基于微粒群算法的数字图像处理方法研究

论文摘要

随着数字图像处理技术在军事、医学、遥感、工业生产等领域越来越广泛的应用,图像信息呈现出复杂性和多样性特征,普遍存在着图像信息处理的不完整性、不确定性以及建模困难等问题。因此,智能优化算法在图像处理领域得到了广泛应用,并在某些方面取得了比传统方法更好的效果。近年来,将微粒群算法应用于图像处理领域的研究已取得一定成绩,但在图像分割、图像增强和图像复原等方面仍存在值得进一步深入研究探讨的问题。本文在研究微粒群算法基本理论的基础上,提出了微粒群算法的改进形式,并将微粒群算法和模糊理论、模拟退火算法结合应用于图像处理领域,研究基于微粒群算法的图像模糊阈值分割、图像聚类分割、图像增强和图像复原方法。主要研究工作包括以下几个方面。1.研究了基于微粒群算法的多峰函数寻优问题,提出一种基于峰谷函数的小生镜微粒群算法。算法通过峰谷函数判断小生境子微粒群的生成和合并,产生新的小生境微粒群。该算法克服了初始化参数选取依赖于求解问题先验知识、算法收敛速度慢等缺陷,提高了小生境微粒群算法的多峰函数寻优能力,避免了计算资源的浪费,使算法的寻优效率和收敛速度均有明显改善。2.提出了基于微粒群算法的最大模糊熵阈值分割算法。该算法利用微粒群算法的全局优化能力,依据最大模糊熵原理,搜索模糊参数的最优组合,自适应地确定分割阈值,能应用于单目标、多目标以及信噪比较低图像的分割,具有较强的适应性和较好的图像分割效果,并能大大降低计算的复杂度。3.提出了基于微粒群算法的图像模糊聚类分割算法。根据不同的应用对象,对传统FCM算法的目标函数进行修改,设计了不同的适应度函数,利用捕食者-食饵微粒群算法寻找最优聚类中心,能应用于普通图像、噪声污染图像和彩色图像的分割。提出的算法能克服模糊C均值聚类算法对初始聚类中心敏感易陷入局部最优的不足,提高FCM算法的计算速度。特别是当应用于噪声图像分割时,提出的算法由于既考虑了图像所具有的模糊性,又利用了图像的空间信息,对噪声不敏感,具有抗噪性能好、鲁棒性强等特点。4.提出了基于微粒群算法的图像增强算法。该算法利用Tubbs提出的规则化Beta函数拟合对比度变换曲线,自动寻找Beta函数的最优参数,实现灰度图像对比度的自适应变换;针对彩色图像滤波,通过自适应地获得滤波器窗口的最优权值,体现滤波器窗口内像素之间的空间距离对滤波效果的影响,实现彩色图像脉冲噪声的自适应滤波,其性能明显优于现有的彩色图像滤波方法。5.提出了基于微粒群和模拟退火算法的图像复原算法。该算法利用微粒群算法的快速搜索能力和模拟退火算法良好的全局收敛性能寻找最佳复原图像,克服了传统的图像复原方法存在较多约束条件、依赖先验知识、计算求解复杂和对噪声十分敏感等不足,能应用于不同类型退化图像的复原,并能有效地解决经典维纳滤波算法噪信功率比难以确定的问题。最后,对论文进行了总结,并提出了一些有待于今后进一步研究的问题。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 微粒群算法的研究进展及存在的问题
• 1.2.1 微粒群算法的研究进展
• 1.2.2 微粒群算法存在的主要问题
• 1.3 图像处理的基本问题
• 1.3.1 图像分割
• 1.3.2 图像增强
• 1.3.3 图像复原
• 1.4 微粒群算法应用于图像处理的研究进展
• 1.4.1 微粒群算法在图像分割中的应用
• 1.4.2 微粒群算法在图像配准和图像融合中的应用
• 1.4.3 微粒群算法在图像压缩中的应用
• 1.4.4 微粒群算法在图像识别中的应用
• 1.4.5 微粒群算法在图像处理领域的其它应用
• 1.5 基于微粒群算法的图像处理有待研究的问题
• 1.6 课题来源及论文的组织结构
• 第二章 微粒群算法及其改进
• 2.1 基本微粒群算法
• 2.1.1 算法原理
