本文關(guān)鍵詞：多目標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、車牌以及交通標志等目標的檢測和識別,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。現(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]到基于多目標和聲搜索算法的圖像分割方法可以同時優(yōu)化多個目標,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。由于多目標和聲搜索算法的性能直接影響求解得到的聚類中心的準確性,從而影響分類結(jié)果,但是現(xiàn)有的多目標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,因此對于多目標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)多目標和聲搜索算法(SAMOHS)。該算法采用一種改進的調(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。為了解決多目標優(yōu)化問題,該算法采用非支配排序和截斷程序來更新和聲記憶庫,成功地保護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,分割結(jié)果不理想,提出了一種基于自適應(yīng)多目標和聲搜索優(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)化兩個目標函數(shù),并利用聚類有效性指標對多目標算法獲得的Pareto解集進行評價以選取最優(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航技術(shù)需要分割算法能夠自動地將交通圖像中的目標分割出來,提出了一種基于高斯變異的多目標和聲搜索優(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和聲搜索算法靈活地運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和模糊分離性指標,采用聚類有效性指標對多目標算法獲得的Pareto解集進行評價以選取最優(yōu)聚類中心,算法成功實現(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,能夠準確地將交通圖像中的目標從背景中分離出來。
【關(guān)鍵詞】：圖像分割 多目標優(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
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：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)多目標和聲搜索算法20-42
• 2.1 多目標優(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 和聲搜索算法運算過程22-24
• 2.3 SAMOHS算法24-30
• 2.3.1 SAMOHS算法運算過程24-26
• 2.3.2 新穎的參數(shù)自適應(yīng)機制26-29
• 2.3.3 更新和聲記憶庫29-30
• 2.4 數(shù)值實驗30-41
• 2.4.1 多目標優(yōu)化算法性能評價指標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 進化多目標聚類算法分析43-44
• 3.3 基于自適應(yīng)多目標和聲搜索優(yōu)化聚類的圖像分割算法44-47
• 3.3.1 SAMOHSFC算法運算過程44-45
• 3.3.2 初始化和聲記憶庫45-46
• 3.3.3 計算自適應(yīng)度值46-47
• 3.3.4 評估聚類有效性47
• 3.4 實驗結(jié)果與分析47-60
• 3.4.1 標準測試圖像實驗結(jié)果與分析47-55
• 3.4.2 交通圖像實驗結(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和聲搜索算法簡介61
• 4.2 基于高斯變異的多目標和聲搜索優(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算法運算過程68-70
• 4.3 實驗結(jié)果與分析70-76
• 4.3.1 實驗設(shè)計70-71
• 4.3.2 無噪聲的交通圖像實驗結(jié)果與分析71-75
• 4.3.3 有噪聲的交通圖像實驗結(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80-86
• 致謝86-87
• 附錄A 攻讀學位期間所發(fā)表的學術(shù)論文目錄87

，

本文編號：977862