基于改进的最优家族遗传算法的快速图像匹配

为提高图像匹配技术的匹配速度和稳定性,从优化搜索策略和减少在非匹配点上的相关计算总量两方面入手,引入了性能优良的最优家族遗传算法(OFGA),采用序贯相似性检测作为该遗传算法中的适应度函数,并结合适应度函数的非线性强的特点,对OFGA算法加以改进,使得两者相辅相成、互相受益.实验表明该改进算法对提高图像匹配的速度方面成效显著,且算法稳定.     

基于灰色粒子群优化的快速图像匹配算法

针对图像匹配中速度慢、抗噪性差等问题,提出一种基于灰色理论和粒子群优化的快速图像匹配算法——GPSO算法。该算法首先通过粒子群初始化,获得待匹配的多个初始位置和更新速度;然后,利用模板图和当前搜索位置子图的直方图信息,形成参考序列和比较序列,设计基于两类序列间灰色关联度的适应度函数。在此基础上,各粒子根据个体经验和社会经验,利用群体智能的高效并行寻优能力,逐代逼近最佳匹配位置。实验显示,本算法在保证了一定匹配精度的情况下,明显提高了匹配速度和鲁棒性。     

基于灰色关联分析和人工蜂群算法的图像匹配方法

为提高图像匹配速度和精度,利用灰色关联分析理论和人工蜂群算法,提出一种抗噪性较好的快速图像匹配方法,简称GABC法.该方法将模板图像和当前搜索位置子图的直方图信息作为参考序列和比较序列,设计基于灰色关联度的适应度函数;然后对人工蜂群算法中的初始种群个体的分布进行优化,以提高收敛速度;接着,人工蜂群通过个体分工与信息共享,实现群体智能的高效并行寻优能力,快速逼近最佳匹配位置.实验显示,该方法在保证了一定匹配精度的情况下,明显提高了匹配速度和抗噪性.     

基于PBIL的快速图像匹配方法的研究

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习(Population-based Increased Learning,简称PBIL)算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。给出了理论分析和实验分析。在实验中,分析了不同终止条件下的算法性能,并将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。实验结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。     

基于改进遗传算法的图像匹配定位

为了提高彩色图形匹配效率,提出一种针对大图搜索匹配的改进遗传算法搜索策略。针对图像匹配问题的特点,以及根据遗传算法的优化策略,对其初始种群及交叉变异操作进行改进,从而加快图形匹配定位速度,提高其结果的可靠性。     

基于PIU测度和遗传算法的图像匹配方法

鉴于图像匹配需要解决时效性和不同模态图像适用性的问题,提出了一种利用划分强度一致(Partitioned intensity uniformity,PIU)测度和遗传算法(Genetic algorithm,GA)实现图像匹配的方法.在对PIU测度进行研究分析的基础上,提出用PIU的改进形式PIU'作为图像匹配的相似准则,并时传统的遗传算法进行一系列的改进作为匹配过程的优化策略.PIU'的选取使得该方法不需要提取特征就可以用于多模态图像间的匹配,避免了特征提取不良带来的匹配误差,同时也降低了匹配的时间复杂度;采用改进后的遗传算法降低了匹配的空间复杂度.实验结果表明,该方法可以成功地完成多模态图像间的匹配,具有较高的匹配速度.     

基于遗传算法的机动多目标数据关联

1 引言多目标数据关联是多目标跟踪的核心部分,是多目标跟踪技术中最重要而又最困难的问题。数据关联简言之就是一种分配过程,即判断一个特定的量测属于哪一个目标,进而把全部或部分新量测数据分配给已建立的轨迹。数据关联是一个监视、跟踪系统的主要功能,因为错误的关联会导致跟踪的丢失,在目标密集     

一种用于图像匹配的演化算法研究

图像匹配在目标检测、目标识别与跟踪等应用中是一项极其重要的技术。图像匹配的方法很多,现有的方法均采用遍历式搜索策略,因而计算量的降低有限,如果不采用新的搜索策略,则难以在计算量的降低上取得实质性的突破,这是现有图像相关匹配算法的共同缺陷。将演化算法引入匹配技术中,利用相关匹配计算简单、抗噪声性能好的特点,提出了一种基于演化算法的图像相关匹配方法。实验结果表明该方法具有运算速度快、正确匹配率高、抗噪声性能好等特点。     

一种基于PBIL算法的快速图像匹配方法

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。在实验中,将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。     

一种基于遗传算法的自动生成创意曲动机的方法

遗传算法作曲就是利用遗传算法来实现乐曲的生成,在创作的过程中遗传算法按照事先给定的规则进行进化,从而使得人在计算机创作的过程中介入程度达到最小。动机是巴赫创意曲中的核心旋律和主题,文中采用遗传算法对创意曲中动机的自动生成进行了探讨。介绍了遗传算法创作动机的基本过程,即按照动机创作的音乐知识规则来设置适应度函数,采用遗传算法中的选择、交叉和变异算子产生动机片段,最终达到生成自动生成动机片段的效果。     

