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     

一种基于边界搜索策略的匹配算法

基于灰度相关的图像匹配法,因匹配概率高而广泛应用于各个领域,但传统灰度相关算法的搜索策略是遍历性的,匹配速度较慢.为提高图像匹配速度,本文提出了一种基于边界搜索策略和矢量关系的匹配算法.该算法从矢量关系的角度,分析图像间差异.采用高维空间矢量表征图像所含信息,通过计算矢量之间的角度衡量待匹配区与模板的相关性.实验验证了采用的矢量角度作为图像间关系的测度的合理性和准确性,表明了该算法的图像匹配具有快速性和较高的准确性.     

基于量子遗传算法的图像分割

针对基本遗传算法的稳定性较差、存在未成熟收敛和易陷入局部最优解的问题,将量子计算与遗传算法进行融合,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明量子遗传算法用于阈值寻优减少了搜索时间,提高了收敛效率.     

基于捕食搜索策略的遗传算法研究

针对标准遗传算法易陷入局部最优而出现早熟,提出了一种基于捕食搜索策略的遗传算法。该算法在进化中模拟动物捕食搜索的过程,并根据种群中个体最优适应值来动态改变交叉和变异概率,从而加强算法的全局搜索和局部优化的能力。仿真实验表明该算法是有效的。     

基于量子遗传算法的盲源分离算法研究

在改进遗传量子算法的基础上，提出了一种新的量子遗传算法并从理论上证明了算法的全局收剑性．提出了基于量子遗传算法与独立分量分析算法相结合的盲源分离新算法．仿真结果表明：新方法比采用常规遗传算法的盲源分离方法具有明显的高效性．     

基于通用量子门的量子遗传算法及应用

为加快量子遗传算法的参数更新速度,简化遗传操作步骤,提出了一种基于通用量子门的量子遗传算法（Quantum Genetic Algorithm with Universal Quantum Gate,UQGA）。该方法以通用量子门为逻辑计算单位,对染色体进行遗传操作。利用Hadamard门进行基础变换;通用量子门通过新的旋转角度函数,对各个基因位进行选择、变异操作;通过求解适应度函数,得到全局最优解;同时,算法经数学证明是收敛的。该算法应用到函数极值搜索和Iris数据集特征选择中。实验结果表明,UQGA具有较好的全局搜索和特征选择性能,尤其是在收敛速度、运算时间和分类准确率方面明显优于普通量子遗传算法和普通遗传算法。     

边缘检测的混合量子遗传算法

本文基于费用函数最小化方法,提出一种混合量子遗传算法用于图像的边缘检测.量子遗传算法是一种基于量子计算的概念和理论的进化算法,它采用量子编码来表征染色体,能够表示出解的线性叠加态,比传统的遗传算法具有更好的群体多样性和全局寻优能力.我们将这一算法和局部搜索算法相结合,用于图像的边缘检测问题,产生了令人满意的检测效果,并对噪声有较好的抑制作用.     

自适应策略的混沌局部搜索遗传算法

提出了一种自适应策略的混沌局部搜索遗传算法（ACLSGA）,它是遗传算法中每一代的所有个体经过一次遗传操作之后得到一个最佳个体,通过自适应策略决定是否在最佳个体附近进行混沌局部搜索。4个基本的测试函数优化结果表明：ACLSGA比具有精英保留选择机制的实数编码的遗传算法（RGA）的全局搜索能力强,收敛速度快。     

量子遗传算法研究

量子遗传算法是在遗传算法中引入量子计算的概念,是20世纪90年代新兴的研究领域。介绍了遗传算法(GA)和量子算法(QC)的特点,以及量子遗传算法(QGA)的基本理论与方法。并在Matlab下编程对量子遗传算法与传统遗传算法的效率进行比较。     

量子遗传算法在图像锐化中的应用

图像平滑处理后会导致轮廓边界模糊不清,此时需对图像进行锐化使边缘变得清晰．传统锐化算法适应性不强,计算量大,参数不能人工干预．Tubbs将图像锐化中的非线性变换函数表示为归一化非完全Beta函数B（α,β）,但算法复杂,Beta参数难以确定．本文提出一种基于Beta非线性变换参数的量子遗传算法用于图像锐化,最后通过实验验证该算法的有效性．     

基于遗传算法的图象不变矩匹配

研究模板和图象间的有效匹配，利用不变矩特征作为检测模板和图象中物体轮廓相似度的测度，同时把遗传算法引入图象匹配识别，并针对简单遗传算法在应用过程中出现收敛过早和早熟现象的问题，采用了一种 改进型遗传算法。该算法和不变矩相结合能有效检测出具有平移、旋转 和尺度变化的物体，该方法可以应用于实际图象匹配和识别中。     

