TLBO驱动的最小交叉熵多级阈值优化方法

本文主要探讨了"基于TLBO的最小交叉熵阈值的多级阈值选择方法"，该研究聚焦在图像处理领域中的一个重要环节——图像阈值化。多级阈值技术在图像分割中扮演着关键角色，而交叉熵作为一种常用的评价指标，旨在找到一组最优的多级阈值，以实现最佳的分割效果。 传统的多级阈值选择往往依赖于优化算法来寻找最小化的交叉熵组合。文章提出了一种创新的方法，即基于教学-学习的优化（TLBO）算法，它模仿了教育环境中的知识传递过程，让学生先从教师处学习，再通过相互交流提升理解。这种方法被称为TLBO-based MCET（基于TLBO的最小交叉熵阈值）算法，其目标是寻找一组既能提高图像分割的准确性又能保持PSNR（峰值信噪比）均匀性的阈值值。 研究者将所提出的TLBO-based MCET算法与几种其他优化算法，如Firefly-based MCET、HoneyBee Mating Optimization-based MCET（HBMO-based MCET）以及Quantum Particle Swarm Optimization-based MCET（QuantumPSO-based MCET），在标准测试图像集上进行了性能对比。评价指标主要考虑了PSNR和均匀性两个方面，结果显示，TLBO-based MCET算法在第2、3、4和5级搜索中表现出色，证明了其在选择多级阈值方面的有效性。 这篇文章引入了一种新颖的优化策略，利用TLBO算法解决图像阈值选择问题，这不仅提升了图像分割的质量，还展示了其在实际应用中的优越性能。通过与现有方法的对比，TLBO-based MCET算法展现了其在图像处理领域的潜力和价值，为后续的阈值优化研究提供了新的视角和方法论。该研究结果发表于2018年，受开放获取的CC BY-NC-ND许可证保护，由Elsevier B.V.开发和托管。