市| 海安县| 通化县| 侯马市| 武定县| 利辛县| 汕头市| 台北县| 禹州市| 皋兰县| 塘沽区| 赣榆县| 合山市| 天全县| 汾西县| 曲阳县| 女性| 西乌珠穆沁旗| 扶风县| 桃江县| 霍山县| 高唐县| 石楼县| 兰州市| 平武县| 公主岭市| 庄浪县| 嵩明县| 内乡县| 辽源市| 松滋市| 阿勒泰市| 南岸区| 南京市| 宜都市| 乐昌市| 莱西市|