• 2.1.2 PSO算法的流程
• 2.1.3 PSO算法的参数分析与选择
• 2.2 捕食者—食饵微粒群算法
• 2.3 基于峰谷函数的小生镜微粒群算法
• 2.3.1 保证收敛的微粒群算法
• 2.3.2 峰谷函数
• 2.3.3 基于峰谷函数的小生境PSO算法
• 2.3.4 算法测试
• 2.4 本章小结
• 第三章 基于微粒群算法的图像阈值分割
• 3.1 图像阈值分割概述
• 3.1.1 类间方差法
• 3.1.2 最大熵法
• 3.1.3 最大模糊熵法
• 3.1.4 基于微粒群算法的最大类间方差阈值分割
• 3.1.5 基于微粒群算法的最大熵阈值分割
• 3.2 基于微粒群算法和最大模糊熵的单阈值分割
• 3.2.1 基于微粒群算法和最大模糊熵的单阈值分割算法
• 3.2.2 实验结果及分析
• 3.3 基于微粒群算法和最大模糊熵的双阈值分割
• 3.3.1 基于最大模糊熵的双阈值图像分割原理
• 3.3.2 基于微粒群算法和最大模糊熵的双阈值分割算法
• 3.3.3 实验结果及分析
• 3.4 基于微粒群算法和二维模糊熵的阈值分割
• 3.4.1 图像的二维模糊熵
• 3.4.2 基于微粒群算法和二维模糊熵的阈值分割算法
• 3.4.3 实验结果及分析
• 3.5 本章小结
• 第四章 基于微粒群算法的图像聚类分割
• 4.1 聚类分析及聚类算法
• 4.1.1 聚类分析
• 4.1.2 聚类算法
• 4.1.3 聚类效果的评估参数
• 4.2 基于微粒群和C均值算法的图像聚类分割
• 4.2.1 基于微粒群和C均值算法的灰度图像分割
• 4.2.2 基于微粒群和C均值算法的彩色图像分割
• 4.3 基于微粒群和模糊 C均值算法的图像聚类分割
• 4.3.1 基于捕食者-食饵微粒群的模糊 C均值聚类图像分割算法
• 4.3.2 仿真结果
• 4.3.3 性能比较
• 4.4 基于改进微粒群算法和二维直方图的模糊聚类图像分割
• 4.4.1 基于捕食者-食饵微粒群的二维FCM图像分割算法
• 4.4.2 仿真结果和性能比较
• 4.5 基于微粒群和特征距离的模糊聚类彩色图像分割
• 4.5.1 特征距离
• 4.5.2 彩色图像的快速FCM分割
• 4.5.3 基于微粒群的改进FCM彩色图像分割算法
• 4.5.4 仿真结果和性能比较
• 4.6 本章小结
• 第五章 基于微粒群算法的图像增强
• 5.1 灰度变换和彩色图像滤波
• 5.1.1 灰度变换
• 5.1.2 彩色图像滤波
• 5.3 基于微粒群算法的灰度图像自适应对比度变换
• 5.3.1 拟合对比度变换函数的非完全Beta函数
• 5.3.2 基于微粒群的图像对比度自适应变换算法
• 5.3.3 仿真结果及比较
• 5.4 基于微粒群算法的彩色图像滤波
• 5.4.1 种群的设计
• 5.4.2 适应度函数的确定
• 5.4.3 算法描述
• 5.4.4 仿真结果和性能比较
• 5.5 本章小结
• 第六章 基于微粒群算法的图像复原
• 6.1 图像复原概述
• 6.1.1 图像的退化/复原过程模型
• 6.1.2 估计退化函数的方法
• 6.1.3 逆滤波
• 6.1.4 维纳滤波
• 6.2 基于微粒群和模拟退火算法的图像复原
• 6.2.1 种群设计
• 6.2.2 个体适应度函数
• 6.2.3 基于微粒群和模拟退火的图像复原算法
• 6.2.4 实验仿真
• 6.3 基于微粒群优化噪信功率比的维纳滤波
• 6.3.1 适应度函数的选择
• 6.3.2 基于微粒群的噪信功率比优化算法设计
• 6.3.3 实验仿真
• 6.4 本章小结
• 第七章 总结与展望
• 7.1 本文研究工作总结
• 7.2 需进一步研究的问题
• 参考文献
• 致谢
• 攻读博士学位期间发表的论文和完成的科研项目