基于粒子群优化算法的多阈值图像分割

为确定图像分割的最佳阈值，基于粒子群优化算法提出了一种多闽值图像分割方法．由最大熵或最大类间方差法得到优化的目标函数，用粒子群算法对其进行优化，得到分割的最佳阈值，并用该阈值对图像进行分割．将分割结果与遗传算法的多阈值分割结果相比较可以看出，该算法不仅可实现正确的图像分割，并可使分割速度大大提高．     

基于量子粒子群算法的双阈值图像分割方法

为了提高图像分割效率,将量子粒子群算法QPSO应用于图像阈值分割领域,并在QPSO算法基础上提出了一种基于边界控制的量子粒子群阈值分割算法BQPSO.改进算法BQPSO引入了边界控制策略,使得飞越搜索区域的粒子不再聚集到区域的边界,而是回到搜索区域内边界附近的某一位置,保持了群体的多样性,有效地避免了算法陷入局部最优解,增强了算法的全局搜索能力.实验结果表明,与遗传算法GA、粒子群算法PSO和标准量子粒子群算法QPSO的阈值寻优结果相比较,BQPS0算法在运算效率、阈值搜索精度和稳定性以及图像分割效果等方面均具有明显的优势.     

结合粒子群算法优化归一割的图像阈值分割方法

为了快速得到图像分割的最佳阈值,依据图论知识,利用灰度级相似矩阵代替像素级权值矩阵,将归一化切割准则作为优化函数.利用粒子群优化算法代替穷举法优化归一化划分准则,提出粒子群算法优化归一割的图像阈值分割方法.实验表明在分割性能上有较大的提高,在分割速度上也有较大的改进,能够满足实时性要求.     

基于粒子群算法的Otsu法图像阈值分割

图像分割是由图像处理到图像分析的关键步骤,Otsu法是一种效果较好、实现简单的阈值分割方法.针对传统的Otsu阈值计算方法需要在全灰度范围内搜索一个最佳门限组合,耗时较多,难以实际应用这一问题,采用协同和带压缩因子的粒子群改进算法求解Otsu阈值,通过分别用改进粒子群算法和标准粒子群算法对lena测试图像的实验表明,前者相较于后者有更高的精度.而在计算时间方面,两者都不到传统方法的百分之一,有利于提高图像处理的实时性,也证实了将粒子群算法用于阈值分割是可行的.     

基于二进制粒子群的图像分割算法

基于最大类间方差的分隔方法思想简单、稳定有效,对于简单图像的分割效果良好。为了改善对复杂图像的分割效果,将算法推广到多阈值分割法;针对计算复杂度问题,引入二进制粒子群算法来解决,提高了算法的求解性能。通过对图像分割的实验,证明了算法的可行性和有效性。     

基于遗传算法的图像多阈值自动分割方案

图像多阈值分割是图像处理的基本技术之一。遗传算法则是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应的搜索算法。本文将遗传算法引人图像分割,提出一种新的图像多阈值分割方案,并加以改进。该方案能够快速正确地实现分割,且不需事先认为的确定分割类数。实验结果令人满意。     

基于改进鲸鱼优化算法的多阈值图像分割技术

针对鲸鱼优化算法(WOA)存在的收敛精度低、局部最优逃逸能力缺乏等问题,提出了一种改进的鲸鱼优化算法(IWOA)。首先,在WOA中引入能量控制因子以改进鲸鱼个体位置的更新方式,提高种群整体优化能力;然后,运用振荡柯西变异策略来增加算法跳出局部最优的概率;最后,应用多种基准函数评价改进算法的收敛精度,验证改进策略的有效性。将IWOA运用于多阈值图像分割实验中,结果证明该算法能够选取高质量阈值,提高图像的分割效率。     

基于改进萤火虫算法的多阈值微生物图像分割

针对微生物显微图像噪声干扰大、灰度分布不均匀、单幅图像中包含多个形态丰富的微生物,难以快速准确提取目标满足实际应用要求问题,提出一种基于改进萤火虫算法的多阈值分割方法。首先,通过统计图像灰度直方图峰值,自动获取最佳多阈值数目m;其次,引用二维熵阈值分割原理,将二维熵单阈值扩展到多阈值,并设计基于对数熵的多阈值目标代价函数;最后,针对原始萤火虫智能优化算法容易过早陷入局部最优解且萤火虫个体之间缺乏协同,导致算法效率低下问题,提出基于萤火虫初始化过程优化以及变量参数(步长量化因子α和相对吸引力参数β_(ij))调整的改进萤火虫算法,从而实现快速、准确寻找到多个最佳阈值。并将该算法与一维熵、二维熵、Otsu、粒子群多阈值分割以及原始萤火虫多阈值分割等分割算法作比较。实验结果表明,本文改进算法在微生物分割的准确性与时效性上有明显提高,为后续自动识别奠定良好基础。     

