【摘要】：智能優(yōu)化算法是對自然界智慧的一種模仿,該算法在智能性和健壯性方面表現(xiàn)良好,并且具有較好的并行性,全局搜索能力較強,自適應(yīng)能力良好,智能優(yōu)化算法因其以上優(yōu)點,引起廣泛關(guān)注�；旌贤芴惴�(SFLA)是一種較新的智能優(yōu)化算法,該算法結(jié)合了粒子群優(yōu)化算法的全局搜索和模因算法的局部啟發(fā)式搜索這兩者的優(yōu)點,在進化過程中先進行局部精確搜索,再利用子種群個體間的信息共享進行全局搜索,兩者相互結(jié)合直至找出全局最優(yōu)解。SFLA結(jié)構(gòu)較為簡單,比較容易實現(xiàn),控制參數(shù)較少,在全局搜索能力方面表現(xiàn)較佳。但該算法也存在計算復(fù)雜度高、優(yōu)化效率不理想等問題。為了有效提高SFLA的性能,本文通過對其算法進行研究分析,提出了兩種改進方案,并將改進的算法用于多閾值圖像分割中。主要研究內(nèi)容如下:(1)對于SFLA子種群內(nèi)的復(fù)雜更新步驟進行深入分析,提出了一種基于差分進化策略的混合蛙跳算法。該算法摒棄了原算法中在子種群內(nèi)每次只更新適應(yīng)度值最差的青蛙這種方法,改為每次在子種群內(nèi)更新所有青蛙;在進行子種群內(nèi)更新時,采用一種基于差分進化策略的混合擾動更新方法代替原來SFLA中需要經(jīng)過復(fù)雜的條件選擇的方法,并將榜樣學(xué)習(xí)法引入其中,提高算法的優(yōu)化性能。此外,新的算法去掉了原算法中的隨機更新方式。實驗結(jié)果表明,改進算法可以提高整體的優(yōu)化性能。(2)針對原始SFLA個體之間共享性差的缺點,將生物地理學(xué)算法中共享性較強的遷移算子嵌入到SFLA中,形成一種基于生物地理學(xué)學(xué)習(xí)的高效SFLA算法。新的改進還包括將差分變異策略和榜樣學(xué)習(xí)法融入其中。實驗結(jié)果表明,該改進提高了SFLA的優(yōu)化性能。(3)基于對以上混合算法的分析,將其應(yīng)用于解決最大Renyi熵以及最大類間方差多閾值圖像分割中存在的閾值向量選擇不準(zhǔn)確、分割速度慢等問題,提出兩種新型的多閾值圖像分割算法。通過實驗所得結(jié)果可以表明,新提出的方法能夠準(zhǔn)確地找到圖像分割的最優(yōu)閾值組合,并且速度較快,所進行的分割行之有效。
【學(xué)位授予單位】：河南師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP18;TP391.41
【圖文】：

將所有子種群內(nèi)的青蛙混合，進行全局信息交流，結(jié)合實若干個子種群，如此反復(fù)循環(huán)一直到滿足最終條件。蛙群體尋找最優(yōu)食物源的過程中，池塘作為青蛙所在的生間，池塘中的青蛙群體相當(dāng)于該解空間中的解集合，每一中的一個候選解，對每只青蛙的初始位置進行確定，即為青蛙的初始位置都可以看作是評價個體好壞的一個適應(yīng)度躍距離看成是青蛙個體的搜索步長，搜索步長具有一定的群內(nèi)的青蛙進化改善了整個青蛙種群中個體(相當(dāng)于解空體向最優(yōu)食物源(相當(dāng)于目標(biāo)解)進化的趨勢。在每個子種所攜帶的信息，因此，群體中最好的青蛙在整個進化中做向其靠攏，并最終到達最優(yōu)食物源的位置。

5：退出 Step 4 的局部搜索步驟，混合子種群中的所有青蛙，，并再次按照適應(yīng)度值的優(yōu)劣進行排序，并記錄排序第一的青完成種群的一次全局搜索更新；6：判斷算法是否滿足終止條件，若滿足條件則輸出最優(yōu)青蛙退出循環(huán)；否則進行種群下一代更新，跳轉(zhuǎn)至 Step 3。上面所述步驟，SFLA 總流程如圖 2-2 所示。

LA 在基于 Renyi 熵的多閾值圖像分割時，的 Renyi 熵值，展現(xiàn)了較好的優(yōu)化能力，所有情況下，ISFLA 獲得的結(jié)果都是最優(yōu)的，ISFLA 的穩(wěn)定性是 3 種算法中最強的。 的成功率總是最高的，包括在一些情況下相對來說，SFLA 獲得的結(jié)果優(yōu)于 LSFLA然 LSFLA 在基準(zhǔn)函數(shù)的測試中展現(xiàn)出較圖像分割時性能不佳，不適宜處理離散的像 (b) R 直方圖 (c) G 直方圖 (

【相似文獻】

相關(guān)期刊論文 前10條

1 黃玲;石玉秋;覃永新;;基于小波融合的蘋果圖像分割的研究[J];科技視界;2018年29期

2 丁翠;;基于模糊信息處理的圖像分割方法研究[J];信息系統(tǒng)工程;2017年11期

3 王平;魏征;崔衛(wèi)紅;林志勇;;一種基于統(tǒng)計學(xué)習(xí)理論的最小生成樹圖像分割準(zhǔn)則[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2017年07期

