收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

粒子群算法及其在图像分割中的应用与研究

高浩  
【摘要】: 粒子群优化算法源于鸟群和鱼群群体运动行为的研究,是一种新的群体智能优化算法,是演化计算领域中的一个新的分支。它的主要特点是原理简单、参数少、收敛速度快,所需领域知识少。该算法的出现引起了学者们极大的关注,已在函数优化、神经网络训练、组合优化、机器人路径规划等领域获得了广泛应用,并取得了较好的效果。尽管粒子群优化算法发展近十年,但无论是理论分析还是实践应用都尚未成熟,有大量的问题值得研究。 本文从算法机理、算法改进和算法应用等方面对其进行了系统性的研究。此外,图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一。本文将微粒群算法和图像分割法相结合,提出了基于改进PSO算法的分割算法,在取得良好的分割效果的同时,运用算法的并行搜索机制显著的提高了分割速度。论文具体内容如下: (1)对粒子群算法及其理论基础(优化方法和进化计算)进行了详细的综述。首先本文概述了优化方法的产生和发展,着重介绍了优化方法的基本思想、研究领域、应用发展情况;阐述了进化计算的产生、定义以及研究内容,并介绍了几种典型的进化计算方法,包括遗传算法、进化策略、微分进化等;最后介绍了粒子群优化算法,阐述了粒子群优化算法的起源,介绍了粒子群优化算法的初始版本和标准版本,从理论研究和应用研究的角度综述了粒子群优化研究的现状,总结了标准粒子群优化算法存在的问题。同时本文使用了蒙特卡罗方法对粒子的行为进行了研究,结果显示PSO算法在迭代后期具有搜索能力较弱的缺点,同时也给出了如何提高PSO算法收敛性的方法。此外,九个标准测试函数用来测试PSO算法和其他几种流行的进化计算方法的性能,结果验证了PSO有着其他进化算法无法比拟的快速收敛等特性。 (2)尽管PSO算法比其他算法对复杂函数有着较强的寻优能力以及收敛速度快等特点,但是它依然无法保证在搜索空间中找到全局最优点。因此在本文中引入了具有着更强全局搜索能力的QPSO算法来进行研究改进。但是由于QPSO同PSO算法一样的是,它也把粒子作为一个整体来进行更新,因此QPSO算法同样具有维数限制的缺点。通过把一个具有复杂高维的粒子分解为多个一维的子个体进行优化,使用协作方法的QPSO算法能够很好的克服这一缺点。八个测试函数以及应用于图像分割领域的最大类间方差法(OTSU方法)在本文中用来测试改进以后的QPSO算法的成绩。仿真结果表明,与其他算法比较来看,协作方法帮助QPSO算法获得更精确的解。它同样也克服了OTSU方法受维数束缚的缺陷。 (3)在分析了粒子群全局收敛能力的基础之上,针对粒子群算法局部收敛和搜索精度低的问题,提出了一种全局的基于Gaussian变异的粒子群算法(GGPSO).该算法结合了局部和全局变异因子使算法在全局和局部搜索能力中找到了一个很好的平衡,并证明了它能以概率1收敛到全局最优解。典型函数优化的仿真结果表明,该算法不仅可有效的避免标准PSO算法的早熟收敛,而且具有寻优能力强、搜索精度高、稳定性好等优点。同时针对图像信息处理中的图象分割这一难点问题,以Kapur算法为优化目标,验证了该算法克服了图象分割中寻优速度慢的缺点,与其他群体算法比较获得了更大的适应度函数值。因此,该算法更适合于图像分割以及相关的函数优化问题。 (4)在分析了粒子群收敛性的基础之上,针对粒子群(PSO)算法后期搜索能力下降的问题,提出了一种基于适度随机搜索策略的粒子群算法(IRPSO).该方法在提高粒子群算法收敛速度的前提下,有效的提高了粒子的全局搜索能力。另外,由于该方法只有一个控制参数和迭代公式,因此更为简单易实现。典型函数优化的仿真结果表明,该算法相对于比较算法来说获得了更好的性能。同时针对图像分割这一难点问题,以互信息熵差为优化目标,验证了该算法在比较算法中获得了更好的分割效果。 论文最后对所做工作进行了总结,并提出了进一步研究的方向。


知网文化
【相似文献】
中国期刊全文数据库 前15条
1 李红;吴粉侠;寇贇;;基于粒子群算法的图像分割[J];无线互联科技;2017年22期
2 蒋艳会;李峰;;基于混沌粒子群算法的多阈值图像分割[J];计算机工程与应用;2010年10期
3 张建科;;非线性互补问题的粒子群算法[J];计算机工程与应用;2009年27期
4 吴禄慎;程伟;王晓辉;;应用模拟退火粒子群算法优化二维熵图像分割[J];计算机工程与设计;2019年09期
5 杨洪涛;丁烽;;基于排斥作用的改进粒子群算法[J];声学与电子工程;2018年02期
