改进人工蜂群算法在二维Otsu图像分割中的应用

为了迅速准确的分割图像,通过对传统蜂群算法选择蜜源方式和缺陷蜜源的调整,提出了一种基于改进的人工蜂群算法分割二维Otsu图像的新方法. 此方法把图像阈值由人工蜂群算法中的蜜蜂表示,通过引领蜂、侦查蜂和跟随蜂之间的信息共享和分工协作来求出最佳阈值,成功解决了传统二维Otsu图像分割计算量大、运行时间长的缺陷. 实验结果表明,所提出的算法不仅能得到理想分割结果,而且分割速率快.     

人工蜂群算法在图像分割中的应用研究

为快速准确地分割图像,将新型群体智能模型中的人工蜂群算法、灰度形态学和二维Otsu法相结合,提出了一种图像分割新方法。该方法对待分割的图像进行灰度形态学中的闭操作预处理,以抑制图像噪声,把图像阈值看成人工蜂群算法中的蜜蜂,利用二维Otsu法设计人工蜂群算法的适应度函数;通过采蜜蜂、侦察蜂和观察蜂的分工协作和信息共享,逐代逼近最佳阈值。实验结果显示,该方法在分割红外图像和SAR图像时,分离出来的目标更加适合后序的分析和处理。     

基于分散微粒群算法的二维模糊最大熵图像分割

该文研究了基于二维模糊信息熵的图像分割方法,针对二维模糊信息熵图像分割方法求取阈值时存在的计算复杂、时间长、实用性差等问题,提出了基于优化微粒群算法的二维最大熵图像分割方法。DPSO算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度-区域灰度均值作为阈值进行图像分割。同时,为了避免该算法收敛到局部最优解的问题,在算法中引入了变异策略。通过实验显示了该算法在收敛性和计算效率上较QPSO在内其它优化算法具有更好的优越性。     

基于混沌布谷鸟优化的二维Tsallis交叉熵建筑物遥感图像分割

为了进一步提升建筑物遥感图像分割的准确性和运算速度,本文提出了基于混沌布谷鸟优化的二维Tsallis交叉熵的建筑物遥感图像分割方法。首先给出了二维Tsallis交叉熵的阈值选取公式,然后将Logistic混沌映射引入布谷鸟算法,进一步加快布谷鸟算法的收敛速度,最后通过该混沌布谷鸟算法优化基于二维Tsallis交叉熵的阈值寻找过程,并以得到的最优阈值分割建筑物遥感图像。大量实验结果表明,与二维倒数交叉熵法、二维Tsallis熵法、基于混沌粒子群优化的二维Tsallis灰度熵法等方法相比较,本文方法分割的目标更为准确,细节更为清晰,且运算时间更短。     

蜂群优化的二维非对称Tsallis交叉熵图像阈值选取

交叉熵能够度量图像分割前后的差异,与Shannon交叉熵相比,引入参数q的Tsallis交叉熵则为图像阈值分割提供了灵活性和普适性,而非对称Tsallis交叉熵的表达形式更加简洁。由此,提出了蜂群优化的二维非对称Tsallis交叉熵图像阈值选取方法。首先引出了非对称Tsallis交叉熵,导出了二维非对称Tsallis交叉熵阈值选取公式,并利用递推方式计算阈值选取准则函数涉及的中间变量,建立查找表,消除冗余运算;然后采用蜂群算法搜寻最佳二维阈值。大量实验结果表明,相对二维最大Shannon熵法、二维Shannon交叉熵法、二维Tsallis熵法和二维对称Tsallis交叉熵法等同类方法,所提出方法在主观视觉效果和区域间对比度评价指标上有较大的改善,能够更准确地分割出目标,运行速度也更快。     

基于多目标人工鱼群算法的硅单晶直径检测图像阈值分割方法

为提高对硅单晶直径检测图像高亮光环的分割精度, 提出了一种基于多目标人工鱼群算法的二维直方图区域斜分多阈值分割方法.首先设计了一种多目标人工鱼群算法, 并且改进了快速构造Pareto非劣解集的方法, 然后以最大类间方差和最大熵同时作为测度函数, 搜索最优的二维直方图区域斜分分割阈值.仿真结果表明, 所设计的多目标人工鱼群优化算法具有较高的搜索精度, 硅单晶直径检测图像分割实验结果表明, 提出的改进二维直方图区域斜分多阈值分割方法对高亮光环具有较高的分割精度.     

