基于蚁群模糊聚类算法的图像边缘检测

提出了一种基于蚁群动态模糊聚类算法的图像边缘检测,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足.两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的目标函数聚类分析.最后将该算法应用到图像边缘检测,对比实验表明,该算法具有很强的模糊边缘和微细边缘检测能力.     

蚁群算法在图像边缘提取中的研究

文章对蚁群算法在图像边缘的提取中进行研究,对蚁群算法在图像边缘提取中采用蚂蚁访问不同邻域策略与不同的启发信息公式进行MATLAB仿真,得到最佳的邻域策略与启发信息公式,并利用得到的最佳方式对不同图像进行边缘的提取,达到一定的效果。     

基于自适应阈值的Canny算法在MRI边缘检测中的应用

Canny算法作为一种经典的多级优化算法广泛应用于核磁共振成像(MRI)边缘检测中,MRI具有灰度密度不均一且对比度低的局限性,本文以腰椎间盘MRI为例提出一种改进的Canny算法在边缘检测中进行优化.首先增强图像对比度,在此基础上引入中值滤波有效处理脉冲噪声进行预处理;针对边缘提取精度不足的问题,增加梯度方向模板求取...     

基于粒子群和蚁群算法的枪弹图像边缘检测方法

针对传统枪弹图像边缘检测中存在的收敛速度慢等缺陷,本文提出了一种基于粒子群和蚁群算法的枪弹图像边缘检测方法——群体优化算法.该算法的关键是把上述两种算法结合起来,使算法同时具有多样性和正反馈.首先将图像进行粒子群优化(PSO),在满足预设收敛条件后,将其次优解转换为蚁群优化(ACO)的初始信息素分布.然后,执行蚁群优化运算.当蚂蚁寻找食物时,多样性避免蚂蚁进入无限循环.当PSO达到预定收敛条件后,能够保持良好的正反馈.最后,显示图像边缘信息.实验结果表明,所提出的优化算法能够获取清晰连续的枪弹图像边缘信息,并且细节完整、搜索效率高.     

基于形态学的红外图像边缘检测

为了提高红外图像边缘检测的性能,提出了一种基于形态学的红外图像边缘检测算法,改进了仅依靠单一方向和采用固定方向权重的边缘检测算法.通过使用多方向结构元素对图像边缘进行提取,采用方向自适应权重进行加权融合,得到图像边缘检测的结果.实验结果表明,该方法能够有效地抑制图像中的噪声,提取的图像边缘更加完整,提高了红外图像边缘检测的效果.     

基于改进SUSAN算子的图像边缘检测算法

首先介绍了SUSAN边缘检测算子的原理;然后对算法中灰度差阈值的选择方式进行了改进,采用一种自适应选取阈值的方法取代算法中人为的设定阈值,使其在各种不同对比度的图像中都能正确提取出图像边缘;最后运用该算法进行了图像边缘检测测试,并与其他检测算子进行比较.实验结果表明,该算法具有方法简单、抗噪能力强、计算量小等优点.     

基于特征图像方法的运动物体检测

在传统特征图像方法基础上,提出一种基于分块边缘特征图像的运动物体检测算法.该算法对背景图和叠加图进行分块处理,分别提取出背景图与叠加图的最大特征向量,求得背景图与叠加图的各块投影系数,进行运动物体的匹配检测.在实际处理时,采用了canny算子获取边缘图的方法来进行检测,以消除光照等外界干扰对检测的影响.     

常用的数字图像边缘检测算法分析

随着计算机视觉技术的发展,数字图像处理技术被广泛应用到各个行业中,并展现出广阔的发展空间.边缘提取技术是计算机视觉技术的一个基本的核心技术,因为边缘包含着图像的重要信息,边缘提取的效果在一定程度上也影响着进一步处理的精度和性能.介绍了基础边缘性质的检测算子、二阶倒数过零点的边缘检测方法,并对各算法的性能进行了分析比较,指出了各种算法的优缺点和应用领域.     

基于边缘检测的Kinect深度图像去噪算法

Kinect实时提取的深度图像映射得到的彩色图像以及目标背景分离图像边缘存在明显锯齿,且图像噪声大,质量较差。对此提出一种针对Kinect深度图像去噪算法。运用基于Prewitt算子的分块自适应阈值边缘检测算法可得到比较精细的图像边缘;进而根据获取边缘信息对深度图像进行分类,边缘区采用单向多级中值滤波算法进行降噪处理,而非边缘区采用双向多级中值滤波算法进行降噪处理。最终利用Kinect得到边缘清晰,噪声较小的高质量深度图像,实验证明了算法的有效性。     

