应用于矢量量化的改进粒子群优化算法

针对粒子群优化算法(PSO)应用于矢量量化时,最优粒子对与其对应维度距离较大的粒子缺乏有效指导问题,提出适用于矢量量化的改进粒子群优化算法(IPSO_VQ).该算法通过建立粒子与榜样粒子的维度映射关系,以基于映射关系的维度学习代替对应维度学习关系,使粒子相关维度间的学习有一定相关性,增强算法局部搜索能力.同时,借鉴广泛学习粒子群优化(CLPSO)算法中的广泛学习思想,并将其应用于基本PSO中的全局最优位置学习部分,通过对多个粒子的广泛学习,增加种群的多样性.实验结果表明该算法有效避免种群早熟收敛,从而使解码恢复图像获得更高的主客观质量.     

云模型猫群优化算法的矢量量化码书设计研究

针对标准猫群算法在矢量量化码书设计中收敛速度慢及易陷入局部最优的缺点,将标准猫群优化算法和云模型相结合,提出了一种基于云模型猫群算法。通过运用云发生器建立猫个体变异程度和适应值大小的关系,实现猫群搜索的自适应调节,从而增强种群多样性、提高收敛速度,避免局部最优。仿真实验证明,改进的算法较其他同类型算法在收敛性、类间离散度和矢量量化不均匀度等方面有较大的提升。     

应用协同进化的图像矢量量化码书设计方法

为了减小LBG算法对初始码书的依赖性,提高跳出局部最优的能力,提出了一种基于协同进化的矢量量化码书设计方法（Coevolution Based LBG,CLBG）。该算法根据码书在同其他码书竞争中的表现来衡量码书的适应度。实验结果表明：CLBG有效地减小了算法对初始码书的依赖性,所得码书性能超过了其他典型的改进码书设计方法。     

自适应二阶码书矢量量化算法研究

介绍了矢量量化的基本算法LBG。在此基础上,提出了一种时间复杂性和空间复杂性有所降低的改进算法,节省了存储空间,提高了压缩比。该算法的核心是自适应的生成初始码书以及对初始码书的二次压缩过程。从降低时间复杂度和节省存储空间、提高压缩比的角度,对该算法进行了讨论。     

矢量量化的初始码书算法

矢量量化的初始码书设计是很重要的,影响或决定着其后码书形成算法的迭代次数和最终的码书质量。针对原有的初始码书算法在性能上随机性强与信源匹配程度不高的问题,提出一种对于训练矢量实施基于分量的和值排序,然后做分离平均的初始码书形成算法。算法使用了矢量的特征量,脱离了对于图像结构因数的依赖,能产生鲁棒性较好的初始码书。实验证明了该方法的有效性,与LBG算法结合可进一步提高码书质量。     

基于改进人工蜂群的图像矢量量化码书设计算法

为了进一步提高图像矢量量化的码书质量,提出了一种新的图像压缩矢量量化码书设计算法。该算法采用均方误差(MSE)作为码书设计的适应度函数,利用改进的人工蜂群算法进行适应度函数的优化求解,增强了算法的自组织性和收敛性,大大减少了陷入局部收敛的可能性。将一种基于和值特性的快速码字搜索思想引入到码书设计算法中,使算法计算量明显降低。仿真结果表明,该算法具有计算时间短、收敛速度快的优点,并且生成的码书质量好、稳定性强。     

初始码字间距最大化的矢量量化码书设计算法

目前对传统LBG算法的改进措施一般以增加时间开销作为代价.本文提出一种新的矢量量化码书设计改进措施--初始码字间距最大化:初始码书中的码字全部来自输入的训练矢量,且每一个新的初始码字尽可能地远离现有的码字,实验结果表明:本算法完全消除了空胞腔现象,更有效地避免了局部最优,能获得质量更高的码书;收敛速度快,具有较低的时间消耗.本算法在时间开销以及码书质量这两个方面都优于传统LBG和基于人工蚁群优化的码书设计算法等改进算法.     

