【摘要】：近年來,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,并在實際應用中獲得很好的效果。圖像分析是實現(xiàn)機器視覺的基礎,包含圖像增強、圖像融合、圖像識別、圖像跟蹤和圖像檢索等諸多技術,在醫(yī)學、交通、軍事、航天等領域有很大的需求,特別是智能機器人、智慧醫(yī)療、智慧城市等諸多行業(yè)和領域的發(fā)展給圖像分析帶來諸多優(yōu)化問題挑戰(zhàn),目前基于群智能優(yōu)化算法的圖像分析已成為一個重要的研究熱點。本課題針對圖像分析面臨的大量、復雜和多樣的圖像處理性能優(yōu)化的問題,選取不同特點的群智能優(yōu)化算法進行理論和應用研究。在優(yōu)化算法研究方面,分別改進群智能優(yōu)化算法的運行機制和構建適應度函數(shù)等,力圖提高在圖像分析典型優(yōu)化問題中的收斂性和收斂精度等性能;另一方面,嘗試引入其他機制,使算法具有更好的搜索性能和處理多樣性枯竭、移動峰等問題能力,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,通過理論分析和實驗驗證選取不同的優(yōu)化算法,針對性地解決圖像增強、圖像融合、圖像識別和圖像檢索處理過程中面臨的不同問題,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域的更好應用,主要研究內容包括以下五個方面。第一,針對圖像增強中對增加對比度、去噪、提高圖像質量等問題需求,融合全局信息和局部信息的圖像增強優(yōu)化模型,引入“教與學”算法(Teaching and Learning Based Optimization Algorithm,簡稱TLBO算法)進行優(yōu)化研究。首先,為了解決圖像增強全局增強方法容易損失細節(jié)和局部增強方法容易加入噪聲的問題,設計能夠準確表征圖像質量的適應度函數(shù);同時,針對TLBO算法自身處理復雜優(yōu)化問題時仍存在容易陷入局部最優(yōu)和收斂精度不高等問題,對TLBO算法進行“教學”階段和“學習”階段改進研究,從而更好的兼顧多樣性和收斂性,提高算法的整體性能。實驗仿真結果表明該改進算法對圖像增強的質量有所改善。第二,針對基于粒子濾波人臉跟蹤的移動峰優(yōu)化問題、粒子退化和多樣性喪失等問題,提出一種基于差分進化粒子濾波的人臉跟蹤算法。通過引入小生境技術對差分進化算法進行改進,用其取代粒子濾波中的重采樣操作,實現(xiàn)在滿足把粒子推向高似然區(qū)的同時,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非剛性且動態(tài)運動的問題。實驗驗證該方法具有良好的跟蹤精度和穩(wěn)定性。第三,針對基于梯度下降方法優(yōu)化NIN網(wǎng)絡圖像識別模型的非凸、高維、非線性目標函數(shù)存在易陷入局部最優(yōu)和多樣性枯竭等問題,提出了一種基于梯度下降方法的預訓練和粒子群優(yōu)化算法的微調式相結合的NIN模型方法。第一階段使用梯度下降方法對NIN網(wǎng)絡模型進行預訓練,將得到解作為微調階段PSO算法初始種群的位置;第二階段采用PSO算法對模型進行微調操作,利用算法調節(jié)參數(shù)少、收斂速度快、收斂精度高等特點來提高模型收斂性。實驗驗證該方法具有良好的圖像識別性能。第四,針對圖像融合需結果可視、易于后處理的要求,提出一種基于生物地理學優(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:通過計算和比較圖像的區(qū)域梯度值,確定清晰區(qū)域,完成初步融合;第二步:針對模糊區(qū)域采用脈沖發(fā)放皮層模型對圖像的差異區(qū)域進行融合并相應的提出了一種融合準則,提高融合性能,獲得更好的融合效果。另一方面,針對脈沖發(fā)放皮層模型需要人工設置參數(shù),不利于智能化地獲得最優(yōu)解的問題,將生物地理學優(yōu)化算法用于對SCM模型進行參數(shù)優(yōu)化。實驗仿真結果表明該算法能有效提升圖像融合質量。第五,針對基于進化算法的相關反饋圖像檢索方法無法很好地結合用戶偏好信息和設置參數(shù)過多的問題,提出兩種面向不同評價指標的基于教與學優(yōu)化的相關反饋圖像檢索算法。為提高圖像檢索查準率,結合最近鄰分類法,對教與學優(yōu)化算法的適應度函數(shù)進行改進,增強局部開發(fā)能力,提出面向提升查準率的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的PSO算法,對TLBO算法的教階段和學階段分別進行改進,提高全局探索能力,提出面向提升查全率的TLBO-RF-R算法。實驗表明,兩種方法都能更好地結合用戶偏好信息提高圖像檢索性能。
【圖文】：

感興趣的目標區(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對圖像進行處理。假定原始圖像的灰度范圍為[0, M]，感興趣的范圍為[a, b]，為了對感興趣區(qū)間的信息進行增強，而其他區(qū)間的信息進行抑制，采用如圖2.2所示的方式，其表達式如式(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，分段線性變換對灰度區(qū)間[a, b]進行了擴展，對區(qū)間[0, a]和[b, M]進行了壓縮。分段線性變換的思想是，通過調整折線拐點的位置和分段區(qū)域直線的斜率，從而實現(xiàn)對任一區(qū)間的灰度值擴展或灰度壓縮。經(jīng)過分段線性變換得到增強處理前后的效果如圖 2.3 所示。

TLBO算法的流程圖
【學位授予單位】：哈爾濱工程大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TP391.41;TP18

【相似文獻】

相關期刊論文 前10條

1 姚遠;楊旭東;;溫度對化學平衡影響的圖像分析[J];中學化學教學參考;2016年22期

2 ;2016年圖像分析分會年會在西北工業(yè)大學召開[J];中國體視學與圖像分析;2016年04期

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

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

5 李軍;;《可視的藝術史: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)學圖像分析實驗教學改革的研究與實踐[J];醫(yī)學教育;2004年03期

7 蔣家康,李紹剛;核仁組成區(qū)圖像分析參數(shù)選擇及其應用價值[J];臨床與實驗病理學雜志;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];北京化工學院學報(自然科學版);1988年03期

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

10 張德強;董英杰;白瑞祥;李東偉;宋明鋒;;中度鹵水提溴生產(chǎn)實現(xiàn)自動化[J];中國鹽業(yè);2014年18期

相關會議論文 前10條

1 劉國權;;體視學與圖像分析基本原理及若干應用問題之討論[A];第九屆中國體視學與圖像分析學術會議論文集[C];2001年

2 羅永剛;;醫(yī)學圖像分析的未來趨勢[A];山東省計算機學會2005年信息技術與信息化研討會論文集（二）[C];2005年

3 Roscoe Atkinson;;法醫(yī)學與病理學中圖像分析及病理信息學的潛能[A];法庭科學最新技術研討培訓班專家講課提綱[C];2006年

4 王曉民;胡文華;;生物醫(yī)學圖像分析視頻采集設備的發(fā)展概況[A];第九屆中國體視學與圖像分析學術會議論文集[C];2001年

5 金帆;夏愛國;楊帥;金震宇;黃亞佳;;基于圖像分析的自適應顯微表征技術[A];中國化學會2017全國高分子學術論文報告會摘要集——主題D：高分子物理化學[C];2017年

6 李l勆，

本文編號：2698990