基于深度优先搜索的一般图匹配算法

对于一般图的匹配问题,Edmonds算法以Berge定理为基础,采用广度优先搜索增广路,图中可能存在“花”。遇到这种情况,要对它进行缩减“花”处理,再进行搜索。当找到增广路时,要将缩减图恢复,算法显得复杂。Gabow等算法使用先给固的顶点和边编号,并使用了不同数组和虚拟顶点,避免了处理花。算法的复杂性为O（n^3）,但增加了空间复杂性。本文提出的基于深度优先搜索算法,在搜索增广路时不会出现“花”的情况,算法相对简单;同时,算法时间效率为O（n＊degree（n））,degree（n）为顶顶点的平均度数。另外,当图的边动态增减时,使用该算法可以很快调整最大匹配,并且该算法空间复杂性在同一数量级也可以推广到广度优先搜索。     

一种基于图像分层的快速相关匹配算法

相关算法是一种广泛应用于信号和图像处理领域的方法.本文提出了一种在完全搜索中寻找最优匹配点的相关匹配算法.它首先为图像建立一种类似金字塔的特殊层次结构,我们利用该结构的特点削减匹配中无用的搜索分支,以达到提高处理效率的目的.     

Quantum Algorithms for Highly Structured Search Problems

We consider the problem of identifying a base k string given an oracle which returns information about the number of correct components in a query, specifically, the Hamming distance between the query and the solution, modulo r = max{2, 6 – k}. Classically this problem requires (nlog _r k) queries. For k {2, 3, 4}, we construct quantum algorithms requiring only a single quantum query. For k > 4, we show that O(k) quantum queries suffice. In both cases the quantum algorithms are optimal. PACS: 03.67.Lx     

绝热量子搜索算法中的纠缠与能量分析

为了进一步研究量子纠缠与量子计算速度及能量的关系,通过计算von Neumann纠缠熵,分析了时间复杂度分别为O(N )和O(1)的绝热量子搜索算法的量子纠缠度随时间的变化关系,并对两者进行了比较.实验结果表明,量子纠缠对绝热量子计算的运行时间具有明显的影响,较大的纠缠可以导致更短的运行时间,反之亦然.同时对纠缠与能量的关系给出了一般性解释,即注入能量导致系统的纠缠增大,并因此缩短算法的运行时间.此外还分析了纠缠与量子系统初态的关系.实验表明系统初态形式不同,其纠缠度也不一样.初态为等幅叠加态的算法涉及的纠缠度明显大于初态为非等幅叠加态的算法.     

基于改进布谷鸟搜索算法的图像边缘检测

针对传统边缘检测算法自适应能力差、固定阈值、背景噪声抑制的问题, 为了获得更理想的图像边缘检测结果, 提出了一种基于改进布谷鸟搜索算法的图像边缘测算法. 首先通过灰度图像矩阵的一阶导数得到灰度图像的梯度值矩阵, 然后用改进布谷鸟搜索算法根据布谷鸟繁殖行为找到搜索图像的梯度最大值, 检测出图像的边缘, 最后采用仿真实验对算法的性能进行检测. 仿真实验结果表明, 本文算法能快速、准确地检测出图像的边缘, 且优于其他传统边缘检测算法.     

基于遗传算法的图像分割阈值选取

图像分割是图像处理和计算机视觉的重要研究领域.基于图像的灰度级特征,以目标和背景最大程度地分开为判据,文章提出了一种简捷的自动识别最优阈值的方法,该方法将遗传算法引入图像分割,利用遗传算法具有的快速寻优特点,优化了求解阈值的过程,对更多图像都可以给出最佳的阈值,达到较好的图像分割效果,大大缩短了计算时间.     

基于削减搜索分支的快速模板匹配算法

提出了一种在完全搜索中寻找最优匹配点的模板匹配算法。它首先为图像建立一种类似金字塔的特殊层次结构。利用该结构的特点，削减匹配中无用的搜索分支，以达到提高处理效率的目的。通过该算法找到了完全搜索的最优匹配点，实验结果证明了它可以大大提高处理的效率。     

Efficient Algorithms for Image Template and Dictionary Matching

Given a large text image and a small template image, the Template Matching Problem is that of finding every location within the text which looks like the pattern. This problem, which has received attention for low-level image processing, has been formalized by defining a distance metric between arrays of pixels and finding all subarrays of the large image which are within some threshold distance of the template. These so-called metric methods tends to be too slow for many applications, since evaluating the distance function can take too much time. We present a method for quickly eliminating most positions of the text from consideration as possible matches. The remaining candidate positions are then evaluated one by one against the template for a match. We are still guaranteed to find all matching positions, and our method gives significant speed-ups. Finally, we consider the problem of matching a dictionary of templates against a text. We present methods which are much faster than matching the templates individually against the input image.