基于混沌遗传算法的二维最大熵图像分割

研究了基于二维最大熵的图像分割算法,针对基于二维最大熵的图像分割算法存在的计算复杂度高、计算时间长等问题,提出了一种基于混沌遗传算法的二维最大熵算法。该方法利用类似载波的方法将混沌序列映射至双阈值的二维空间,之后利用混沌遗传算法搜索最佳阈值进行图像分割。实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了有效的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大提高了计算速度,是一种实用有效的图像分割方法。     

改进蜂群算法的图像阈值分割方法

为快速高效地进行图像分割,针对人工蜂群算法存在的收敛速度慢、易陷入局部最优解等问题,提出了一种基于改进人工蜂群算法分割二维OTSU图像的新方法。通过对蜜源更新过程中向当前最优蜜源方向进行引导,可以加快算法的收敛速度;为避免算法陷入局部最优并加快收敛速度,在局部搜索过程中逐步缩减了搜索范围并加入了放弃机制;针对较大梯度值无意义的问题,限定了蜜源范围,以提高算法的效率。最后结合具有不同直方图分布的图像进行了实验,结果表明了算法稳健、高效、快速的特性。     

基于混沌遗传算法的二维最大熵图像分割

研究了基于二维最大熵的图像分割算法,针对基于二维最大熵的图像分割算法存在的计算复杂度高、计算时间长等问题,提出了一种基于混沌遗传算法的二维最大熵算法.该方法利用类似载波的方法将混沌序列映射至双阈值的二维空间,之后利用混沌遗传算法搜索最佳阈值进行图像分割.实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了有效的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大提高了计算速度,是一种实用有效的图像分割方法.     

基于量子遗传算法的二维最大熵图像分割

图像分割二维最大熵算法存在计算复杂度高的弊端,目前针对这个问题所提出的各类算法效果都不太理想。依据量子遗传算法种群多样性好、收敛速度快的特点,提出了一种基于量子遗传算法的二维最大熵算法,与基于标准遗传算法的二维最大熵算法相比较,取得了更好的实验效果。     

多目标粒子群和人工蜂群混合优化的阈值图像分割算法

在图像分割中,为了准确地把目标和背景分离出来,提出了一种基于多目标粒子群和人工蜂群混合优化的阈值图像分割算法。在多目标优化的框架下,将改进的类间方差准则和最大熵准则作为适应度函数,通过粒子群和蜂群混合优化这2个适应度函数来获得1组非支配解。同时,为了提高全局和局部搜索能力,在蜂群进化时,将粒子群的全局最优解引入到人工蜂群算法的雇佣蜂阶段蜜源的更新中,并对搜索方程进行改进。最后通过类间差异和改进的类内差异的加权比值,从一组非支配解中选取最优阈值。实验结果表明,该算法能够取得理想的分割结果。     

Multilevel thresholding selection based on the artificial bee colony algorithm for image segmentation

Multilevel thresholding is an important technique for image processing and pattern recognition. The maximum entropy thresholding (MET) has been widely applied in the literature. In this paper, a new multilevel MET algorithm based on the technology of the artificial bee colony (ABC) algorithm is proposed: the maximum entropy based artificial bee colony thresholding (MEABCT) method. Four different methods are compared to this proposed method: the particle swarm optimization (PSO), the hybrid cooperative-comprehensive learning based PSO algorithm (HCOCLPSO), the Fast Otsu’s method and the honey bee mating optimization (HBMO). The experimental results demonstrate that the proposed MEABCT algorithm can search for multiple thresholds which are very close to the optimal ones examined by the exhaustive search method. Compared to the other four thresholding methods, the segmentation results of using the MEABCT algorithm is the most, however, the computation time by using the MEABCT algorithm is shorter than that of the other four methods.     

Fuzzy entropy based optimal thresholding using bat algorithm

Image segmentation is a very significant process in image analysis. Much effort based on thresholding has been made on this field as it is simple and intuitive, commonly used thresholding approaches are to optimize a criterion such as between-class variance or entropy for seeking appropriate threshold values. However, a mass of computational cost is needed and efficiency is broken down as an exhaustive search is utilized for finding the optimal thresholds, which results in application of evolutionary algorithm and swarm intelligence to obtain the optimal thresholds. This paper considers image thresholding as a constrained optimization problem and optimal thresholds for 1-level or multi-level thresholding in an image are acquired by maximizing the fuzzy entropy via a newly proposed bat algorithm. The optimal thresholding is achieved through the convergence of bat algorithm. The proposed method has been tested on some natural and infrared images. The results are compared with the fuzzy entropy based methods that are optimized by artificial bee colony algorithm (ABC), genetic algorithm (GA), particle swarm optimization (PSO) and ant colony optimization (ACO); moreover, they are also compared with thresholding methods based on criteria of between-class variance and Kapur's entropy optimized by bat algorithm. It is demonstrated that the proposed method is robust, adaptive, encouraging on the score of CPU time and exhibits the better performance than other methods involved in the paper in terms of objective function values.     

