基于粒子群优化算法的图像分割研究

借助于粒子群优化算法,进一步对图像分割技术开展相关研究,具体研究方法是针对常规分割技术与现代分割技术的联合运用,通过对粒子群优化算法,建立并且完善具有一定自适应功能的图像分割方法,以此可以达到自动、精确以及快速分割图像的重要作用.     

基于粒子群优化算法的阈值图像分割研究

研究将群体智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值.仿真实验针对Lena图像分割问题,将遗传算法与粒子群优化算法分别独立运行,对得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标.统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短.仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的.     

利用免疫克隆粒子群混合算法实现自适应PMD补偿

提出了一种免疫克隆算法与粒子群优化（PSO）算法相结合的混和算法来进行函数优化,克服了PSO算法容易陷入局部极值的不足,通过免疫克隆算法的应用,提高了种群的多样性,增强了算法全局搜索的能力,提高了收敛速度和精度。仿真结果表明,该算法在搜索多维函数最优解中具有优良的性能。将该混和算法应用到光纤偏振模色散（PMD）补偿系统中,补偿后,眼图恢复效果很好,补偿系统的搜索时间最短可达71 ms,响应恢复小于20 ms,实现了对光纤通信系统的实时自适应PMD补偿。     

基于自适应免疫粒子群优化的DV-Hop定位算法

针对传统距离矢量—跳数(DV-Hop)定位算法中,最小二乘法计算未知节点坐标时存在误差较大,而粒子群优化(PSO)算法又容易陷入局部最优的问题,提出了基于一种自适应免疫粒子群与DV-Hop融合算法。首先,对浓度机制进行改进;其次,子种群的数目通过粒子最大浓度值来改变,使得种群资源得到最大限度利用;最后,对疫苗范围进行动态调整后,劣质种群开始进行疫苗接种。该算法克服了粒子早熟,避免了种群退化现象,提高了算法进化过程中的收敛速度和精度。实验结果表明:在相同硬件成本和通信开销的情况下,所提算法定位精度更高。     

免疫粒子群优化算法在图像融合中的应用

提出了一种基于图像分块的小波多聚焦图像融合方法,并将免疫粒子群优化搜索策略应用于多聚焦图像融合子块寻优中。将图像子块作为粒子,以寻求最优组合分块形成的融合图像。利用两种评价参量,即信息熵和交叉熵进行不同图像融合方法的分析及效果评价,实验结果表明,其融合性能优于对图像只进行分块而不作小波分解的融合方法和只作小波分解而不进行分块的融合方法,该方法既能消除块痕迹,又能节约运算量,取得了很好的融合效果。与标准粒子群相比,免疫粒子群的收敛性能和达优率更好。     

量子粒子群算法在图像分割中的应用

引入了一种广泛而实用的方法——基于量子行为的粒子群算法的理论应用于图像分割领域。QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛性。文章中把图像分割问题看成一个最优化问题,以最小误差法为例,对比了所提算法和标准粒子群算法在阈值处理中的性能,并用实验证明了所提算法的可行性。     

基于粒子群优化算法的改进Snake模型的图像分割方法

虽然Snake模型是一种有效的基于参数的轮廓探测方法,但由于其对初始位置过于敏感,不但参数选取缺乏严格的理论指导,且不能处理拓扑结构改变的问题。为此,针对Snake模型在弱边缘处容易溢出等不足,首先通过引入区域信息对Snake模型的图像力进行了修正,然后对Snake模型容易陷入局部极小化的问题,利用粒子群优化算法的全局优化特性和良好的数值稳定性来对Snake模型的分割结果进行优化。人工合成图像和医学图像的实验结果表明,该方法是有效的。     

基于量子空间的粒子群算法在图像分割中的应用研究

研究图像的空间信息和灰度的图像分割,从中提取感兴趣的目标.传统的粒子群算法后期容易陷入早熟收敛状态,阈值选取时不能保证概率为1时收敛到全局最优解,导致计算时间延长,计算量增大,运算效率较低,抗噪能力差,最终造成分割效果不好.为了提高图像分割效率和分割精度,提出一种基于量子空间的粒子群算法的图像分割算法( QDPSO算法).该方法通过最优阈值来划分像素,实现图像分割.实验结果表明,与传统的粒子群分割算法相比,该算法不仅得到了更高的分割精度,还大大减少了计算量,能够一定程度上改善图片分割的效率和质量.     

基于免疫粒子群优化算法的增量式PID控制

基于粒子群优化算法的收敛速度快简单易实现的特点和免疫算法的免疫记忆、免疫自我调节和多峰值收敛的特点,本文设计出免疫粒子群算法,并将其应用于PID控制器中。仿真结果表明,免疫粒子群优化算法适用于增量式PID控制,并且基于免疫粒子群优化算法的增量式PID控制的跟踪效果和抗干扰能力比粒子群优化算法的PID控制和基于免疫算法的增量式PID控制跟踪效果和抗干扰能力都要好。     

基于粒子群优化算法的最佳熵阈值图像分割

研究图像的空间信息和灰度的信息图像分割,从中提取感兴趣的目标.针对传统阈值算法虽然考虑了图像的空间信息,但是由于解空间维数增加,搜索范围增大,导致了计算时间延长,求解最优阈值的速度较低,同时传统二维熵的计算中只考虑了像素的概率,忽略了灰度的概率,导致分割不准确.为了充分利用灰度图像的灰度信息和空间信息,提高分割精确度和最优阈值的求解速度,提出一种基于粒子群算法的阈值分割方法(PSO-SDAIVE算法).算法对传统的二维直方图进行改进,生成差值属性灰度直方图,同时对灰度均值和二维熵的计算进行改进,生成空间差值属性信息值熵(SDAIVE),最后用粒子群算法来搜索SDAIVE的最大值.对头部CT图像进行分割进行了仿真,实验结果表明,能够对图像进行准确的分割,而且运行时间明显较短,证明粒子群优化的图像分割算法是可行和有效的.     

