多智能体遗传二维Otsu法SAR图像变化检测

提出一种基于多智能体遗传二维最大类间方差法的合成孔径雷达图像变化检测方法。采用阈值分割的思想,利用对数比值法构造差异影像;通过多智能体遗算法寻找变化和非变化类之间距离测度函数最大的全局阈值,得到变化检测结果。实验结果表明,与遗传算法、免疫克隆选择算法、多智能体遗传一维最大类间方差法、二维最大类间方差法相比,该算法可以快速、准确地得到变化检测结果。     

基于灰度和非局部空间灰度特征的二维Otsu曲线阈值分割法

为了克服图像噪声对图像分割结果的影响,利用图像中与像素具有相似邻域结构的像素提取当前像素的非局部空间信息,构造了基于像素的灰度信息和非局部空间灰度信息的二维直方图,并将此二维直方图引入到Otsu曲线阈值分割法中,提出了基于灰度和非局部空间灰度特征的二维Otsu曲线阈值分割法。实验结果表明,该方法能进一步提高原始二维Otsu曲线阈值分割法对于图像噪声的鲁棒性,获得了更加理想的分割结果。     

密度敏感的多智能体进化聚类算法

采用密度敏感距离作为数据相似性度量,并基于多智能体进化的思想提出了一种密度敏感的多智能体进化聚类(density sensitive based multi-agent evolutionary clustering,简称DSMAEC)算法.算法设计了一种基于连接的编码方式,通过解码过程可直接得到最终的聚类结果,无需事先确定聚类类别数,有效地克服了对领域知识的依赖.针对聚类问题,设计了3个有效的进化算子来模拟智能体间的竞争、合作和自学习行为,共同完成智能体的进化,最终达到对数据聚类的目的.分别对人工数据集、UCI数据集以及合成纹理图像进行仿真,实验结果表明,该算法不但可以自动确定聚类类别数,而且能够应付不同结构的数据,适应不同的聚类要求,具有较强的实用价值.     

基于灰度和空间特性的谱聚类图像分割

为了克服谱聚类图象分割方法性能容易受到图像大小和相似性测度的影响,提出一种基于灰度和空间特性的谱聚类图像分割算法。该算法不对图像中的像素之间建立相似性,而是利用各个像素的灰度在图像中的分布信息和像素点的空间邻接信息建立灰度之间的相似关系,通过对图像中灰度的分类进而获得原始图像的分割结果。因此,该算法不会受到图像大小的限制,无论对于多大的图像,相似性矩阵的大小都是小于等于256×256。Berke-ley基准图像数据集上的分割仿真实验验证了该方法的有效性。     

多智能体社会进化算法的动力学分析

通过一个简化的2-bit问题对多智能体社会进化算法(MASEA)中的进化算子及其组合进行形式化描述,分析了MASEA的全局动力学形态。针对算法中的进化算子建立数学模型,通过分析模型中各个不动点的吸引性,揭示出不同进化算子对动力学形态的影响,证明了算法MASEA的全局收敛性。