基于粒子群的图像分割

图像分割是图像处理的关键问题之一,为了能够快速有效地选取最优阈值进行图像分割,引入了粒子群算法（PSO）对阈值分割进行优化,提出基于PSO的最大熵图像分割,基于PSO的最大类间方差图像分割以及基于PSO的最小误差图像分割,并进行了分析和研究,可以得出该三种方法可以准确、快速地获取最优阈值进行图像分割。     

基于改进粒子群优化算法的Otsu图像分割方法

Otsu算法分割图像时不依赖于图像的内容,具有较好的适应性,但计算量大和实时性差的缺点限制了其应用。针对这一问题,提出一种基于改进粒子群优化算法的Otsu分割方法。该方法以Otsu算法中的类间方差作为粒子群优化算法的适应度函数,以当前分割阈值作为粒子的当前位置,以阈值更新速度作为粒子的当前速度,以粒子最优适应值的改进量作为惯性权重,在灰度空间动态搜索使类间方差最大的阈值。实验结果表明:该方法能获得与经典Otsu相当的分割效果,而且显著地缩短了分割时间,算法效率更高。     

用模拟退火思想的粒子群算法实现图像分割

采用了一种模拟退火思想的粒子群算法与最大类间方差法相结合的快速阈值分割法对图像进行分割。用粒子群优化算法来搜索阈值向量,每个粒子代表一个可行的阈值向量,通过粒子间的协作来获得最优阈值。为了提高收敛速度,把模拟退火的思想应用在粒子群算法中,最后仿真结论表明,该方法在继承标准粒子群算法原理简单、易于实现、协同搜索等优点的同时,还避免了标准粒子群算法的收敛速度慢问题,有更强的寻优能力,得到理想的结果的同时计算量大大减少。权衡分割精度和计算效率两个方面,文中方法不失为一种实用有效的图像分割算法。     

基于PSO改进的OTSU图像分割方法

阈值的选取对图像分割后的效果起着至关重要的作用,本文针对图像分割过程中阈值选取的问题,提出了一种基于PSO优化的改进OTSU图像分割算法.该算法以最大类间方差作为PSO算法适应度函数,以当前分割阈值组合作为粒子的当前位置,阈值更新速度作为粒子的当前速度.通过迭代计算更新粒子位置和速度,最后确定图像分割的最佳阈值.与传统OTSU图像分割算法及基本遗传算法图像分割算法相比,该算法稳定性更好,算法效率更高.     

用模拟退火思想的粒子群算法实现图像分割

采用了一种模拟退火思想的粒子群算法与最大类间方差法相结合的快速阈值分割法对图像进行分割.用粒子群优化算法来搜索阈值向量,每个粒子代表一个可行的阈值向量,通过粒子间的协作来获得最优阈值.为了提高收敛速度,把模拟退火的思想应用在粒子群算法中,最后仿真结论表明,该方法在继承标准粒子群算法原理简单、易于实现、协同搜索等优点的同时,还避免了标准粒子群算法的收敛速度慢问题,有更强的寻优能力,得到理想的结果的同时计算量大大减少.权衡分割精度和计算效率两个方面,文中方法不失为一种实用有效的图像分割算法.     

基于粒子群优化算法的阈值图像分割研究

研究将群体智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值.仿真实验针对Lena图像分割问题,将遗传算法与粒子群优化算法分别独立运行,对得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标.统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短.仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的.     

基于三维阈值和PPPSO的图像分割方法

提出一种基于三维阈值和捕食-被捕食粒子群（PPPSO）的图像分割方法。该方法在保留传统二维最大类间方差（Otsu）分割算法优点的基础上,充分利用图像自身模糊信息-模糊中值,该特征维与像素灰度值、邻域均值组成一个三维矢量集;另外,通过采用捕食-被捕食的粒子群优化方法搜索最佳分割阈值,大大缩短了搜索时间,且能快速收敛到全局最优。实验结果表明,该方法具有较好的抗噪性和实时性。     

灰度熵和混沌粒子群的图像多阈值选取

最大Shannon熵阈值选取方法仅仅依赖于图像灰度直方图的概率信息,而没有直接考虑类内灰度级的均匀性.为此提出了最大灰度熵的阈值选取方法.首先给出了灰度熵的定义及其单阈值选取方法,该灰度熵与现有的仅基于直方图分布的最大Shannon熵不同,直接反映了类内灰度级的均匀性;其次导出了量化图像直方图的灰度熵单阈值选取公式;最后将灰度熵单阈值选取推广到多阈值选取,提出了相应的快速递推算法,并进一步采用混沌小生境粒子群优化算法寻找最佳多阈值.实验结果表明,与最大Shannon熵单阈值选取和基于粒子群的最大Shannon熵多阈值选取方法相比,所提出方法的分割图像边缘、纹理更为准确,视觉效果明显改善.     