混沌微粒群优化算法在图像匹配中的应用

针对传统图像匹配计算量较大、匹配速度慢、抗干扰能力差的问题,将混沌算子与微粒群优化算法相结合,提出一种鲁棒性强、计算速度快的图像匹配方法。该算法利用微粒群优化算法的收敛快速性和混沌运动的遍历性、随机性等特点,实现了非遍历性搜索。在算法初始化阶段,对粒子位置混沌初始化;在算法运行期间,对优秀个体进行混沌扰动避免落入局部最优。提高了算法对多维空间的全局搜索能力,并可以有效避免早熟现象。实验结果表明该算法的图像匹配具有快速性和较高的准确性,对解决噪声情况下的图像匹配问题十分有效。     

一种基于改进遗传算法的图像分割方法*

为了自动确定图像分割的最佳阈值,提出了一种基于改进遗传算法的图像分割方法,即利用这种改进遗传算法对二维Otsu图像分割函数进行全局优化,该方法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,最后得到图像分割的最佳阈值,克服了传统遗传算法的收敛性差、易早熟等问题。在理论分析和仿真数据实验中,与二维Otsu图像分割法和基于基本遗传算法的图像分割法相比,使用该方法得出的阈值范围更加稳定,阈值计算时间有极大的提高,更能满足图像处理的实时性要求。     

一种快速彩色图像匹配算法

针对彩色图像匹配的特点,利用颜色分量权重系数对序贯相似性检测算法进行了改进。同时,采用了粗-精匹配相结合的分层搜索策略,并在图像匹配过程中根据置信度对模板进行自适应更新。实验表明,该算法有效地减少了运算量,提高了图像匹配的精度,具有较好的实时性和鲁棒性。     

基于聚类与遗传算法的Web图像检索

高效的Web图像检索对于用户来说是非常重要的,图像元搜索引擎作为一种有效的图像检索技术可以促进Web图像的检索质量和精度.提出一种基于改进的HACM(hierarchical agglomerative clustering methods)聚类算法和遗传算法的图像元搜索引擎模型,Web图像向量化表示之后运用HACM聚类技术进行分类,然后通过特殊设计的遗传算法对检索结果进行优化排序,最后将排序后的更精确的图像集提供给用户.实验结果表明,该系统可以在较短的时间内达到很高的检索精度.     

一种基于遗传算法的求代数方程组数值解的新方法

解方程组是工程研究中的基本问题. 当前的各种求解方法都只针对某一特定类型的方程组, 没有通用性. 根据遗传算法与具体问题无关的特点, 提出了一种通用的代数方程组数值解求解方法. 首先, 基于遗传算法建立了代数方程组求解问题的通用模型; 然后阐述了具体的求解过程; 最后分析了该法的特点和性能. 实验表明该法是有效可行的, 进一步提高解精度的关键在于对遗传算法本身的研究.     

基于CenSurE-star和LDB的被测目标图像匹配算法

针对传统点特征匹配方法计算量大、匹配速度慢的问题,给出了一种基于CenSurE-star和LDB的图像匹配算法,以用于在视觉检测中对被测目标图像进行快速匹配;该算法首先通过调整滤波器尺寸从而快速检测被测目标图像中不同尺度的CenSurE-star特征点,然后采用LDB方法对特征点结合其邻域进行描述,以描述符汉明距离为标准衡量图像特征点间的相似度并进行对应筛选,最终结合RANSAC剔除剩余的误匹配点对,实现了图像间准确匹配;实验研究表明,在关于光照、噪声和模糊变化的三组被测目标图像匹配中相较SIFT、SURF等常见算法,该算法不仅显著提升匹配速度,而且保证了较高的匹配准确率。     

基于遗传模糊聚类的医学超声图像分割方法

医学超声成像技术以其实时性、无损性与廉价性等优点被广泛应用于医疗诊断,但由于其固有的斑点噪声和与组织相关的纹理特性使得医学超声图像的分割一直是一个难题。模糊C均值聚类算法（FCM）具有较强的抗噪声能力,能够较好地完成医学超声图像的分割任务,但其局限性在于对聚类中心的初值较敏感,当随机选取初始聚类中心时,很有可能使分割过程陷入局部极小,影响分割结果。利用遗传算法（GA）能够寻找全局最优解的特点,提出一种基于遗传算法寻找初始聚类中心的模糊聚类方法,应用于医学超声图像分割并取得了良好效果。     

基于角度编码染色体量子遗传算法的模板匹配

研究了如何应用量子遗传算法进行图像模板匹配,提出了角度编码染色体量子遗传算法。该算法以角度编码染色体,则基因位的复数对被实数形式的角度所替代,故存储量减少很多。染色体更新过程由矩阵与矢量相乘简化成角度加减,染色体观察方式由概率比较变成角度比较,因此时间性能也有较大提高。基于角度编码染色体量子遗传算法,结合模板匹配的特点和需求,进一步提出了逐级目标淘汰机制。该机制使匹配区域粗定位和匹配参考点精搜索有效结合,故匹配效率进一步提高。实验结果表明,角度编码染色体量子遗传算法与CGA、QGA和穷举方法相比,时间性能