【摘要】：近年來(lái),群智能優(yōu)化算法發(fā)展迅猛,出現(xiàn)了許多各具特色的優(yōu)秀算法,并在實(shí)際應(yīng)用中獲得很好的效果。圖像分析是實(shí)現(xiàn)機(jī)器視覺(jué)的基礎(chǔ),包含圖像增強(qiáng)、圖像融合、圖像識(shí)別、圖像跟蹤和圖像檢索等諸多技術(shù),在醫(yī)學(xué)、交通、軍事、航天等領(lǐng)域有很大的需求,特別是智能機(jī)器人、智慧醫(yī)療、智慧城市等諸多行業(yè)和領(lǐng)域的發(fā)展給圖像分析帶來(lái)諸多優(yōu)化問(wèn)題挑戰(zhàn),目前基于群智能優(yōu)化算法的圖像分析已成為一個(gè)重要的研究熱點(diǎn)。本課題針對(duì)圖像分析面臨的大量、復(fù)雜和多樣的圖像處理性能優(yōu)化的問(wèn)題,選取不同特點(diǎn)的群智能優(yōu)化算法進(jìn)行理論和應(yīng)用研究。在優(yōu)化算法研究方面,分別改進(jìn)群智能優(yōu)化算法的運(yùn)行機(jī)制和構(gòu)建適應(yīng)度函數(shù)等,力圖提高在圖像分析典型優(yōu)化問(wèn)題中的收斂性和收斂精度等性能;另一方面,嘗試引入其他機(jī)制,使算法具有更好的搜索性能和處理多樣性枯竭、移動(dòng)峰等問(wèn)題能力,取得滿意效果。在圖像分析研究方面,根據(jù)群智能優(yōu)化算法的不同特點(diǎn),通過(guò)理論分析和實(shí)驗(yàn)驗(yàn)證選取不同的優(yōu)化算法,針對(duì)性地解決圖像增強(qiáng)、圖像融合、圖像識(shí)別和圖像檢索處理過(guò)程中面臨的不同問(wèn)題,取得良好的效果。論文試圖較為系統(tǒng)地探索群智能優(yōu)化算法在圖像分析研究領(lǐng)域的更好應(yīng)用,主要研究?jī)?nèi)容包括以下五個(gè)方面。第一,針對(duì)圖像增強(qiáng)中對(duì)增加對(duì)比度、去噪、提高圖像質(zhì)量等問(wèn)題需求,融合全局信息和局部信息的圖像增強(qiáng)優(yōu)化模型,引入“教與學(xué)”算法(Teaching and Learning Based Optimization Algorithm,簡(jiǎn)稱(chēng)TLBO算法)進(jìn)行優(yōu)化研究。首先,為了解決圖像增強(qiáng)全局增強(qiáng)方法容易損失細(xì)節(jié)和局部增強(qiáng)方法容易加入噪聲的問(wèn)題,設(shè)計(jì)能夠準(zhǔn)確表征圖像質(zhì)量的適應(yīng)度函數(shù);同時(shí),針對(duì)TLBO算法自身處理復(fù)雜優(yōu)化問(wèn)題時(shí)仍存在容易陷入局部最優(yōu)和收斂精度不高等問(wèn)題,對(duì)TLBO算法進(jìn)行“教學(xué)”階段和“學(xué)習(xí)”階段改進(jìn)研究,從而更好的兼顧多樣性和收斂性,提高算法的整體性能。實(shí)驗(yàn)仿真結(jié)果表明該改進(jìn)算法對(duì)圖像增強(qiáng)的質(zhì)量有所改善。第二,針對(duì)基于粒子濾波人臉跟蹤的移動(dòng)峰優(yōu)化問(wèn)題、粒子退化和多樣性喪失等問(wèn)題,提出一種基于差分進(jìn)化粒子濾波的人臉跟蹤算法。通過(guò)引入小生境技術(shù)對(duì)差分進(jìn)化算法進(jìn)行改進(jìn),用其取代粒子濾波中的重采樣操作,實(shí)現(xiàn)在滿足把粒子推向高似然區(qū)的同時(shí),能夠保證粒子的多樣性要求,使其更加符合人臉跟蹤中人臉目標(biāo)非剛性且動(dòng)態(tài)運(yùn)動(dòng)的問(wèn)題。實(shí)驗(yàn)驗(yàn)證該方法具有良好的跟蹤精度和穩(wěn)定性。第三,針對(duì)基于梯度下降方法優(yōu)化NIN網(wǎng)絡(luò)圖像識(shí)別模型的非凸、高維、非線性目標(biāo)函數(shù)存在易陷入局部最優(yōu)和多樣性枯竭等問(wèn)題,提出了一種基于梯度下降方法的預(yù)訓(xùn)練和粒子群優(yōu)化算法的微調(diào)式相結(jié)合的NIN模型方法。第一階段使用梯度下降方法對(duì)NIN網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練,將得到解作為微調(diào)階段PSO算法初始種群的位置;第二階段采用PSO算法對(duì)模型進(jìn)行微調(diào)操作,利用算法調(diào)節(jié)參數(shù)少、收斂速度快、收斂精度高等特點(diǎn)來(lái)提高模型收斂性。實(shí)驗(yàn)驗(yàn)證該方法具有良好的圖像識(shí)別性能。第四,針對(duì)圖像融合需結(jié)果可視、易于后處理的要求,提出一種基于生物地理學(xué)優(yōu)化脈沖發(fā)放皮層(SCM)模型的多聚焦圖像融合方法。一方面,采用基于區(qū)域的兩步融合模式,第一步:通過(guò)計(jì)算和比較圖像的區(qū)域梯度值,確定清晰區(qū)域,完成初步融合;第二步:針對(duì)模糊區(qū)域采用脈沖發(fā)放皮層模型對(duì)圖像的差異區(qū)域進(jìn)行融合并相應(yīng)的提出了一種融合準(zhǔn)則,提高融合性能,獲得更好的融合效果。另一方面,針對(duì)脈沖發(fā)放皮層模型需要人工設(shè)置參數(shù),不利于智能化地獲得最優(yōu)解的問(wèn)題,將生物地理學(xué)優(yōu)化算法用于對(duì)SCM模型進(jìn)行參數(shù)優(yōu)化。實(shí)驗(yàn)仿真結(jié)果表明該算法能有效提升圖像融合質(zhì)量。第五,針對(duì)基于進(jìn)化算法的相關(guān)反饋圖像檢索方法無(wú)法很好地結(jié)合用戶偏好信息和設(shè)置參數(shù)過(guò)多的問(wèn)題,提出兩種面向不同評(píng)價(jià)指標(biāo)的基于教與學(xué)優(yōu)化的相關(guān)反饋圖像檢索算法。為提高圖像檢索查準(zhǔn)率,結(jié)合最近鄰分類(lèi)法,對(duì)教與學(xué)優(yōu)化算法的適應(yīng)度函數(shù)進(jìn)行改進(jìn),增強(qiáng)局部開(kāi)發(fā)能力,提出面向提升查準(zhǔn)率的TLBO-RF-P算法;為提高圖像檢索查全率,引入空間探索能力較強(qiáng)的PSO算法,對(duì)TLBO算法的教階段和學(xué)階段分別進(jìn)行改進(jìn),提高全局探索能力,提出面向提升查全率的TLBO-RF-R算法。實(shí)驗(yàn)表明,兩種方法都能更好地結(jié)合用戶偏好信息提高圖像檢索性能。
【圖文】：

