本文關(guān)鍵詞：多目標(biāo)和聲搜索算法及其在交通圖像分割中的應(yīng)用

  更多相關(guān)文章： 圖像分割 多目標(biāo)優(yōu)化 和聲搜索算法 自適應(yīng)參數(shù)設(shè)置 高斯變異 模糊聚類

【摘要】：在智能交通領(lǐng)域,交通場景圖像分割結(jié)果的好壞直接地影響道路、車輛、車牌以及交通標(biāo)志等目標(biāo)的檢測和識別,因此研究適用于交通圖像的分割算法具有十分重要的意義�，F(xiàn)有交通圖像分割方法大多考慮因素單一,而交通圖像的內(nèi)容又復(fù)雜多樣,因而這些分割算法得到的分割結(jié)果并不理想�？紤]到基于多目標(biāo)和聲搜索算法的圖像分割方法可以同時優(yōu)化多個目標(biāo),算法分割結(jié)果更好,適用范圍更廣,因此將其應(yīng)用于交通圖像分割是一個很好的選擇。由于多目標(biāo)和聲搜索算法的性能直接影響求解得到的聚類中心的準(zhǔn)確性,從而影響分類結(jié)果,但是現(xiàn)有的多目標(biāo)和聲搜索算法還存在參數(shù)難于設(shè)置和算法收斂性差等缺點(diǎn),因此對于多目標(biāo)和聲搜索算法的研究也具有十分重要的意義。主要的研究內(nèi)容有如下三個方面：針對和聲搜索算法存在需要根據(jù)經(jīng)驗(yàn)和問題的具體特性來設(shè)置參數(shù)的難題,提出了一種基于和聲記憶庫方差的自適應(yīng)多目標(biāo)和聲搜索算法(SAMOHS)。該算法采用一種改進(jìn)的調(diào)節(jié)頻寬,同時針對算法中的關(guān)鍵參數(shù)和聲記憶庫候選概率和基音調(diào)整概率提出了一種基于和聲記憶庫方差變化的參數(shù)自適應(yīng)機(jī)制,不僅解決了參數(shù)設(shè)置的困擾,而且能夠使算法在全局搜索和局部搜索之間保持一個較好的平衡,從而提高了算法的全局和局部搜索能力。為了解決多目標(biāo)優(yōu)化問題,該算法采用非支配排序和截?cái)喑绦騺砀潞吐曈洃泿?成功地保護(hù)了算法搜索過程找到的非支配解以及解的多樣性。針對常規(guī)的模糊聚類分割算法通常只考慮單個指標(biāo),分割結(jié)果不理想,提出了一種基于自適應(yīng)多目標(biāo)和聲搜索優(yōu)化聚類的圖像分割算法。該算法把SAMOHS算法與模糊聚類分割技術(shù)結(jié)合在一起,將聚類中心編碼到和聲向量中,同時優(yōu)化兩個目標(biāo)函數(shù),并利用聚類有效性指標(biāo)對多目標(biāo)算法獲得的Pareto解集進(jìn)行評價以選取最優(yōu)聚類中心,從而得到分割結(jié)果,算法得到的分割結(jié)果明顯優(yōu)于傳統(tǒng)的聚類分割算法,并且算法具有較好穩(wěn)定性和良好的抗噪能力。針對智能交通中基于視覺的智能車導(dǎo)航技術(shù)需要分割算法能夠自動地將交通圖像中的目標(biāo)分割出來,提出了一種基于高斯變異的多目標(biāo)和聲搜索優(yōu)化聚類的交通圖像分割算法。該算法將一種新穎的基于高斯變異的多目標(biāo)和聲搜索算法靈活地運(yùn)用于模糊聚類分割方法中,并且融入動態(tài)聚類的分割策略,算法同時優(yōu)化全局模糊緊湊性指標(biāo)和模糊分離性指標(biāo),采用聚類有效性指標(biāo)對多目標(biāo)算法獲得的Pareto解集進(jìn)行評價以選取最優(yōu)聚類中心,算法成功實(shí)現(xiàn)了在只給定分割圖像的最小和最大聚類數(shù)目的情況下求解到了最佳聚類數(shù)目,能夠準(zhǔn)確地將交通圖像中的目標(biāo)從背景中分離出來。
【關(guān)鍵詞】：圖像分割 多目標(biāo)優(yōu)化 和聲搜索算法 自適應(yīng)參數(shù)設(shè)置 高斯變異 模糊聚類
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U495;TP391.41
【目錄】：

