本文關(guān)鍵詞：基于人工蜂群算法的工程圖紙圖像閾值分割方法研究

  更多相關(guān)文章： 閾值分割 遺傳機制 Tent映射 量子思想 蜂群算法 工程圖紙圖像

【摘要】：圖像分割是計算機視覺領(lǐng)域的一個核心問題,尤其在圖像處理、分析和理解等領(lǐng)域是一項關(guān)鍵技術(shù)。圖像分割是把圖像分解成各具特性的區(qū)域并提取出感興趣目標的技術(shù)和過程,是從圖像處理到圖像分析的一個關(guān)鍵步驟,在圖像工程中占有非常重要的位置,分割結(jié)果的好壞將直接影響到視覺系統(tǒng)的性能。在工程領(lǐng)域,工程圖紙每年數(shù)以萬計地增加,將這些工程圖紙掃描輸入計算機后利用圖像閾值分割技術(shù)將目標和背景進行有效分割,再以矢量化的形式存儲在計算機或針對圖紙圖像的再利用。這種存儲和應(yīng)用方式在工程應(yīng)用中對于提高業(yè)務(wù)人員的管理水平和提升技術(shù)人員圖紙設(shè)計的效率具有積極的意義。解決該問題的核心是針對不同類型工程圖紙圖像如何獲取合理閾值,本文以遞進關(guān)系對人工蜂群算法進行改進,以這類圖像的二維直線交叉熵為適應(yīng)度函數(shù),分別就不同類型工程圖紙圖像的閾值分割問題進行研究。首先,闡述標準圖庫和非標準含噪聲工程圖紙圖像應(yīng)用人工蜂群算法以一維信息熵為適應(yīng)度函數(shù)對圖像中目標和背景進行有效分離,結(jié)合分割的結(jié)果總結(jié)出以圖像一維統(tǒng)計信息為適應(yīng)度函數(shù)的局限性和算法的改進方向。其次,針對含噪工程圖紙圖像的特點,提出一種遺傳機制的二進制蜂群算法,該算法為二進制形式編碼,圖像的二維直線交叉熵為適應(yīng)度函數(shù),以人工蜂群算法的更新策略為基礎(chǔ),提出各蜜源“去同存異”的更新策略,此操作類似于遺傳機制的交叉操作,而調(diào)整策略采用類似于遺傳機制的變異操作。結(jié)合遺傳算法的理論驗證思路證明該改進算法是收斂的,將該改進算法應(yīng)用到測試函數(shù)的函數(shù)庫中,通過不同類型函數(shù)仿真驗證該算法具有良好的收斂性。并進一步將該算法推廣到含噪工程圖紙圖像中,結(jié)合算法之間的比較從實際應(yīng)用的角度驗證該算法應(yīng)用到圖像閾值分割中是有效的。再次,針對低信噪比含噪工程圖紙圖像這類特殊的圖紙圖像,分析遺傳機制二進制蜂群算法中二進制編碼在應(yīng)用過程中涉及到二進制到十進制的轉(zhuǎn)換,而算法的更新和調(diào)整策略應(yīng)用時編碼重新轉(zhuǎn)換為二進制的特點。同時,人工蜂群算法更新策略中存在隨機因素,導(dǎo)致算法的更新進程既可能朝較優(yōu)解方向發(fā)展,也可能朝著退化方向發(fā)展。結(jié)合算法的這些特點,提出基于Tent映射的改進蜂群算法和量子思想的改進蜂群算法。基于Tent映射的改進蜂群算法是將編碼通過混沌理論中Tent映射轉(zhuǎn)換到定義域區(qū)間中,更新策略采用固定方向更新模式,而調(diào)整策略利用1與[0,1]之間的數(shù)作差依然是[0,1]范圍內(nèi)數(shù)的互補特性對局部優(yōu)解進行調(diào)整,從而增加個體的多樣性,利用隨機過程和Markov鏈的相關(guān)理論證明該改進算法是概率1收斂。而提出的量子思想改進蜂群算法是以量子思想概率幅正弦分量的平方為編碼映射到定義域區(qū)間中,更新策略通過按照固定的方向調(diào)整相位角來更新量子比特概率幅,最終使蜂群算法中引領(lǐng)蜂向著當前最優(yōu)蜜源的方向移動;調(diào)整策略借鑒量子運算中非門操作將個體的正弦和余弦分量互換,使跟隨蜂的蜜源進行互補更新,亦通過齊次Markov鏈的相關(guān)性質(zhì)說明該算法是概率1收斂的。