基于序列图像的运动轨迹检测方法

序列图像中运动目标轨迹检测是目标识别与跟踪处理的关键技术。运动轨迹检测的核心是运动目 标的轮廓特征提取,传统算法提取的目标物体由于受不同因素的影响只突出了轮廓的部分特征,给运动轨迹检测带 来一定的困难。在利用传统算法获取不同特征信息的基础上,采用蚁群聚类的多模板融合边缘检测方法获取目标 边界,实验结果表明该方法在轨迹检测过程中能够获得较完整的特征信息,能更有效地获取目标轨迹。     

基于改进的文化蚁群算法求解最优路径问题研究

针对传统方法不能够有效的求解GIS最优路径问题,在文化算法的基础上提出了一种基于实际路况求解两地之间最优距离的蚁群优化算法.引入了表示天气、路况、驾驶员个人偏好等诸多不确定因素,并将改进的蚁群算法融入到文化算法当中,使蚁群算法具有群体空间和信仰空间并行进化的机制.群体空间采用改进的最大最小蚁群算法,从而有效的提高算法最优解的搜索能力和速度.通过模拟计算结果表明改进的算法求解实际最优路径在速度和精度上优于传统最优路径算法.     

基于混合连续蚁群算法的最优潮流研究

提出了基于混合连续蚁群(HCACO)的最优潮流(OPF)计算方法;该方法将蚁群优化算法(ACO)的正反馈特性与实数遗传算法(GA)的进化策略相结合,克服了基本蚁群算法只适用于离散问题的局限性,并提高了寻优的效率,同时采用动态调整罚函数策略,有效提高了算法的全局收敛能力和计算精度,采用优进策略,提高了算法的收敛速度.应用此算法对标准IEEE-30节点测试系统进行最优潮流计算,该算法能够更好地获得全局最优解,仿真结果表明了该算法的合理性和有效性.     

基于改进蚁群算法的外卖配送路径规划研究

从外卖配送员角度出发提出一种改进蚁群算法(Improved Ant Colony Optimization, IACO),在此基础上进行外卖配送路径规划研究.首先通过蚁群算法(Ant Colony Optimization, ACO)求解得到初始规划路径,然后通过大规模邻域搜索算法(Large Neighborhood Search, LNS)优化初始规划路径,通过将ACO和LNS算法结合,提高求解质量.为了验证方法的有效性,对外卖配送过程进行仿真,并且选用不同订单数量场景进行对照分析.根据最优配送方案路线图和目标罚函数的最优值可以得出,IACO算法是有效的,且可以提高外卖配送员外卖配送的效率.IACO算法不但能够提升配送的智能化水平,还从外卖配送员的角度提出一种更为人性化的配送方法,支持网络互联外卖平台派送系统的可持续化发展.     

基于熵的小生境蚁群算法及其应用

为克服基本蚁群算法易“早熟“的缺陷,将小生境算法和信息熵相结合,提出了基于信息熵的小生境蚁群算法。该算法采用小生境算法对蚁群算法的后期进行局部搜索并以信息熵作为开始和结束的判断依据。求解旅行商问题及房地产投资组合优化问题的结果表明其优于基本蚁群算法,该算法具有广阔的应用前景。     

基于集合的细菌群优化算法

针对细菌觅食优化算法求解高维优化问题时不易跳出局部最优解的问题,引入趋向方向余弦向量和随时间变化的加速系数,控制细菌觅食优化算法的收敛精度和收敛速度,并将改进算法用于求解组合优化问题。依据细菌种群密度计算原则,设计了一种离散空间和连续空间之间相互转换的规则,同时用集合对细菌觅食优化算法中的算术运算符形式化描述。仿真试验结果表明:基于集合的细菌群优化算法避免了早熟现象,寻优结果优于蚁群算法且接近基于集合的粒子群算法。     

模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

用改进蚁群算法求解多目标优化问题

蚁群算法是一种崭新的仿生模拟进化算法,该算法在许多领域已经得到应用。多目标优化问题是一类很重要的优化问题,优化与求解较难。对此,提出了一种改进蚁群算法用于求解多目标优化问题,得到一组变量的权重后,用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁寻食的方式,通过信息素来指引搜索。给出了具体的算法,示例仿真说明了其有效性,并表明该算法可以快速发现多个全局最优解。     

基于蚁群优化算法的模糊神经网络控制器及仿真研究

提出了一种基于蚁群优化算法的模糊神经网络控制系统,并介绍了模糊神经网络控制器的结构及其参数的蚁群优化算法.仿真结果表明了该方法的可行性和有效性.     

基于改进ACO与PSO算法的结构可靠度分析

针对基本蚁群算法的过早收敛问题,引入信息熵,通过优化参数 ,对基本蚁群算法进行改进,进而寻找结构的最短失效路径。从可靠指标的几何意义出发, 利用罚函数法, 将结构可靠指标的求解问题转化成相应的无约束优化问题,采用粒子群算法对结构可靠指标进行求解计算。以十杆桁架为例,采用响应面法、遗传算法与本算法对结构可靠指标进行对比计算,结果表明改进蚁群与粒子群算法的收敛速度快,计算精度高。