原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
计算机系统应用
ISSN
1003-3254,
CODEN
CSAOBNE-mail:
csa@
Computer
Systems
Applications,2024,33(1):148−156
[doi:
10.15888/ki.csa.009357]
©中国科学院软件研究所版权所有.Tel:
+86-10
增强蒲公英算法优化乳腺癌图像多阈值分割①
王正红,
王丹,
胡容俊
(北华大学
计算机科学技术学院,
吉林
132013)
通信作者:
王丹,
E-mail:
wangdanjl_jl@163.com
摘要:
针对显微镜下乳腺癌病理组织图像结构复杂,
细胞边界模糊等情况,
基于传统的阈值分割在乳腺癌图像的
分割应用中不能很好地实现把病灶区准确分离开来的问题,
提出一种基于增强蒲公英优化算法(IDO)的乳腺癌图
像多阈值分割方法.
该方法引入IDO计算类间方差的最大值(Otsu)作为目标函数寻找最佳阈值,
IDO建立回守策
略解决传统蒲公英算法(DO)无限制搜索,
超出像素范围的问题;
引入对立式学习(OBL)避免算法陷入局部最优.
实验结果表明,
与哈里斯鹰算法(HHO)、人工猩猩部队优化算法(GTO)、传统蒲公英优化算法(DO)、海洋捕食者
算法(MPA)相比,
在相同阈值个数情况下IDO算法适应度值最大、收敛最快,
并且在峰值信噪比(PSNR)、结构相
似度(FSIM)、特征相似度(SSIM)这3个性能指标上也比其他对比算法更具有优势.
关键词:
增强蒲公英优化算法;
多阈值分割;
乳腺癌图像;
对立式学习;
回守策略
引用格式:
王正红,王丹,胡容俊.增强蒲公英算法优化乳腺癌图像多阈值分割.计算机系统应用,2024,33(1):148–156.
/1003-
3254/9357.html
ImprovedDandelionAlgorithmforOptimizingMulti-thresholdSegmentationofBreast
CancerImages
WANG
Zheng-Hong,
WANG
Dan,
HU
Rong-Jun
(College
of
Computer
Science
and
Technology,
Beihua
University,
Jilin
132013,
China)
Abstract:
In
the
context
of
complex
structures
and
blurred
cell
boundaries
in
microscopic
breast
cancer
histopathological
images,
traditional
threshold-based
segmentation
faces
challenges
in
accurately
separating
lesion
areas
of
breast
cancer
images.
To
address
this
issue,
this
study
proposes
a
multi-threshold
segmentation
method
for
breast
cancer
images
based
on
the
improved
dandelion
optimization
algorithm
(IDO).
This
method
introduces
the
IDO
to
calculate
the
maximum
inter-class
variance
(Otsu)
as
the
objective
function
for
finding
the
optimal
thresholds.
The
IDO
incorporates
a
defensive
strategy
to
address
the
issue
of
unbounded
search
in
the
traditional
dandelion
optimization
algorithm
(DO)
that
extends
beyond
文档评论（0）