6 王波;邰能灵;翟海青;叶剑;朱家栋;漆梁波;;基于混合粒子群算法的短期负荷预测模型[J];电力系统及其自动化学报;2008年03期
7 苏彩红;吴菁;朱学峰;;改进的粒子群算法用于图像分割[J];佛山科学技术学院学报(自然科学版);2007年03期
8 魏晋军;张玮;刘角;马迪;;改进粒子群算法应用于锅炉汽包水位控制[J];太原科技大学学报;2015年06期
9 秦玉灵;孔宪仁;罗文波;;自适应二次粒子群算法钢架模型修正[J];计算机科学;2010年09期
10 刘笃晋;;基于粒子群算法的图像分割方法研究[J];现代计算机(专业版);2013年23期
11 叶志伟;张金平;赖旭东;;基于粒子群算法的最大交叉熵的图像分割方法[J];安徽农业科学;2007年23期
12 高浩;须文波;孙俊;;量子粒子群算法在图像分割中的应用[J];计算机工程与应用;2007年33期
13 张伟;师奕兵;周龙甫;卢涛;;基于改进粒子群算法的小波神经网络分类器[J];仪器仪表学报;2010年10期
14 翁健高;李道丰;白琳;易向阳;;一种融合粒子群算法的蝙蝠优化算法[J];广西大学学报(自然科学版);2018年02期
15 刘笃晋;;改进粒子群算法的图像分割阈值方法研究[J];中国科技信息;2013年15期
中国重要会议论文全文数据库 前20条
1 杨思悦;;基于聚类融合交叉粒子群算法的疏散路径规划研究[A];2020中国消防协会科学技术年会论文集[C];2020年
2 刘高村;朱家富;陈先洁;张翔;;基于自适应惯性权重粒子群算法的大地电磁正反演[A];2020年中国地球科学联合学术年会论文集(十五)—专题四十三:海洋地球物理、专题四十四:海啸及海啸预警研究、专题四十五:电磁地球物理学研究应用及其新进展[C];2020年
3 刘兰军;翟永庆;郑俊俊;范萍萍;邓莉;;基于深度学习的土壤氮含量可见/近红外光谱建模[A];第21届全国分子光谱学学术会议暨2020年光谱年会论文集[C];2020年
4 闫利;胡纹;;基于CFD结合粒子群算法的城市健康布局优化[A];2020中国建筑学会学术年会论文集[C];2020年
5 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集(第七分册)[南京理工大学学报(增刊)][C];2009年
6 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年
7 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届(2011年度)学术年会论文集(上)[C];2012年
8 王征;刘大宝;王家林;王永骥;;基于离散粒子群算法的船舶电力系统重构研究[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
9 王波;肖健梅;王锡淮;;基于改进粒子群算法的车辆路径问题研究[A];2007中国控制与决策学术年会论文集[C];2007年
10 张顶学;关治洪;刘新芝;;多种群并行粒子群算法研究[A];第二十六届中国控制会议论文集[C];2007年
11 黄胜;任万龙;王超;何新;;多目标粒子群算法在翼型优化的应用[A];第二十五届全国水动力学研讨会暨第十二届全国水动力学学术会议文集(上册)[C];2013年
12 李丽娟;黄志斌;刘锋;;启发式粒子群算法及其应用研究[A];第16届全国结构工程学术会议论文集(第Ⅰ册)[C];2007年
13 王莹;盛四清;;基于改进粒子群算法的电压薄弱区域恢复[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集(上册)[C];2008年
14 孟繁敏;杨彬;张其林;;改进的粒子群算法在钢框架截面优化中的应用[A];第十三届全国现代结构工程学术研讨会论文集[C];2013年
15 孔宪仁;秦玉灵;罗文波;;带飞行因子的粒子群算法的铝蜂窝板模型修正[A];结构及多学科优化工程应用与理论研讨会’2009(CSMO-2009)论文集[C];2009年
16 叶飞强;蒋朝辉;周昊;桂卫华;;基于多层特征融合Unet高炉炉料矿石图像分割[A];2020中国自动化大会(CAC2020)论文集[C];2020年
17 梁新宇;罗晨;权冀川;寇大磊;张超然;;基于深度学习的图像分割技术进展研究[A];2019第七届中国指挥控制大会论文集[C];2019年
18 赵明;房立华;陈石;隗永刚;蒋长胜;张贝;;基于频谱波形的深度学习微震检测技术[A];2019年中国地球科学联合学术年会论文集(二十)——专题51:微地震与诱发地震监测与反演、专题52:深地结构、地震过程与地下新能源勘查开采、专题53:中国人工诱发(触发)地震研究[C];2019年