感興趣的目標(biāo)區(qū)域，而抑制不感興趣的背景區(qū)域，通常利用分段線性變換來(lái)對(duì)圖像進(jìn)行處理。假定原始圖像的灰度范圍為[0, M]，感興趣的范圍為[a, b]，為了對(duì)感興趣區(qū)間的信息進(jìn)行增強(qiáng)，而其他區(qū)間的信息進(jìn)行抑制，采用如圖2.2所示的方式，其表達(dá)式如式(2-3)所示。( , ), 0 ( , )( , ) [ ( , ) ] 0 ( , )[ ( , ) ] ( , )cf x y f x y aad cg x y f x y a c, f x y bb ae df x y b d, b f x y MM b (2-3)圖 2.2 分段線性變換Fig.2.2 Piecewise linear transformation從圖 2.2 可以看出，分段線性變換對(duì)灰度區(qū)間[a, b]進(jìn)行了擴(kuò)展，對(duì)區(qū)間[0, a]和[b, M]進(jìn)行了壓縮。分段線性變換的思想是，通過(guò)調(diào)整折線拐點(diǎn)的位置和分段區(qū)域直線的斜率，從而實(shí)現(xiàn)對(duì)任一區(qū)間的灰度值擴(kuò)展或灰度壓縮。經(jīng)過(guò)分段線性變換得到增強(qiáng)處理前后的效果如圖 2.3 所示。

