改进的QPSO算法及其应用

论文摘要

本文的目的是研究粒子群算法（Particle Swarm Optimization,简称PSO）,特别是具有量子行为的粒子群算法（Quantum-behaved Particle Swarm Optimization,简称QPSO）,并对该算法加以改进,最终将改进的QPSO算法应用到灰度图像的自适应增强中。在图像增强中,灰度图像的非线性变换是一种非常有效的方法。这种方法相当于对图像序列进行某种变换,以达到图像增强的目的。在变换过程中,涉及到变换参数的确定问题,因此,建立一种根据图像灰度性质自动调节的图像自适应增强算法是非常有意义的。首先,本文阐述了图像增强的基本原理、方法和粒子群算法以及具有量子行为粒子群算法的基本思想,然后将两种算法加以比较,强调了QPSO算法比PSO算法在全局优化问题上具有更好的收敛性能。其次,在QPSO算法的基础上,引进一种新的搜索策略,提出一种改进的QPSO算法。通过使用一些基准函数对该算法进行仿真测试,并将测试结果和PSO算法、QPSO算法相比较。结果表明:改进的QPSO算法比PSO算法和QPSO算法的搜索效果都要好,并且种群越大,效果越好。最后,在图像增强的应用中,本文利用改进的QPSO算法,针对能完全覆盖图像增强典型变换类型的非完全Beta函数,实现其参数的自适应选择,以此达到灰度图像的自适应增强。仿真实验证明改进的QPSO算法与PSO算法和QPSO算法相比,在灰度图像增强方面具有更好的优越性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 概述
• 1.2 粒子群算法的研究概况
• 1.3 图像增强的研究概况
• 1.4 本文的主要研究内容
• 第二章 图像增强概述
• 2.1 图像增强的概念
• 2.2 几种常用的图像增强方法
• 2.2.1 灰度级修正
• 2.2.2 灰度变换
• 2.2.3 直方图变换
• 第三章 粒子群算法概述
• 3.1 粒子群算法的提出
• 3.2 基本粒子群算法概述
• 3.2.1 算法原理
• 3.2.2 算法流程
• 3.2.3 两种基本的进化模型
• 3.2.4 与其他进化算法的比较
• 3.2.5 几种改进的微粒群算法
• 3.2.6 粒子群算法的应用
• 3.3 本章小结
• 第四章 具有量子行为的粒子群算法
• 4.1 具有量子行为的粒子群算法的提出
• 4.2 具有量子行为的粒子群算法简介
• 4.2.1 QPSO 算法描述
• 4.2.2 QPSO 算法和PSO 算法的比较
• 4.3 改进的QPSO 算法
• 4.3.1 算法的提出
• 4.3.2 算法的基本思想
• 4.3.3 算法描述
• 4.3.4 仿真实验及结果
• 4.4 本章小结
• 第五章 改进的QPSO 算法在图像增强中的应用
• 5.1 引言
• 5.2 灰度图像的自适应增强
• 5.3 仿真实验及结果
• 5.3.1 仿真实验一
• 5.3.2 仿真实验二
• 5.3.3 仿真实验三
• 5.3.4 仿真实验四
• 5.3.5 仿真实验五
• 5.3.6 仿真实验六
• 5.4 本章小结
• 第六章 总结与展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文