19 吴倩倩;周蕾蕾;赵紫婷;蒋红兵;;图像分割在肿瘤放射治疗中的发展与应用[A];中国医学装备大会暨2020医学装备展览会论文汇编[C];2020年
20 闫平昆;;基于模型的图像分割技术及其医学应用[A];第十五届全国图象图形学学术会议论文集[C];2010年
中国博士学位论文全文数据库 前20条
1 高浩;粒子群算法及其在图像分割中的应用与研究[D];江南大学;2009年
2 雷开友;粒子群算法及其应用研究[D];西南大学;2006年
3 孙涛;量子粒子群算法研究及在热力管网优化中的应用[D];中国石油大学(华东);2018年
4 程诗信;面向气动外形优化的改进多目标粒子群算法研究[D];西北工业大学;2018年
5 刘天宇;基于协作学习和文化进化机制的量子粒子群算法及应用研究[D];西安电子科技大学;2017年
6 孟丽;粒子群算法及其在分数阶系统辨识中的应用研究[D];华北电力大学(北京);2016年
7 韩佳伟;多层级苹果预冷过程模拟及预冷控制决策优化[D];北京工业大学;2018年
8 钟继如;基于混合粒子群算法的小冲杆试验预测材料强度的研究[D];华东理工大学;2019年
9 王晨;视觉显著性检测方法研究及其应用[D];西北工业大学;2018年
10 古晶;基于稀疏特征学习的SAR图像分割与半监督分类方法研究[D];西安电子科技大学;2016年
11 段一平;基于层次视觉计算和统计模型的SAR图像分割与理解[D];西安电子科技大学;2017年
12 胡佩君;腹部CT图像分割的可计算建模方法研究[D];浙江大学;2018年
13 姜枫;基于语义识别的砂岩薄片图像分割方法研究[D];南京大学;2018年
14 赵晓丽;面向图像分割的智能算法研究[D];上海大学;2018年
15 倪波;高强度聚焦超声图像分割方法研究[D];武汉大学;2016年
16 彭自立;用于交互式图像分割的自适应表观分离[D];湖南师范大学;2018年
17 瞿绍军;基于最优化理论的图像分割方法研究[D];湖南师范大学;2018年
18 王森;非受限场景裂纹图像分割方法研究[D];昆明理工大学;2017年
19 王涛;特征度量与信息传递的交互式图论分割方法研究[D];南京理工大学;2017年
20 戴令正;自然图像分割的若干算法研究[D];南京理工大学;2017年
中国硕士学位论文全文数据库 前20条
1 尚金奎;基于粗糙集理论的图像分割方法研究[D];东北大学;2008年
2 周忠斌;基于克隆选择和粒子群算法的图像分割方法研究[D];哈尔滨工程大学;2011年
3 左浩;模糊聚类与粒子群算法在图像分割中的应用研究[D];江西理工大学;2011年
4 杨佳攀;基于粒子群算法的最大熵多阈值图像分割方法研究[D];河南师范大学;2020年
5 白玉龙;基于改进的粒子群算法的直觉模糊多目标规划[D];湘潭大学;2016年
6 李佩;改进粒子群算法在电力系统无功优化中的应用[D];陕西理工大学;2020年
7 陈涛;基于无标度网络的改进粒子群算法研究[D];云南大学;2018年
8 张庆;基于改进型混沌映射的粒子群算法及其在天线参数优化中的应用[D];云南大学;2018年
9 张冰;改进粒子群算法及在线状构造体活动特征反演中的应用研究[D];长安大学;2019年
10 康朝虎;融合向—位错模型和量子粒子群算法的断层参数反演研究[D];长安大学;2019年
11 李红魁;基于粒子群算法的公路工程多目标成本优化研究[D];广州大学;2019年
12 张贺;混合粒子群算法在水电站优化调度中的应用研究[D];新疆大学;2019年
13 杨宇婷;基于粒子群算法的工业锅炉炉膛燃烧优化控制[D];西安科技大学;2019年
14 李晓航;增量配网型售电市场建模及运营策略研究[D];华北电力大学;2019年
15 陈爱博;基于柔性负荷的电网经济运行优化方法研究[D];沈阳工程学院;2019年
16 杨嘉瑶;基于粒子群算法的配电网故障定位[D];辽宁石油化工大学;2019年
17 茅继晨;改进粒子群算法在天线设计中的应用[D];杭州电子科技大学;2019年
18 张家铭;基于粒子群算法的云计算资源调度优化研究[D];华北电力大学(北京);2019年
19 邓瀚浡;大规模粒子群算法及其在视频流量特征选择中的应用研究[D];济南大学;2019年
20 蒋莎;基于粒子群算法的海外仓选址优化模型研究[D];重庆师范大学;2019年
中国重要报纸全文数据库 前1条
1 赵利利;图像分割出新方法[N];中国科学报;2019年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978