發(fā)布時間：2020-07-25 14:59

【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良好,并且具有較好的并行性,全局搜索能力較強,自適應能力良好,智能優(yōu)化算法因其以上優(yōu)點,引起廣泛關注�；旌贤芴惴�(SFLA)是一種較新的智能優(yōu)化算法,該算法結合了粒子群優(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,兩者相互結合直至找出全局最優(yōu)解。SFLA結構較為簡單,比較容易實現,控制參數較少,在全局搜索能力方面表現較佳。但該算法也存在計算復雜度高、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。主要研究內容如下:(1)對于SFLA子種群內的復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每次只更新適應度值最差的青蛙這種方法,改為每次在子種群內更新所有青蛙;在進行子種群內更新時,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中需要經過復雜的條件選擇的方法,并將榜樣學習法引入其中,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學習的高效SFLA算法。新的改進還包括將差分變異策略和榜樣學習法融入其中。實驗結果表明,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。通過實驗所得結果可以表明,新提出的方法能夠準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。
【學位授予單位】：河南師范大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP18;TP391.41
【圖文】：

將所有子種群內的青蛙混合，進行全局信息交流，結合實若干個子種群，如此反復循環(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的青蛙進化改善了整個青蛙種群中個體(相當于解空體向最優(yōu)食物源(相當于目標解)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，展現了較好的優(yōu)化能力，所有情況下，ISFLA 獲得的結果都是最優(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 獲得的結果優(yōu)于 LSFLA然 LSFLA 在基準函數的測試中展現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)計學習理論的最小生成樹圖像分割準則[J];武漢大學學報(信息科學版);2017年07期

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

5 鄧惠俊;;一種基于數據場的圖像分割方法與研究[J];長春工程學院學報(自然科學版);2016年02期

6 李繼云;冀卿偉;;基于自適應局部閾值的交互式圖像分割[J];計算機應用與軟件;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];科學家;2017年02期

10 寇毛蕊;;醫(yī)學圖像分析系統(tǒng)設計[J];數碼世界;2017年09期

相關會議論文 前10條

1 閆平昆;;基于模型的圖像分割技術及其醫(yī)學應用[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

2 楊生友;;圖像分割在醫(yī)學圖像中應用現狀綜述[A];2009中華醫(yī)學會影像技術分會第十七次全國學術大會論文集[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];中國儀器儀表學會第十二屆青年學術會議論文集[C];2010年

4 朱松豪;劉佳偉;羅青青;胡榮林;;基于關聯模型的圖像分割[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學術交流會論文集[C];2012年

6 楊加文;謝鳳英;;基于深度學習的皮膚鏡圖像分割[A];第十五屆中國體視學與圖像分析學術會議論文集[C];2017年

7 郭世可;董槐林;龍飛;張海波;;一種結合密度聚類和區(qū)域生長的圖像分割方法[A];第二十四屆中國數據庫學術會議論文集（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];中國體視學學會圖像分析專業(yè)、中國體視學學會仿真與虛擬現實專業(yè)、中國航空學會信號與信息處理專業(yè)第一屆聯合學術會議論文集[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[A];第十二屆中國體視學與圖像分析學術會議論文集[C];2008年

10 趙建業(yè);余道衡;;一種基于模糊細胞神經網絡的多值圖像分割新方法[A];中國體視學學會圖像分析專業(yè)、中國體視學學會仿真與虛擬現實專業(yè)、中國航空學會信號與信息處理專業(yè)第一屆聯合學術會議論文集[C];2000年

相關博士學位論文 前10條

1 古晶;基于稀疏特征學習的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;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;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;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;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;2017年

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

7 鐘麗;帶約束的圖像分割方法研究及應用[D];山東大學;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;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;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;2004年

相關碩士學位論文 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;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;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;2018年

4 林益賢;結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;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;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];內蒙古大學;2018年

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

8 吳少策;基于視覺顯著性的商標識別[D];河北大學;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研究[D];華南理工大學;2018年

10 劉陽洋;基于卷積神經網絡的舌苔圖像分割與病理分析算法研究[D];內蒙古大學;2018年

本文編號：2769980