改进粒子群优化算法及其在图像分割中的应用
【摘要】:粒子群优化算法(Particle Swarm Optimization, PSO)是一种基于对鸟群和鱼群社会行为的模拟提出的一个新颖的进化优化算法。由于该算法原理简单、参数少、实现方便且运行效率高等优点,已提出就引起广大国内外学者的研究和探索,成为一个新的关注热点。面前粒子群优化算法已被多应用于多目标优化、模式识别、数据挖掘、图像分割等领域。但其论理论分析和实践应用都还不完善,有待进一步研究。
本论文对粒子群优化算法的理论和应用进行了深入的探讨和分析,具体有以为几点:
首先,针对算法出现“早熟”现象和进化后期收敛速度过慢等缺点提出了两个改进:一个改进是在Gesse-PSO算法基础上,将速度更新公式分为三个部分,前两个部分认为是个体信息,后一部分认为是群体信息,分别给个体信息和群体信息加一权值,使粒子在前期主要考虑自身信息,在后期主要考虑群体信息的共享,使得在前期有较高全局搜索能力,后期有较高的局部搜索能力,避免早熟收敛。为防止后期过于“趋同性”,加入随机扰动策略,使粒子跳出局部极值。另一个改进是将蜂群优化算法(Artificial Bees Algorithm, BA)和粒子群算法融合,借鉴蜂群算法中侦察蜂领域搜索思想,每个粒子按一定规则给自己划分一个领域空间,在领域空间中搜索,如果领域内粒子个体极值优于该粒子历史最优极值,则领域中粒子个体极值作为该粒子的历史最优值。通过对粒子领域的搜索,保持了粒子群体的多样性。
其次,本文将粒子群算法和基于图谱理论的谱聚类算法融合。借粒子群算法寻优性好、收敛速度快的优点,在谱聚类中,对数据的拉普拉斯矩阵的前K个特征向量求K均值聚类时使用粒子群优化算法,实现快速聚类。谱聚类算法可以处理任意形状的大型数据,可以降维,将其和粒子群优化算法结合,可以使粒子群算法快速的解决一些高维数的函数优化、工程优化等领域问题。
最后,本文将提出的几种粒子群改进算法用于图像分割中。二维最大熵阈值分割是图像分割中理论研究比较成熟的分割方法。二维最大熵阈值分割法关键是快速有效的找出一个合适的阈值。利用改进粒子群算法的高速收敛和高精度搜索优点求取最佳阈值。仿真实验证明:改进粒子群算法能准确的快速的找到最佳分割阈值,并且对图像分割的效果很理想。