TLBO算法的流程圖
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 姚遠(yuǎn);楊旭東;;溫度對(duì)化學(xué)平衡影響的圖像分析[J];中學(xué)化學(xué)教學(xué)參考;2016年22期

2 ;2016年圖像分析分會(huì)年會(huì)在西北工業(yè)大學(xué)召開(kāi)[J];中國(guó)體視學(xué)與圖像分析;2016年04期

3 劉銘;曾靜萍;劉佩利;;智能交通應(yīng)在智慧城市扮演急先鋒角色[J];市場(chǎng)觀察;2016年11期

4 房艷萍;劉逸云;唐輝;錢(qián)琳媛;;基于圖像分析的水果成熟度檢測(cè)[J];飲食科學(xué);2017年06期

5 李軍;;《可視的藝術(shù)史:從教堂到博物館》[J];收藏與投資;2016年06期

6 陳躍,楊建茹;醫(yī)學(xué)圖像分析實(shí)驗(yàn)教學(xué)改革的研究與實(shí)踐[J];醫(yī)學(xué)教育;2004年03期

7 蔣家康,李紹剛;核仁組成區(qū)圖像分析參數(shù)選擇及其應(yīng)用價(jià)值[J];臨床與實(shí)驗(yàn)病理學(xué)雜志;2001年03期

8 劉榮勛,史曉東,吳祥芝,徐靜年;變形物體像的三維再現(xiàn)[J];北京化工學(xué)院學(xué)報(bào)(自然科學(xué)版);1988年03期

9 植起漢;《多源地學(xué)數(shù)據(jù)微機(jī)圖像分析》培訓(xùn)班在桂林舉行[J];礦產(chǎn)與地質(zhì);1989年03期

10 張德強(qiáng);董英杰;白瑞祥;李東偉;宋明鋒;;中度鹵水提溴生產(chǎn)實(shí)現(xiàn)自動(dòng)化[J];中國(guó)鹽業(yè);2014年18期

相關(guān)會(huì)議論文 前10條

1 劉國(guó)權(quán);;體視學(xué)與圖像分析基本原理及若干應(yīng)用問(wèn)題之討論[A];第九屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2001年

2 羅永剛;;醫(yī)學(xué)圖像分析的未來(lái)趨勢(shì)[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（二）[C];2005年

3 Roscoe Atkinson;;法醫(yī)學(xué)與病理學(xué)中圖像分析及病理信息學(xué)的潛能[A];法庭科學(xué)最新技術(shù)研討培訓(xùn)班專(zhuān)家講課提綱[C];2006年

4 王曉民;胡文華;;生物醫(yī)學(xué)圖像分析視頻采集設(shè)備的發(fā)展概況[A];第九屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2001年

5 金帆;夏愛(ài)國(guó);楊帥;金震宇;黃亞佳;;基于圖像分析的自適應(yīng)顯微表征技術(shù)[A];中國(guó)化學(xué)會(huì)2017全國(guó)高分子學(xué)術(shù)論文報(bào)告會(huì)摘要集——主題D：高分子物理化學(xué)[C];2017年

6 李l勆，

本文編號(hào)：2698990