針對上述兩種算法首先通過測試函數(shù)驗證其良好地“跳出”局部優(yōu)解的能力。然后將該算法應(yīng)用到標準圖庫中圖像和低信噪比含噪工程圖紙圖像,通過算法比較和數(shù)據(jù)分析驗證,這兩類改進蜂群算法應(yīng)用到圖像閾值分割中的效果是明顯的。最后對分割后圖像進行二次均值平滑處理,大大提升了閾值分割后的圖像質(zhì)量。最后,針對大圖幅含噪工程圖紙圖像,由于計算機軟硬件條件的限制,無法對這類圖像進行直接讀取。因此,將大圖幅的含噪工程圖紙圖像分成若干小區(qū)域,在每個區(qū)域內(nèi)分別采用基于局部閾值的遺傳機制二進制蜂群算法,基于Tent映射的改進蜂群算法和量子思想的改進蜂群算法,并以二維直線交叉熵為適應(yīng)度函數(shù),分別獲得每個區(qū)域內(nèi)的局部閾值,進行閾值分割后再重新拼接成整幅圖像。通過分析上述三種局部閾值改進蜂群算法的響應(yīng)曲線和性能指標,并從實際數(shù)據(jù)論證算法將大圖幅含噪工程圖紙圖像的目標和背景分離開來是卓有成效的。
【關(guān)鍵詞】：閾值分割 遺傳機制 Tent映射 量子思想 蜂群算法 工程圖紙圖像
【學位授予單位】：東北石油大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-9
• 創(chuàng)新點摘要9-13
• 第一章 緒論13-21
• 1.1 課題研究背景及意義13-15
• 1.2 國內(nèi)外研究現(xiàn)狀15-18
• 1.2.1 群體智能算法及圖像閾值分割研究現(xiàn)狀16-17
• 1.2.2 人工蜂群算法及圖像閾值分割研究現(xiàn)狀17-18
• 1.3 論文主要研究內(nèi)容及結(jié)構(gòu)安排18-21
• 1.3.1 主要研究內(nèi)容18-20
• 1.3.2 論文結(jié)構(gòu)安排20-21
• 第二章 人工蜂群算法的圖像閾值分割21-36
• 2.1 引言21-22
• 2.2 基于蜜蜂采蜜行為的人工蜂群算法22-25
• 2.2.1 蜜蜂采蜜機理22-23
• 2.2.2 人工蜂群算法23-25
• 2.3 圖像閾值分割原理25-27
• 2.4 信息熵27-28
• 2.5 人工蜂群算法的圖像閾值分割28-30
• 2.6 分割結(jié)果及其分析30-35
• 2.7 本章小結(jié)35-36
• 第三章 遺傳機制二進制蜂群算法對含噪工程圖紙圖像的閾值分割36-57
• 3.1 引言36-37
• 3.2 遺傳機制的二進制蜂群算法37-41
• 3.2.1 人工蜂群算法37
• 3.2.2 遺傳機制的二進制蜂群算法37-39
• 3.2.3 算法的收斂性證明39-41
• 3.3 遺傳機制二進制蜂群算法的函數(shù)優(yōu)化41-43
• 3.3.1 測試函數(shù)41-42
• 3.3.2 函數(shù)優(yōu)化仿真驗證42-43
• 3.4 遺傳機制二進制蜂群算法的圖像閾值分割43-47
• 3.4.1 適應(yīng)度函數(shù)的選取43-46
• 3.4.2 算法流程46-47
• 3.4.3 算法時間復(fù)雜度分析47
• 3.5 工程圖紙圖像閾值分割及算法比較分析47-56
• 3.5.1 標準圖像的單閾值分割47-50
• 3.5.2 含噪非標準工程圖紙圖像的單閾值分割50-52
• 3.5.3 單閾值分割的算法性能比較52
• 3.5.4 標準圖像的雙閾值分割52-54
• 3.5.5 含噪非標準工程圖紙圖像的雙閾值分割54-55
• 3.5.6 分割結(jié)果分析55-56
• 3.6 本章小結(jié)56-57
• 第四章 改進蜂群算法對低信噪比含噪工程圖紙圖像閾值分割57-94
• 4.1 引言57-58
• 4.2 Tent映射的改進人工蜂群(IABCTM)算法58-63
• 4.2.1 Tent映射58-59