码书自适应的大规模体数据矢量量化算法

针对大规模体数据矢量量化VQ(Vector Quantisation)编码时间长的问题,提出一种基于图形处理器的码书自适应的大规模体数据矢量量化算法。该算法首先提取原始体数据密度分布特征,据此选取合适的初始码书生成算法,将矢量数据分批先后载入图形处理器进行并行计算,每读入一批数据,根据该批数据的码准值对第一批数据产生的码书进行优化及扩充,随后完成该批数据的编码。实验结果表明,该算法提高了图像的编码速度及还原质量,明显缩短了图像的压缩时间,同时保证了体数据重构质量。     

基于图像分类的矢量量化数字水印算法*

通过提取熵和标准差两个特征对图像进行分类,将分类结果采用PNN算法进行矢量量化,将其生成的码书作为LBG算法的初始码书以降低该算法对初始码书敏感的缺点。同时在水印提取过程中,首先对码书进行预处理以减少图像攻击对码书的影响,再提取水印图像。实验证明,使用该方法不仅得到了较高的图像质量,而且对常见的攻击也具有鲁棒性。另外,在传输过程中对码书和索引值的窜改,也具有一定的抗攻击性。     

矢量量化中码书旋转压缩的研究

普通码书中的码字之间在不同的方向上具有很大的相关性,存在大量的数据冗余。提出了将码书中的码字旋转压缩的理论。该理论是将各个码字按四个方向垂直旋转后进行相似性检查。如果旋转后的码字其中一个方向上与前面的码字存在相似,则将该码字删除,从而达到压缩的目的。编码时将压缩后的码书旋转恢复后进行编码,从而大幅降低了需要存储的码字数量。同时给出了一种将现有1 024阶16维码书旋转压缩成256阶16维的方法,并对该方法得到的码书性能进行了仿真验证。实验结果表明使用压缩后的码书在硬件实现时与普通的矢量量化码书相比减少了75%的存储空间和输入带宽,而PSNR平均只降低0.28 dB。     

Evolutionary fuzzy particle swarm optimization vector quantization learning scheme in image compression

This article develops an evolutional fuzzy particle swarm optimization (FPSO) learning algorithm to self extract the near optimum codebook of vector quantization (VQ) for carrying on image compression. The fuzzy particle swarm optimization vector quantization (FPSOVQ) learning schemes, combined advantages of the adaptive fuzzy inference method (FIM), the simple VQ concept and the efficient particle swarm optimization (PSO), are considered at the same time to automatically create near optimum codebook to achieve the application of image compression. The FIM is known as a soft decision to measure the relational grade for a given sequence. In our research, the FIM is applied to determine the similar grade between the codebook and the original image patterns. In spite of popular usage of Linde–Buzo–Grey (LBG) algorithm, the powerful evolutional PSO learning algorithm is taken to optimize the fuzzy inference system, which is used to extract appropriate codebooks for compressing several input testing grey-level images. The proposed FPSOVQ learning scheme compared with LBG based VQ learning method is presented to demonstrate its great result in several real image compression examples.     

基于粒子群优化的图像自适应增强方法

将免疫粒子群优化算法和非完全Beta函数结合,提出了一种自适应图像对比度增强方法.该免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理机制,改善了粒子群优化算法摆脱局部极值点的能力.利用免疫粒子群优化算法自动搜索最佳的灰度变换参数,从而获得一条最佳的灰度变换曲线,实现对图像进行全局增强处理.实验结果表明,该算法不仅能有效地提高图像整体对比度和视觉效果,而且适合图像的自动化处理.     

Fault-tolerant image filter design using particle swarm optimization

This article describes a mixed constrained image filter design with fault tolerance using particle swarm optimization (PSO) on a reconfigurable processing array. There may be some faulty configurable logic blocks (CLBs) in a reconfigurable processing array. The proposed method with PSO autonomously synthesizes a filter fitted to the reconfigurable device with some faults in order to optimize the complexity and power of the circuit, and the signal delay in both the CLBs and the wires. An image filter for noise reduction is experimentally synthesized to verify the validity of our method. By evolution, the quality of the optimized image filter on a reconfigurable device with a few faults is almost same as that on a device with no faults.     