基于进化规划的最大类间方差的图像分割算法

图像分割是计算机视觉中一个关键的技术.在分析了最大类间方差算法(Ostu算法)求阈值进行图像分割以及进化规划原理的基础上,提出了一种自动阈值选取的图像分割的算法.该算法以灰度图像的灰度最大类间方差作为适应度值,将图像分割问题看作为一个全局数值优化问题,利用进化规划全局寻优和快速计算的特点,搜索一个最佳阈值用于图像分割.最后基于实例对其与传统Ostu算法进行性能比较和效果验证.结果表明,本方法在图像分割过程中具有速度快,效果好的特点.     

基于改进混合蛙跳算法的图像阈值分割算法

针对最大类间方差法在图像分割时存在造成噪声干扰和过分割的缺点,提出一种基于改进混合蛙跳算法的图像阈值分割算法。算法将苹果图像编码处理,选取图像的类间方差作为改进混合蛙跳算法的适应度值,通过改进的混合蛙跳算法寻找最大的分割阈值,利用该最优阈值使用经典最大类间方差法对花牛苹果图像进行分割。选取强光、较强光、较弱光和弱光条件下四幅花牛苹果图像进行分割实验,结果表明,采用基于改进混合蛙跳算法的图像阈值分割算法较最大类间方差法和基于混合蛙跳算法的图像阈值分割算法均具有较好的图像阈值寻优能力,可有效改善花牛苹果图像的分割效果。     

基于种群小生境微粒群算法的前向神经网络设计

根据自然界中鱼鸟等所具有的种群运动特征,借鉴递阶编码的思想,构造出一种种群小生境微粒群算法,具有小生境内个体微粒自由运动特征分量和小生境种群运动特征分量分层递阶进化的特征,克服了标准微粒群算法或其改进算法在多蜂函数寻优时出现的微粒“早熟”现象,应用该算法进行三层前向神经网络连接权值和网络结构联合并行自适应设计,在混沌时间序列预测中显示了良好的性能。     

一种基于聚类的小生境微粒群算法

在小生境微粒群算法中引入一种简单的聚类算法，替换了原算法中依赖于圆形拓扑领域的小生境产生方法，构建出一种基于聚类的小生境微粒群算法．该算法在对主微粒群进行l best PSO寻优的同时对其中的微粒进行聚类，当聚类簇中的个体数目达到规定的子微粒群最小规模时形成一个小生境．用这种算法能够产生大小和形状不同的小生境，克服了NichePSO算法的不足．     

A novel particle swarm niching technique based on extensive vector operations

Several techniques have been proposed to extend the particle swarm optimization (PSO) paradigm so that multiple optima can be located and maintained within a convoluted search space. A significant number of these implementations are subswarm-based, that is, portions of the swarm are optimized separately. Niches are formed to contain these subswarms, a process that often requires user-specified parameters. The proposed technique, known as the vector-based PSO, uses a novel approach to locate and maintain niches by using additional vector operations to determine niche boundaries. As the standard PSO uses weighted vector combinations to update particle positions and velocities, the niching technique builds upon existing knowledge of the particle swarm. Once niche boundaries have been calculated, the swarm can be organized into subswarms without prior knowledge of the number of niches and their corresponding niche radii. This paper presents the vector-based PSO with emphasis on its underlying principles. Results for a number of functions with different characteristics are reported and discussed. The performance of the vector-based PSO is also compared to two other niching techniques for particle swarm optimization.     

一种基于小生境技术的群智能粒子滤波算法

针对基本粒子滤波存在严重的退化问题和重采样技术导致粒子枯竭的问题,提出一种新型粒子滤波算法——基于小生境技术的群智能优化粒子滤波算法.通过多模寻优增强粒子的多样性和寻优能力,使得采样后的粒子向高似然区域移动,从而有效地提高了系统状态估计精度.仿真实验表明,该算法是有效而稳定的.     