基于信息熵的改进人工蜂群算法

为了克服人工蜂群算法在处理复杂性问题时收敛速度慢、收敛精度不高、易早熟等缺陷,在原始人工蜂群算法的基础上引入信息熵。信息熵本身是不确定性的一种度量,由信息熵的值来度量人工蜂群算法中跟随蜂选择的不确定性,通过控制信息熵的值达到控制算法中跟随蜂选择过程的目的,实现算法的自适应调节。通过对测试函数和不同规模TSP问题的模拟仿真,对人工蜂群算法、蚁群算法和其他改进方法进行了对比,验证了所提出改进方法的可行性和有效性。     

基于IAG-ABC算法的路径覆盖测试用例生成技术

针对遗传算法(genetic algorithm,GA)存在搜索初期收敛速度过快、易陷入局部最优解、未能充分结合搜索过程中的反馈信息,同时人工蜂群(artificial bee colony,ABC)算法存在初期寻优速度缓慢、局部搜索具有很大随机性等问题,对遗传算法和人工蜂群算法分别进行了改进,并将改进后的两种算法进行融合,实现两者的优势互补,提出了一种自适应遗传-蜂群（improved adaptive genetic-artificial bee colony, IAG-ABC）算法。采用路径覆盖信息设计引导算法搜索方向的适应度函数,并用IAG-ABC算法实现路径覆盖的测试用例生成,实验结果表明,相对于标准遗传算法和自适应遗传算法,IAG-ABC算法在测试用例生成效率和覆盖率上均有一定的优势。     

融合改进遗传和人工蜂群的SVM参数优化算法

针对遗传算法不能充分利用系统中的反馈信息,易陷入“早熟”,以及人工蜂群算法在搜索初期寻优速度慢的问题,将改进的遗传算法与人工蜂群算法融合,实现二者互补,并将由支持向量机训练得到的测试集分类准确率作为算法的适应度函数,提出遗传-人工蜂群算法（G-ABCA）,以实现对支持向量机参数的优化选择。通过仿真实验,将其在支持向量机参数寻优中的性能与改进的遗传算法、人工蜂群算法进行比较,实验结果表明：遗传-人工蜂群算法有效地提高了支持向量机的分类准确率,而且算法是逐步收敛的,其表现优于其他算法。     

双搜索人工蜂群算法的彩色图像多阈值分割

针对彩色图像多阈值分割中普遍存在精度低、速度慢的问题,提出了一种新的基于双搜索人工蜂群（DABC）的彩色图像多阈值分割算法。首先由于人工蜂群算法单一的解搜索公式存在不足,对雇佣蜂和跟随蜂各提出了一种搜索公式,进而对人工蜂群算法的相关参数进行了改进,然后做了DABC算法、全局最优引导人工蜂群算法（GABC）、人工蜂群算法（ABC）、粒子群优化算法（PSO）这四种算法的彩色图像多阈值分割对比实验。实验结果表明,与其他三种算法相比,基于DABC的彩色图像多阈值分割方法在分割的精度和速度上都有明显提高,完全能满足实际的需要。     

人工蜂群算法在带约束圆形布局问题中的应用

人工蜂群算法是一种基于蜜蜂采蜜机制的新型演化算法。给出了带平衡约束的圆形布局问题的数学模型,介绍了人工蜂群算法的基本过程以及计算流程,将人工蜂群算法应用于带平衡约束的圆形布局优化中。通过两个实例进行仿真计算,并将计算结果与文献结果比较,验证了人工蜂群算法是解决此类问题的一种有效且实用的群智能算法。     

基于人工蜂群算法的电网故障诊断

针对电网故障诊断中的0-1规划问题,从代数和几何角度优化了人工蜂群算法。仿真结果表明,人工蜂群算法具有可行性和合理性,并且综合性能显著优于传统的遗传算法;在两种人工蜂群算法中,基于几何思想的人工蜂群算法具有更好的稳定性和搜索能力,更加适用于对稳定性和精准度要求很高的场合。