仿生优化算法在数字图像处理中的应用研究

论文摘要

数字图像处理是诸多计算机应用领域中一个最为活跃的领域。从CT的发明、数码相机的普及和数字电视业务的开展,到遥感图像处理、生物特征鉴别和智能交通的应用,数字图像处理的应用随处可见,它极大地促进了人类科学研究的发展、社会生产率的提高和生活方式的改善。因此,作为一个有广阔应用前景的学科,无论是在理论研究方面,还是在应用方面,数字图像处理目前都存在许多问题有待我们去探索。仿生优化算法是模拟生物或生物种群的结构特点、进化规律、行为模式和思维方法等形成的计算技术和方法,具有自组织、自适应和自我学习能力以及良好的全局收敛性、并行性和鲁棒性等特点。常用的仿生优化算法有人工神经网络算法、遗传算法和蚁群算法等。由于数字图像处理是一个复杂的求解问题,而仿生优化算法尤其适用于处理传统搜索方法难于解决的复杂的非线性问题,可广泛用于组合优化等领域。因此,近年来对数字图像处理的研究倾向于将数字图像作为一个组合优化问题,并采用一系列优化策略完成图像处理任务。本文将人工神经网络、遗传算法和蚁群算法等仿生优化算法应用于数字图像处理中,提出了一些新的处理方法和思路。本文所做的工作和创新点如下:(1)系统总结了人工神经网络、遗传算法和蚁群算法的研究现状和基本原理,重点研究了蚁群算法的改进方法。(2)探讨了基于自组织神经网络的图像复原处理方法,提出了基于Hopfield神经网络的图像目标识别算法,并对其算法和实验进行了分析。(3)探讨了基于遗传算法的图像复原方法,研究了基于遗传算法的图像分割处理的方法,提出了基于模糊隶属度曲面的遗传算法的图像分割处理方法,通过对不同图像的分割处理效果的分析比较,验证了算法的实用性。(4)研究了一种基于蚁群算法的均值聚类图像分割算法。还利用蚁群算法的组合优化特点,探讨了一种基于蚁群算法的模极大值重构的图像压缩编码算法,该算法结构简单,实验效果较好。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 数字图像处理
• 1.2 仿生优化算法研究概况
• 1.2.1 人工神经网络的研究情况
• 1.2.2 遗传算法的研究情况
• 1.2.3 蚁群算法的研究情况
• 1.3 仿生优化算法在数字图像处理中应用的可行性和意义
• 1.4 论文的的主要工作和安排
• 第2章 仿生优化算法的研究
• 2.1 人工神经网络
• 2.1.1 人工神经网络的结构
• 2.1.2 几种典型的神经网络
• 2.2 遗传算法
• 2.2.1 基本遗传算法描述
• 2.2.2 遗传算法的基本实现技术
• 2.3 蚁群算法
• 2.3.1 蚂蚁的群体行为
• 2.3.2 基本蚁群算法的机制原理
• 2.3.3 基本蚁群算法的实现
• 2.3.4 蚁群算法的改进
• 2.4 本章小结
• 第3章 基于神经网络的图像复原和图像识别方法研究
• 3.1 基于神经网络的图像复原处理方法
• 3.1.1 用于图像超分辨率复原的神经网络
• 3.1.2 基于神经网络的图像复原方法
• 3.1.3 实验结果
• 3.2 基于自组织神经网络的图像复原处理方法
• 3.2.1 基于自组织神经网络的图像复原处理算法
• 3.2.2 实验结果
• 3.3 基于 Hopfield 神经网络的图像目标识别处理方法
• 3.3.1 基于 Hopfield 神经网络的图像目标识别方法
• 3.3.2 主要实验过程分析
• 3.3.3 实验结果分析
• 3.4 本章小结
• 第4章 基于遗传算法的图像复原和图像分割方法研究
• 4.1 基于遗传算法的图像复原处理方法
• 4.1.1 图像的退化模型
• 4.1.2 基于遗传算法的图像复原处理方法
• 4.2 基于遗传算法的图像分割处理方法
• 4.2.1 基于基本遗传算法的图像分割处理方法
• 4.2.2 基于二维阈值曲面的遗传算法图像分割处理方法
• 4.2.3 基于模糊隶属度曲面的遗传算法图像分割处理方法
• 4.2.4 实验结果及分析
• 4.3 本章小结
• 第5章 基于蚁群算法的图像分割与图像编码方法研究
• 5.1 基于蚁群算法的图像分割处理方法
• 5.1.1 基于蚁群算法的图像分割方法的原理
• 5.1.2 基于蚁群算法的图像分割步骤
• 5.1.3 实验结果及分析
• 5.2 基于蚁群算法模极大值的图像编码方法
• 5.2.1 蚁群算法模极大值处理的方法
• 5.2.2 实验结果与分析
• 5.3 本章小结
• 第6章 总结与展望
• 6.1 全文总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读博士学位期间发表论文和科研情况