Niching Without Niching Parameters: Particle Swarm Optimization Using a Ring Topology

Niching is an important technique for multimodal optimization. Most existing niching methods require specification of certain niching parameters in order to perform well. These niching parameters, often used to inform a niching algorithm how far apart between two closest optima or the number of optima in the search space, are typically difficult to set as they are problem dependent. This paper describes a simple yet effective niching algorithm, a particle swarm optimization (PSO) algorithm using a ring neighborhood topology, which does not require any niching parameters. A PSO algorithm using the ring topology can operate as a niching algorithm by using individual particles' local memories to form a stable network retaining the best positions found so far, while these particles explore the search space more broadly. Given a reasonably large population uniformly distributed in the search space, PSO algorithms using the ring topology are able to form stable niches across different local neighborhoods, eventually locating multiple global/local optima. The complexity of these niching algorithms is only $ {cal O}(N)$, where $N$ is the population size. Experimental results suggest that PSO algorithms using the ring topology are able to provide superior and more consistent performance over some existing PSO niching algorithms that require niching parameters.      

基于改进小生境粒子群算法的多模函数优化

在基于粒子群算法的多模优化问题中,针对现存小生境方法需要特定参数的缺陷,提出了一种不需要参数的小生境算法。该算法通过粒子适应度在种群适应度中所占比例以及粒子之间的欧式距离两方面因素确定粒子的局部最优解,并通过每轮迭代中每个局部最优解粒子和以它作为局部最优解的普通粒子的欧式距离的平均值确定出该小生境的半径。在几个广泛的测试函数上的实验结果表明,该算法在收敛速度和成功率方面比需要小生境参数的算法(FERPSO、SPSO)更优秀。     

Modified particle swarm optimization for a multimodal mixed-variable laser peening process

Optimization problems that result in shock, impact, and explosion type disciplines typically have mixed design variables, multiple optimal solutions, and high computational cost of an analysis. In the optimization literature, many researchers have solved problems involving mixed variables or multiple optima, but it is difficult to find multiple optima of a mixed-variable and high computation cost problem using an particle swarm optimization (PSO). To solve such problems, a mixed-variable niching PSO (MNPSO) is developed. The four modifications introduced to the PSO are: Latin Hypercube sampling-based particle generation, a mixed-variable handling technique, a niching technique, and surrogate model-based design space localization. The proposed method is demonstrated on the laser peening (LP) problem. The LP process induces favorable residual stress on the peened surface to improve the fatigue and fretting properties of the material. In many applications of LP, geometric configurations and dimensional integrity requirements of the component can constrain implementation of an optimal solution. In such cases, it is necessary to provide multiple alternatives to the designer so that a suitable one can be selected according to the requirements. It takes 24–72 CPU hours to perform an LP finite element analysis.     

基于混沌变异的小生境粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题，提出了基于混沌变异的小生境粒子群算法（NCPSO）．该算法结合小生境技术并加入了淘汰机制，使算法具有良好的全局寻优能力．变尺度混沌变异具有精细的局部遍历搜索性能·使算法具有较高的搜索精度．实验结果表明，NCPSO算法可有效避免标准PSO算法的早熟收敛，具有寻优能力强、搜索精度高、稳定性好等优点．适合于工程应用中的复杂函数优化问题．     

An Adaptive Clustering Protocol Using Niching Particle Swarm Optimization for Wireless Sensor Networks

Clustering is an hierarchical topology control method, and it is also an energy‐saving and energy efficient technique that extends the sensor network's lifetime. In this paper, we propose and analyze an adaptive clustering protocol using niching particle swarm optimization (ACP‐NPSO), a protocol architecture that uses NPSO to cluster the wireless sensor networks adaptively and efficiently, thus saving energy, balancing energy consumption and enhancing the system's robustness. The simulation results indicate that our proposed protocol ACP‐NPSO can enhance system lifespan, accelerate the convergence speed, and deliver more data by distributing energy dissipation evenly in the networks.     

被动声技术在交通流量测量领域的应用

交通指挥决策的重要依据是交通流量,而目前的交通流量测量设备还存在着各种各样的问题,与此相比,作为无源测量的被动声技术具有受外界因素影响较小的特性。分析说明了时空谱合成目标运动分析方法,并用基于小生境的粒子群优化算法对时空谱进行优化。在与传统算法的对比实验中,时空谱合成目标运动分析方法对于单目标和多目标的区分、定位都有着良好的表现,这也说明了被动声技术在交通流量测量领域具有广阔的应用前景。