本文關鍵詞： 細菌覓食算法 圖像分割 圖像分類 人臉識別 參數優(yōu)化　出處：《湖南工業(yè)大學》2017年碩士論文　論文類型：學位論文

【摘要】：隨著計算機技術的不斷發(fā)展以及其軟硬件的更新?lián)Q代,越來越多的人開始使用計算機對圖像做各式各樣的處理。圖像處理技術也在迅速的發(fā)展,其應用范圍也不斷拓展,例如機器人視覺以及工業(yè)檢測等。圖像處理是一門引人注目和具有遠大前景的學科,包括圖像分割、圖像增強、圖像分類以及目標識別等多個技術領域。圖像分割和圖像分類這兩方面內容如果處理的好,能對后續(xù)工作帶來良好的結果;若是處理不好,這會對后續(xù)工作(如目標識別)帶來不少的麻煩還有難點,然而許多常見的分割算法和分類算法可能只解決了部分的分割和分類問題,還余下大部分問題�；诜律惴ǖ姆指詈头诸愃惴ㄓ挚梢赃M一步解決些問題。然而,傳統(tǒng)的仿生算法也還是有些局限性,例如比較容易陷入局部最優(yōu),效率相對比較低下,搜尋精度不足等。所以本文提出了使用改進的細菌覓食算法來對圖像進行分割和分類,主要研究工作如下:(1)提出了一種改進細菌覓食算法(IBFO)并應用于圖像分割。針對傳統(tǒng)細菌覓食算法在處理大量圖像時效率較低和精度不高的問題,在算法的遷徙行為和趨化行為都做了動態(tài)的調整,根據所在階段改變行為方式,并用改進算法對圖像進行分割實驗。通過實驗驗證,與基于仿生算法的聚類分析算法結果相比,并用測試函數收斂性、區(qū)域間灰度對比度、不均勻性和時間耗費指標來驗證了改進細菌覓食算法的有效性。(2)提出了另一種改進細菌覓食算法(SIBFO)并應用目標圖像分類。其主要利用改進細菌覓食算法對從視頻中提取的行人、汽車以及寵物進行聚類分析完成圖像中的目標分類。通過實驗驗證,與基于傳統(tǒng)群體智能算法的目標分類結果相比,并用分類算法的指標查全率、查準率和綜合這兩個指標的加權指標來進行驗證了改進細菌覓食算法的有效性。(3)將第二種改進細菌覓食算法(SIBFO)應用于支持向量機參數優(yōu)化方法并進行人臉識別。根據支持向量機分類器的原理,將其與之前改進的細菌覓食算法結合起來以達到最優(yōu)分類器的目的。然后使用結合后的分類器對人臉圖像進行識別實驗。通過實驗驗證,與基于傳統(tǒng)仿生算法的支持向量機參數優(yōu)化進行比較,在全局搜索方面、優(yōu)化后的支持向量機的預測和誤差分析方面以及對ORL人臉庫和AR人臉庫進行人臉識別的分類準確率方面考證了改進算法的優(yōu)越性。
[Abstract]:With the continuous development of computer technology and the upgrading of its software and hardware, more and more people begin to use computers to do various kinds of image processing. For example, robot vision and industrial detection. Image processing is an attractive and promising subject, including image segmentation, image enhancement, Image segmentation and image classification can bring good results to the subsequent work if they are handled well. This will bring a lot of trouble and difficulties to the follow-up work (such as target recognition). However, many common segmentation algorithms and classification algorithms may only solve part of the segmentation and classification problems. However, the traditional bionic algorithm has some limitations, for example, it is easy to fall into local optimum, and the efficiency is relatively low. Therefore, an improved bacterial foraging algorithm is proposed to segment and classify images. The main research work is as follows: (1) an improved bacterial foraging algorithm (IBFOFOA) is proposed and applied to image segmentation. The migration behavior and chemotaxis behavior of the algorithm are dynamically adjusted. According to the stage, the behavior is changed, and the image segmentation experiment is carried out with the improved algorithm. The experimental results are compared with the results of the clustering analysis algorithm based on the bionic algorithm. The convergence of the function and the contrast between regions are tested. Inhomogeneity and time-wasting index to verify the effectiveness of the improved bacterial foraging algorithm. (2) another improved bacterial foraging algorithm (SIBFOO) is proposed and the target image is classified. The improved bacterial foraging algorithm is mainly used to extract pedestrians from the video. The target classification in the image is completed by clustering analysis of vehicles and pets. Compared with the target classification results based on the traditional swarm intelligence algorithm, the target recall rate of the classification algorithm is compared with that of the traditional swarm intelligence algorithm. The validity of the improved bacterial foraging algorithm is verified by the precision rate and the weighted index of these two indexes. The second improved bacterial foraging algorithm (SIBFOO) is applied to the parameter optimization method of support vector machine and face recognition is carried out. According to the principle of support vector machine classifier, It is combined with the previous improved bacterial foraging algorithm to achieve the purpose of the optimal classifier. Then the combined classifier is used to carry out the recognition experiment on the face image. Compared with the support vector machine parameter optimization based on the traditional bionic algorithm, in the aspect of global search, The prediction and error analysis of the optimized support vector machine (SVM) and the classification accuracy of ORL face database and AR face database are studied to prove the superiority of the improved algorithm.
【學位授予單位】：湖南工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關期刊論文 前10條

1 陳莉;李姣姣;肖曙露;;支持向量機參數優(yōu)化的土地集約利用評價與分析[J];系統(tǒng)仿真學報;2016年07期

2 馬家辰;武冠群;馬立勇;孫明健;;基于細菌覓食算法和支持向量機的表情識別[J];計算機工程與設計;2015年07期

3 屠莉;楊立志;;一種基于蟻群優(yōu)化的圖像分類算法[J];計算機應用與軟件;2015年04期

4 張璇;張效杰;賈禮星;司智乾;;基于細菌覓食優(yōu)化算法的多閾值圖像分割[J];計算機光盤軟件與應用;2015年02期

5 彭春華;謝鵬;詹驥文;孫惠娟;;基于改進細菌覓食算法的微網魯棒經濟調度[J];電網技術;2014年09期

6 盧文清;何加銘;曾興斌;史智慧;;基于多特征提取和粒子群算法的圖像分類[J];無線電通信技術;2014年02期

7 胡慧;何聚厚;何秀青;;基于細菌覓食與改進Otsu算法的自適應閾值邊緣提取[J];計算機工程與應用;2014年04期

8 王建;張建偉;陳仲恒;;一種基于均值漂移和遺傳算法的圖像分割算法[J];計算機技術與發(fā)展;2014年04期

9 卜曉波;龔珍;黎華;;基于遺傳算法改進BP神經網絡的遙感影像分類研究[J];安徽農業(yè)科學;2013年33期

10 胡敏;程天梅;王曉華;;融合全局和局部特征的人臉識別[J];電子測量與儀器學報;2013年09期

相關博士學位論文 前1條

1 山世光;人臉識別中若干關鍵問題的研究[D];中國科學院研究生院（計算技術研究所）;2004年

相關碩士學位論文 前2條

1 胡國靖;人臉識別中圖像預處理與匹配方法研究[D];南京理工大學;2014年

2 魯慶明;基于多分類支持向量機的人臉識別研究[D];武漢理工大學;2010年

，

本文編號：1509064