粒子群优化及其在图像分割中的应用

论文摘要

粒子群优化算法源于鸟群群体运动行为的研究,是一种基于种群搜索策略的自适应随机优化算法。作为群智能的典型代表,粒子群优化算法已经被证明是一种有效的全局优化方法,一经提出就受到全世界研究者的关注、重视,目前已经被广泛应用于图像分割、目标函数优化、神经网络训练、模糊控制系统等许多领域,并取得了良好的效果。图像分割是目标检测和识别过程中的重要步骤,其目的是将感兴趣的区域从图像中分割出来,从而为计算机视觉的后续处理提供依据。图像分割的方法有多种,阈值法因其实现简单而成为一种有效的图像分割方法。然而要在直方图呈多峰分布的复杂图像中搜索一个最佳多阈值组合对图像进行分割,它的高耗时性无法满足实时性的要求,而阈值的准确确定又是有效分割图像的关键。因此,快速准确地搜索到图像分割的多阈值组合将是问题的难点。要快速和准确地确定复杂图像中的最佳多阈值组合,使分割效果好且满足实时性的要求,就必须寻求一种高效的算法来解决基于多阈值法的图像分割问题。本文在前人工作的基础上,对粒子群优化算法及其在图像分割中的应用进行了研究:(1)为了提高粒子群算法的收敛速度并同时提高算法的全局搜索性能,本文着重研究了两种新颖的改进型粒子群算法。(a)第一种改进算法采用相对基初始化粒子种群以获得更优的初始解。该算法为了进一步提高收敛速度及精度,当群体陷入局部最优时,产生相应的变异粒子,比较其适应度,选取适应度高的粒子继续优化进程。通过对不同测试函数的仿真实验表明,该算法显著地提高了粒子群算法的收敛速度和精度。(b)第二种改进算法是将粒子群算法与免疫算法相结合,采用模拟退火机制对粒子的位置进行限制,并用旅行商问题验证了算法在组合优化中的有效性。(2)将本文改进的两种算法应用于基于多阈值法的图像分割试验中,实验表明:该两种改进算法能快速准确地找到分割阈值的最佳组合,取得好的分割效果且适合多峰直方图的复杂图像。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景与意义
• 1.2 粒子群优化算法的研究现状
• 1.2.1 粒子群算法的研究方向
• 1.2.2 粒子群算法的应用现状
• 1.3 图像分割方法概述
• 1.3.1 基于区域的图像分割
• 1.3.2 基于边界的图像分割
• 1.3.3 区域与边界相结合的方法
• 1.3.4 其它的图像分割方法
• 1.4 本文的主要工作和组织结构
• 第2章 粒子群优化算法
• 2.1 算法的基本原理
• 2.1.1 原始粒子群优化
• 2.1.2 引入惯性权重的粒子群优化
• 2.1.3 收缩型粒子群优化
• 2.2 算法的收敛性分析
• 2.3 算法的改进
• 2.4 本章小结
• 第3章 基于相对基学习的变异粒子群算法
• 3.1 改进算法的思想
• 3.1.1 相对基学习
• 3.1.2 变异模型
• 3.2 改进算法用于函数优化
• 3.2.1 基准测试函数
• 3.2.2 变异模型中a值的选取对算法的影响
• 3.2.3 实验结果与分析
• 3.3 本章小结
• 第4章 基于模拟退火的免疫粒子群算法
• 4.1 改进算法的思想
• 4.1.1 人工免疫系统
• 4.1.2 免疫记忆和免疫调节的实现
• 4.1.3 模拟退火
• 4.2 改进算法用于组合优化
• 4.2.1 旅行商问题
• 4.2.2 实验结果与分析
• 4.3 本章小结
• 第5章 改进粒子群算法在多阈值图像分割中的应用
• 5.1 引言
• 5.2 基于阈值法的图像分割
• 5.2.1 最大熵阈值法
• 5.2.2 最大类间方差阈值法
• 5.2.3 最小误差阈值法
• 5.3 基于改进变异粒子群算法的最大熵图像分割
• 5.3.1 基准图像的分割
• 5.3.2 合成孔径雷达图像的分割
• 5.4 基于改进免疫粒子群算法的最大类间方差图像分割
• 5.4.1 最优阈值个数的确定
• 5.4.2 实验图像及参数设置
• 5.4.3 优化结果与分析
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢
• 详细摘要