4 李然;李記鵬;宋超;;基于顯著性檢測的協(xié)同圖像分割研究[J];現(xiàn)代計算機(專業(yè)版);2017年24期

5 鄧惠俊;;一種基于數(shù)據(jù)場的圖像分割方法與研究[J];長春工程學(xué)院學(xué)報(自然科學(xué)版);2016年02期

6 李繼云;冀卿偉;;基于自適應(yīng)局部閾值的交互式圖像分割[J];計算機應(yīng)用與軟件;2014年11期

7 劉印;;對圖像分割方法的認識及新進展研究[J];數(shù)碼世界;2018年08期

8 楊成佳;;唇紋識別圖像分割系統(tǒng)的研究[J];山西青年;2017年11期

9 韓白靜;劉歡;;淺談基于閾值的圖像分割方法[J];科學(xué)家;2017年02期

10 寇毛蕊;;醫(yī)學(xué)圖像分析系統(tǒng)設(shè)計[J];數(shù)碼世界;2017年09期

相關(guān)會議論文 前10條

1 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

2 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會影像技術(shù)分會第十七次全國學(xué)術(shù)大會論文集[C];2009年

3 朱士蓉;謝昭;高雋;;一種圖模型下的柔性圖像分割方法[A];中國儀器儀表學(xué)會第十二屆青年學(xué)術(shù)會議論文集[C];2010年

4 朱松豪;劉佳偉;羅青青;胡榮林;;基于關(guān)聯(lián)模型的圖像分割[A];第26屆中國控制與決策會議論文集[C];2014年

5 張志會;王華英;熊南燕;廖薇;成惠;劉飛飛;;對基于圖像分割與合并的相位展開算法的改進[A];第十屆全國光電技術(shù)學(xué)術(shù)交流會論文集[C];2012年

6 楊加文;謝鳳英;;基于深度學(xué)習(xí)的皮膚鏡圖像分割[A];第十五屆中國體視學(xué)與圖像分析學(xué)術(shù)會議論文集[C];2017年

7 郭世可;董槐林;龍飛;張海波;;一種結(jié)合密度聚類和區(qū)域生長的圖像分割方法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2007年

8 劉智勇;李進;黃道君;;基于遺傳算法的視頻交通量檢測圖像分割方法[A];中國體視學(xué)學(xué)會圖像分析專業(yè)、中國體視學(xué)學(xué)會仿真與虛擬現(xiàn)實專業(yè)、中國航空學(xué)會信號與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會議論文集[C];2000年

9 張萍;單筱攸;巴成賀;;主動脈圖像分割的研究與實現(xiàn)[A];第十二屆中國體視學(xué)與圖像分析學(xué)術(shù)會議論文集[C];2008年

10 趙建業(yè);余道衡;;一種基于模糊細胞神經(jīng)網(wǎng)絡(luò)的多值圖像分割新方法[A];中國體視學(xué)學(xué)會圖像分析專業(yè)、中國體視學(xué)學(xué)會仿真與虛擬現(xiàn)實專業(yè)、中國航空學(xué)會信號與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會議論文集[C];2000年

相關(guān)博士學(xué)位論文 前10條

1 古晶;基于稀疏特征學(xué)習(xí)的SAR圖像分割與半監(jiān)督分類方法研究[D];西安電子科技大學(xué);2016年

2 段一平;基于層次視覺計算和統(tǒng)計模型的SAR圖像分割與理解[D];西安電子科技大學(xué);2017年

3 王森;非受限場景裂紋圖像分割方法研究[D];昆明理工大學(xué);2017年

4 王濤;特征度量與信息傳遞的交互式圖論分割方法研究[D];南京理工大學(xué);2017年

5 戴令正;自然圖像分割的若干算法研究[D];南京理工大學(xué);2017年

6 李鋼;偏微分方程與變分技術(shù)在圖像分割中的應(yīng)用研究[D];太原理工大學(xué);2018年

7 鐘麗;帶約束的圖像分割方法研究及應(yīng)用[D];山東大學(xué);2018年

8 辛月蘭;基于圖割的圖像分割方法研究[D];陜西師范大學(xué);2018年

9 裴繼紅;基于模糊信息處理的圖像分割方法研究[D];西安電子科技大學(xué);1998年

10 葛宏立;面向類的圖像分割方法研究[D];北京林業(yè)大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 武永娟;改進模糊C均值聚類圖像分割算法研究[D];西北師范大學(xué);2018年

2 李娟;基于CV模型的圖像分割方法研究[D];西北師范大學(xué);2018年

3 王琦理;基于圖像處理的公路滑坡規(guī)模自動提取方法研究[D];長安大學(xué);2018年

4 林益賢;結(jié)合超像素力和生成式方法的活動輪廓圖像分割方法[D];湖南師范大學(xué);2018年

5 彭智東;融合最小生成樹圖割的圖像分割方法[D];廣西民族大學(xué);2018年

6 錢金磊;自然光照下田間綠色植物圖像分割方法的研究[D];內(nèi)蒙古大學(xué);2018年

7 孫天煒;超聲圖像多目標(biāo)語義分割方法研究[D];哈爾濱工業(yè)大學(xué);2018年

8 吳少策;基于視覺顯著性的商標(biāo)識別[D];河北大學(xué);2018年

9 陳緒超;高密度柔性基板視覺檢測中的圖像分割與圓孔檢測技術(shù)研究[D];華南理工大學(xué);2018年

10 劉陽洋;基于卷積神經(jīng)網(wǎng)絡(luò)的舌苔圖像分割與病理分析算法研究[D];內(nèi)蒙古大學(xué);2018年

本文編號：2769980