• 摘要5-7
• Abstract7-14
• 第1章 緒論14-20
• 1.1 研究背景及意義14-15
• 1.2 多目標(biāo)和聲搜索算法的研究現(xiàn)狀15-17
• 1.3 智能交通領(lǐng)域圖像分割研究現(xiàn)狀17-18
• 1.4 本文的主要內(nèi)容及章節(jié)安排18-20
• 第2章 基于和聲記憶庫方差的自適應(yīng)多目標(biāo)和聲搜索算法20-42
• 2.1 多目標(biāo)優(yōu)化的基本概念20-21
• 2.2 和聲搜索算法概述21-24
• 2.2.1 和聲搜索算法的原理21-22
• 2.2.2 和聲搜索算法運(yùn)算過程22-24
• 2.3 SAMOHS算法24-30
• 2.3.1 SAMOHS算法運(yùn)算過程24-26
• 2.3.2 新穎的參數(shù)自適應(yīng)機(jī)制26-29
• 2.3.3 更新和聲記憶庫29-30
• 2.4 數(shù)值實(shí)驗(yàn)30-41
• 2.4.1 多目標(biāo)優(yōu)化算法性能評價指標(biāo)30-31
• 2.4.2 SAMOHS與其它MOEAs的比較31-36
• 2.4.3 SAMOHS與其它多目標(biāo)和聲搜索算法的比較36-39
• 2.4.4 參數(shù)HMS對SAMOHS算法性能的影響39-41
• 2.5 本章小結(jié)41-42
• 第3章 SAMOHS算法在圖像分割中的應(yīng)用42-61
• 3.1 圖像分割的基本概念42-43
• 3.2 進(jìn)化多目標(biāo)聚類算法分析43-44
• 3.3 基于自適應(yīng)多目標(biāo)和聲搜索優(yōu)化聚類的圖像分割算法44-47
• 3.3.1 SAMOHSFC算法運(yùn)算過程44-45
• 3.3.2 初始化和聲記憶庫45-46
• 3.3.3 計(jì)算自適應(yīng)度值46-47
• 3.3.4 評估聚類有效性47
• 3.4 實(shí)驗(yàn)結(jié)果與分析47-60
• 3.4.1 標(biāo)準(zhǔn)測試圖像實(shí)驗(yàn)結(jié)果與分析47-55
• 3.4.2 交通圖像實(shí)驗(yàn)結(jié)果與分析55-60
• 3.5 本章小結(jié)60-61
• 第4章 基于高斯變異的多目標(biāo)和聲搜索優(yōu)化聚類的交通圖像分割算法61-77
• 4.1 新穎的基于高斯變異的多目標(biāo)和聲搜索算法簡介61
• 4.2 基于高斯變異的多目標(biāo)和聲搜索優(yōu)化聚類的交通圖像分割算法61-70
• 4.2.1 初始化和聲記憶庫62
• 4.2.2 產(chǎn)生一個新的和聲向量62-67
• 4.2.3 計(jì)算自適應(yīng)度值67-68
• 4.2.4 更新和聲記憶庫68
• 4.2.5 GMHSFC算法運(yùn)算過程68-70
• 4.3 實(shí)驗(yàn)結(jié)果與分析70-76
• 4.3.1 實(shí)驗(yàn)設(shè)計(jì)70-71
• 4.3.2 無噪聲的交通圖像實(shí)驗(yàn)結(jié)果與分析71-75
• 4.3.3 有噪聲的交通圖像實(shí)驗(yàn)結(jié)果與分析75-76
• 4.4 本章小結(jié)76-77
• 第5章 總結(jié)與展望77-80
• 5.1 總結(jié)77-78
• 5.2 展望78-80
• 參考文獻(xiàn)80-86
• 致謝86-87
• 附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄87

，

本文編號：977862