基于粒子群的水下图像分割与识别技术研究

基于粒子群的水下图像分割与识别技术研究

论文摘要

近年来,随着海洋研究和开发的不断深入以及国防的需要,作为海洋高科技重要组成部分的智能水下机器人得到了广泛的应用。由于水下机器人常常需要在恶劣且复杂多变的环境中进行作业,因此使得其视觉系统突显得尤为重要。本文的研究是结合某项目中“水下光视觉信息处理和理解技术”的工作而进行的。水下目标的图像分割和模式识别技术是水下光视觉技术中的两个重要环节。图像分割一直是图像处理中的经典难题,应用于水下图像更有其困难之处;而实现对目标的模式识别则是整个目标识别系统的关键一步,模式识别的方法很多,目前应用最广泛、效果最好的方法之一就是神经网络识别。本论文的目的就是通过课题相关的理论学习,研究一套实时处理能力强、鲁棒性高的图像分割和目标识别方法,并以此为基础构建一个基于“光视觉”的水下目标识别系统。论文首先回顾了优化相关的一些基本概念和定义,然后主要研究了一种基于群体智能的优化技术即粒子群优化(PSO)算法,并分别从算法的基本结构、收敛性条件、参数选择等方面对粒子群优化算法进行了详细的分析。这些内容将为后面的一些算法理论和改进的研究提供必不可少的基础。紧接着,论文从视觉系统中信息处理的可靠性出发,即考虑怎样才能充分利用系统获取的原始数据(例如采集到的光学图像)为后续处理环节提供更为有效的输入信息,深入研究了熵的相关理论和各种基于熵的图像处理方法。并针对水下图像的特点,设计了两种基于熵的阈值分割方法,来缓解水下成像造成信息丢失的影响。在特征提取阶段,论文对矩及不变矩理论作了一个较为详细的阐述,然后构造了基于区域矩的仿射变换不变量;并结合神经网络理论,提出了一种基于不变矩特征和神经网络的识别方法,所设计的识别模型包括不变矩特征提取、特征矢量标准化以及神经网络的设计和判别机制设计。论文还从视觉系统中信息处理的效率考虑,即在获取任务相关的有用信息的同时,尽量缩短系统流程中各个环节的处理时间,因此论文分别利用粒子群优化算法来搜索最优分割阈值及训练神经网络,从而实现了对图像分割处理及模式识别过程的优化。论文最后利用一定的硬件平台和相关的软件体系构建了一个水下光视觉目标识别系统。实验结果表明,针对水下目标的图像分割和识别任务,本文研究的方法是可行且有效的,在水下光视觉技术中有着重要的现实意义。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 引言
  • 1.2 课题背景及研究意义
  • 1.3 国内外水下光视觉研究现状
  • 1.4 论文的内容与结构
  • 第2章 粒子群优化算法分析
  • 2.1 引言
  • 2.2 优化
  • 2.2.1 传统的优化算法
  • 2.2.2 随机搜索算法
  • 2.2.3 进化算法
  • 2.2.4 群体智能
  • 2.3 粒子群优化算法
  • 2.3.1 粒子群算法原理
  • 2.3.2 邻域拓扑结构
  • 2.3.3 粒子群算法的缺点及改进
  • 2.4 粒子群算法收敛性分析
  • 2.5 粒子群算法参数选取
  • 2.5.1 算法参数
  • 2.5.2 最大速度限制和群体大小取值分析
  • 2.5.3 加速因子取值分析
  • 2.6 本章小结
  • 第3章 基于互熵的水下图像模糊增强
  • 3.1 引言
  • 3.2 图像噪声及其分类
  • 3.3 水下成像分析
  • 3.3.1 目标辐射
  • 3.3.2 后向散射
  • 3.4 传统的图像增强方法
  • 3.4.1 直方图均衡化
  • 3.4.2 中值滤波
  • 3.5 基于互熵的水下图像模糊增强算法
  • 3.5.1 模糊增强原理
  • 3.5.2 基于互熵的阈值选择
  • 3.5.3 实验结果与分析
  • 3.6 本章小结
  • 第4章 基于粒子群优化的水下图像分割
  • 4.1 引言
  • 4.2 阈值分割
  • 4.3 信息的度量
  • 4.3.1 香农熵
  • 4.3.2 最大熵原理
  • 4.4 传统的基于熵的阈值分割方法
  • 4.4.1 图像的熵
  • 4.4.2 Pun的方法
  • 4.4.3 Kapur的方法
  • 4.4.4 Abutaleb的方法
  • 4.4.5 Li和Brink的方法
  • 4.4.6 Yen的方法
  • 4.4.7 Sahoo的方法
  • 4.5 基于模糊指数熵的阈值分割算法
  • 4.5.1 模糊集基本概念
  • 4.5.2 模糊性指数与模糊熵
  • 4.5.3 传统的模糊阈值方法
  • 4.5.4 基于模糊指数熵的阈值选择
  • 4.6 基于二维Tsallis熵的阈值分割算法
  • 4.6.1 Tsallis熵
  • 4.6.2 基于二维Tsallis的阈值选择
  • 4.7 粒子群算法在水下图像分割中的应用
  • 4.7.1 基于粒子群优化的阈值搜索
  • 4.7.2 实验结果与分析
  • 4.8 本章小结
  • 第5章 基于粒子群优化的水下目标识别
  • 5.1 引言
  • 5.2 目标图像特征提取
  • 5.2.1 矩和不变矩理论
  • 5.2.2 不变矩的性能
  • 5.2.3 不变矩特征提取
  • 5.3 神经网络识别
  • 5.3.1 神经网络的特点
  • 5.3.2 BP神经网络结构
  • 5.3.3 BP神经网络的缺点及优化
  • 5.3.4 基于粒子群优化的神经网络学习
  • 5.4 实验结果与分析
  • 5.4.1 特征提取实验
  • 5.4.2 神经网络的训练及分类实验
  • 5.5 本章小结
  • 第6章 水下光视觉目标识别系统
  • 6.1 引言
  • 6.2 视觉系统的硬件组成
  • 6.3 视觉系统的软件体系
  • 6.3.1 中层模块
  • 6.3.2 高层模块
  • 6.4 实验结果与分析
  • 6.4.1 水下图像采集
  • 6.4.2 实验1例
  • 6.4.3 实验2例
  • 6.5 本章小结
  • 结论
  • 参考文献
  • 攻读博士学位期间发表的论文和取得的科研成果
  • 致谢
  • 附录A 获取水下图像实验报告
  • 相关论文文献

    标签:;  ;  ;  ;  

    基于粒子群的水下图像分割与识别技术研究
    下载Doc文档

    猜你喜欢