• 4.2.2 Tent映射的改進人工蜂群(IABCTM)算法59-61
• 4.2.3 IABCTM算法的收斂性證明和時間復(fù)雜度分析61-63
• 4.3 IABCTM算法的函數(shù)優(yōu)化63-65
• 4.4 IABCTM算法在圖像閾值分割中的應(yīng)用65-66
• 4.5 圖像閾值分割及算法分析驗證66-72
• 4.5.1 標準圖像單閾值分割66-69
• 4.5.2 含噪非標準工程圖紙圖像單閾值分割69-71
• 4.5.3 單閾值分割的算法性能比較和分析71-72
• 4.6 IABCTM算法對低信噪比含噪工程圖紙圖像的閾值分割72-75
• 4.7 量子思想的改進人工蜂群(IABCQ)算法75-79
• 4.7.1 新的蜜源初始化方式75
• 4.7.2 新的引領(lǐng)蜂蜜源位置更新策略75-76
• 4.7.3 新的跟隨蜂蜜源更新策略76-77
• 4.7.4 偵查蜂隨機行為77
• 4.7.5 量子思想改進蜂群(IABCQ)算法的步驟77-78
• 4.7.6 量子思想改進蜂群算法的收斂性證明和時間復(fù)雜度分析78-79
• 4.8 IABCQ算法的函數(shù)優(yōu)化79-80
• 4.9 量子思想改進蜂群(IABCQ)算法的圖像閾值分割80-82
• 4.10 工程圖紙圖像閾值分割及算法比較分析82-88
• 4.10.1 標準圖庫中的圖像單閾值分割82-85
• 4.10.2 含噪聲非標準工程圖紙圖像單閾值分割85-87
• 4.10.3 單閾值分割的算法性能驗證87-88
• 4.11 IABCQ算法對低信噪比含噪工程圖紙圖像的閾值分割88-89
• 4.12 圖像閾值分割后去噪方法89-93
• 4.12.1 二次均值平滑去噪處理89-92
• 4.12.2 PSNR量化驗證92-93
• 4.13 本章小結(jié)93-94
• 第五章 基于局部閾值改進蜂群算法對大圖幅含噪工程圖紙圖像的多閾值分割94-115
• 5.1 引言94
• 5.2 大圖幅圖像的特點94-95
• 5.3 局部閾值改進蜂群算法對大圖幅含噪工程圖紙圖像閾值分割95-114
• 5.3.1 局部閾值遺傳機制蜂群算法對大圖幅含噪工程圖紙圖像閾值分割102-104
• 5.3.2 局部閾值IABCTM算法對大圖幅含噪工程圖紙圖像閾值分割104-109
• 5.3.3 局部閾值IABCQ算法那對大圖幅含噪工程圖紙圖像閾值分割109-113
• 5.3.4 基于局部閾值改進蜂群算法的性能比較113-114
• 5.4 本章小結(jié)114-115
• 結(jié)論115-117
• 參考文獻117-125
• 攻讀博士期間所參加的科研及發(fā)表論文125-129
• 致謝129-130

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 唐英干;黃娜;關(guān)新平;;基于二維Fisher線性鑒別分析和粒子群優(yōu)化的紅外圖像分割(英文)[J];電子器件;2009年01期

2 鄧廷權(quán);盛春冬;;結(jié)合變精度粗糙熵和遺傳算法的圖像閾值分割方法[J];控制與決策;2011年07期

3 陳一民;姚杰;;單幅圖像多尺度小波深度提取算法[J];計算機輔助設(shè)計與圖形學學報;2014年11期

4 許涌,萬國龍;海量圖像數(shù)據(jù)快速顯示技術(shù)[J];計算機工程與設(shè)計;2003年06期

5 ;Global Convergence Analysis of Non-Crossover Genetic Algorithm and Its Application to Optimization[J];Journal of Systems Engineering and Electronics;2002年02期

，

本文編號：829658