基于粒子群优化算法的改进Snake模型的图像分割方法

虽然Snake模型是一种有效的基于参数的轮廓探测方法,但由于其对初始位置过于敏感,不但参数选取缺乏严格的理论指导,且不能处理拓扑结构改变的问题。为此,针对Snake模型在弱边缘处容易溢出等不足,首先通过引入区域信息对Snake模型的图像力进行了修正,然后对Snake模型容易陷入局部极小化的问题,利用粒子群优化算法的全局优化特性和良好的数值稳定性来对Snake模型的分割结果进行优化。人工合成图像和医学图像的实验结果表明,该方法是有效的。     

一种免疫微粒群优化算法

引入克隆选择操作和借鉴免疫学习中较好的多样性来克服微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点，构建了一种免疫微粒群算法。将该算法应用于4个常见的测试函数，实验结果表明，该算法比标准微粒群算法有更好的收敛性和更快的收敛速度。     

基于粒子群优化算法的最佳熵阈值图像分割

图像分割是自动目标识别的关键和首要步骤。群智能作为一类新兴的演化计算技术已被越来越多的研究者关注。论文研究将群智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法。新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值,基于Bayes定理和随机状态转移过程对新算法收敛性的分析表明,新方法能以概率1找到图像的最佳熵阈值。在仿真实验中,针对基准图像和SAR图像分割问题,将遗传算法与粒子群优化算法分别独立运行10次,对10次得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标。统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短。仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的。     

微粒群算法在二维模糊熵图像分割中的应用

将微粒群算法和二维模糊熵阏值分割法结合,提出了一种基于微粒群和二维模糊熵的图像分割方法.该方法根据像素点灰度值和区域灰度均值所建立的二维灰度直方图,以二维模糊熵作为微粒群算法的适应度函数,利用微粒群算法搜索点灰度值和区域灰度均值所对应的模糊参数最优组合,进而确定相应的分割阈值.对几例真实目标图像的对比分割实验结果表明,该文方法性能优越,是一种有效的图像分割方法.     

面向钻削路径规划问题的微粒群优化算法研究

提出一种基于微粒群优化（PSO）算法的方法,用于解决离散空间的群孔钻削路径规划问题．为了满足钻削路径规划问题中整数编码的需要,建立了算子中元素的二元转换方法和操作方式,对算法的操作算子进行改进．针对基本微粒群算法全局收敛率较低的问题,本文在算法数学模型的基础上,引入了重新生成“停止进化微粒”的方式对算法加以改进．实验表明,改进的算法全局收敛率较基本算法提高3倍多;新的算法具有实现简单、收敛速度快、能够实现全局收敛的优点．实际应用中,采用新的PSO优化算法对钻削路径优化后,可以节省17.9%的机床工作台移动时间．     

一种改进的粒子群优化算法

介绍PSO算法原理和特点,通过在粒子选取、惯性权重和局部搜索上改进,提出一种改进的粒子群优化算法,并与0．618法相结合,结合学习经验进行迭代更新,用于局部函数优化问题。同时提出根据最佳熵最值将PSO算法应用于图像分割,对于图像分割领域有一定的参考价值。     

基于粒子群算法与方向图法的指纹图像分割

指纹识别作为生物识别技术最为成功的应用之一,近年来已得到快速发展和普及．而指纹图像分割技术是指纹处理特征点提取的基础,同时也是高效识别指纹的关键,直接影响整个指纹识别系统的性能．本文在对相关的指纹图像分割方法分析的基础上,利用粒子群算法的阈值分割方法和方向图的指纹图像分割技术的优点,进一步研究并提出了一个混合分割方法．实验结果表明,这两种方法的结合运用可以获得良好指纹图像分割效果．     

粒子群优化算法中惯性权值调整的一种新策略

惯性权值的设置对粒子群优化（PSO）算法的性能起着关键作用,现有的基于惯性权值的改进算法提高了算法的性能,但都把惯性权值作为全局参数,很难控制算法的搜索能力。本文在充分分析惯性权值的关键作用基础上给出一种新的惯性权值调整策略及其相应的粒子群优化算法,使用不同的惯性权值更新同一代种群。测试结果表明,新算法提高了算算法的性能,并具有更快的收敛速度和跳出局部最优的能力。     

具备反向学习和局部学习能力的粒子群算法

为解决粒子群优化（Particle Swarm Optimization,PSO）算法中存在的种群多样性和收敛性之间的矛盾,该文提出了一种具备反向学习和局部学习能力的粒子群优化算法（Reverse-learning and Local-learning PSO,RLPSO）。该算法保留了初始种群中满足排异距离要求的多个较差粒子以及每个粒子的历史最差位置。当检测到算法陷入局部最优时,利用这些较差粒子的位置信息指导部分粒子以较快飞行速度进行反向学习,将其迅速牵引出局部最优区域。反向学习过程可改善粒子种群的多样性,保证了算法的全局探测能力;同时,利用较优粒子间的差分结果指导最优粒子进行局部学习与搜索,该过程可与粒子群的飞行过程并行执行,且局部学习的缩放因子可随进化过程动态调节。局部学习可提高算法的求解精度,保证算法的迅速收敛。实验结果表明,RLPSO 算法同其他 PSO 算法相比,在高维函数优化中具有收敛速度快、求解精度高的特点。