基于微粒群算法的图像自适应增强算法的研究

提出了一种基于微粒群算法（PSO）的图像增强方法,把图像增强看作最优化问题。使用此方法可以自动地找出降质图像归一化的非完全β函数的最优参数值,对原始图像降质类型进行正确的推理。不论原始图像是哪种降质类型,使用提出的算法都能得到较好的增强。并且在评价算法的性能时,使用了一种新的目标函数。实例仿真证实了PSO在图像增强上的有效性和优越性。     

Mixed constrained image filter design using particle swarm optimization

This article describes an evolutionary image filter design for noise reduction using particle swarm optimization (PSO), where mixed constraints on the circuit complexity, power, and signal delay are optimized. First, the evaluated values of correctness, complexity, power, and signal delay are introduced to the fitness function. Then PSO autonomously synthesizes a filter. To verify the validity of our method, an image filter for noise reduction was synthesized. The performance of the resultant filter by PSO was similar to that of a genetic algorithm (GA), but the running time of PSO is 10% shorter than that of GA.     

均匀粒子群算法

由于粒子群算法(PSO)本质上的随机性,其搜索质量和速度也呈随机性.这使得普通的粒子群算法难以满足某些需要快速优化的工程需要.利用均匀设计方法产生PSO算法的初始种群（或关键代次种群）,可以使种群中的粒子在搜索空间分布更均匀,更好地保持分散性.算法中给出了4种种群的生成方案,通过测试和对比分析表明:基于值域分割的均匀设计种群生成法能使算法的搜索效果最好;算法可以在不丧失搜索精度和效率的前提下,提高搜索效率和搜索精度的稳定性,有效减少粒子聚集和早熟的发生.     

基于小生境粒子群算法的图像分割方法

为了得到分割图像的最佳阈值,提出了一种基于小生境粒子群算法的图像分割方法。小生境粒子群算法通过划分小生境的方法,保持了物种的多样性,克服了粒子群算法容易陷入局部解,后期收敛速度慢的缺点,提高了算法的全局寻优能力。该方法基于最大类间方差阈值分割技术,用小生境粒子群算法对适应度函数进行优化,得到最佳阈值,并用该阈值对图像进行分割。实验结果表明,与最大类间方差法,基于基本粒子群算法的最大类间方差分割法相比,所提出的方法不仅能得到理想的分割结果,而且分割速度也得到了提高。     

医学图像配准的混合量子粒子群优化算法研究

基于互信息的配准方法具有精度高、鲁棒性强等特点,但互信息的配准函数存在局部极值,给配准的过程带来了很大的困难。针对此问题提出了以归一化互信息作为相似性测度,将具有较强全局搜索能力的量子粒子群优化（QPSO）算法用于求解低精度的配准参数,再利用具有较强局部搜索能力的Powell法获得高精度配准参数的方法,应用到医学图像的配准中。实验结果表明,提出的混合算法能够有效地克服互信息函数存在的局部极值和Powell方法存在的初始点依赖问题,提高了配准的成功率,具有较高的配准精度和较快的速度。     

基于灰色粒子群优化的快速图像匹配算法

针对图像匹配中速度慢、抗噪性差等问题,提出一种基于灰色理论和粒子群优化的快速图像匹配算法——GPSO算法。该算法首先通过粒子群初始化,获得待匹配的多个初始位置和更新速度;然后,利用模板图和当前搜索位置子图的直方图信息,形成参考序列和比较序列,设计基于两类序列间灰色关联度的适应度函数。在此基础上,各粒子根据个体经验和社会经验,利用群体智能的高效并行寻优能力,逐代逼近最佳匹配位置。实验显示,本算法在保证了一定匹配精度的情况下,明显提高了匹配速度和鲁棒性。