多目标混合优化的阈值图像分割

提出了一种多目标混合优化的阈值图像分割算法。该方法以类间方差函数和模糊熵函数为待优化目标函数,为了改善粒子群算法在迭代后期陷入局部最优的问题,在粒子群算法中引入多元宇宙优化算法并产生一组非支配解集;采用混沌搜索策略进行搜索,以更有效地逼近最优阈值;通过类间差异和类内差异的加权比值来选取最优解。仿真结果表明,相较于Otsu算法、多目标粒子群算法以及多元宇宙优化算法,算法的分割准确率较高。     

基于正余弦优化多阈值图像分割

将进化计算(EC A)与阈值准则相结合,利用能量曲线参数执行多级阈值分割.进化计算的正余弦算法(SCA)应用于图像分割中的多阈值分割问题,对所提出的方法进行了质量方面的深入评估,并且使用统计分析方法进行比较.进行了数值实验和分析.     

微粒群优化和区域生长结合的彩色图像分割算法

提出了一种微粒群优化和区域生长相结合的彩色图像分割算法,以彩色图像直方图中自适应搜索到的峰值作为像素种子。由于搜索像素种子点是按密度进行,计算量小,大幅度提高了算法的计算速度,同时克服了传统区域生长方法不能自动选择种子且容易导致过分割的局限性。实验表明：该方法提高了图像分割速度,并可以准确地分割出目标,是一种有效的图像分割方法。     

粒子群优化算法分析

粒子群优化算法是一种基于群体智能的随机全局优化技术，尽管其原理简单易、于实现且功能强大，但目前研究人员还没有对它的工作原理做出足够的解释．将群体优化过程看成一个动态系统的演变，采用线性离散时间系统的分析方法对算法的收敛性进行了分析，导出了简化PSO算法的收敛条件．考虑到参数是影响算法性能和效率的关键因素，利用标准测试函数对算法的参数选择进行了详细的分析，并给出一些指导性原则．     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

微粒群算法的研究现状与展望

微粒群算法(PSO)是继蚁群算法提出之后的又一种新的进化计算技术.介绍了微粒群算法的产生背景,基本算法,算法流程,算法参数及其对算法性能的影响.围绕微粒群算法的改进形式,算法的应用等方面对微粒群算法的研究现状进行全面综述,其中特别提到了算法在生产调度领域的研究现状.最后就PSO算法进一步的研究工作进行了探讨和展望.     

基于改进粒子群算法的配电网重构的研究

提出了基于改进二进制粒子群算法的配电网重构策略,在保证系统及用户供电质量的前提下,使得配电网重构的综合费用最低。从配电网重构实际应用出发,提出了综合考虑系统的电能损耗费用、开关运行维护及投切费用和停电损失费用四方面的目标函数。针对普通粒子群算法易陷入局部极值的缺点,采用改进的惯性权值策略,增强了算法的调节功能,克服了普通粒子群算法的早熟收敛现象。算法还对开关操作次数约束进行了处理使之不影响全局最优性。仿真结果表明,这种配电网策略可以明显降低系统网损和综合费用。改进的粒子群算法计算速度快,目标函数更贴近配电网重构的实际情况。     

基于改进粒子群算法的组合测试数据生成

针对传统粒子群优化算法生成测试数据容易产生早熟收敛而陷入局部最优的问题,提出一种基于改进粒子群算法的组合测试数据生成算法。该算法在粒子群算法的基础上引入一种惯性权重自适应调整策略,根据粒子的适应度不同采用不同的惯性权重,从而有效的平衡算法的全局和局部搜索能力,增加种群的多样性并提高算法的搜索效率。仿真实验表明该算法与传统粒子群算法相比,所需迭代次数减少,生成组合测试数据速度快。     

基于混合粒子群算法的梯级泵站优化调度

针对不同时段电价差异,以流量平衡为基础,建立以梯级泵站耗电电费最小为目标的优化调度模型,并采用粒子群算法求解.为克服粒子群优化算法易早熟、迭代后期收敛速度慢的缺点,引入免疫思想,以粒子适应度为标准,通过克隆变异算子、疫苗接种算子和优胜劣汰算子,构建双粒子群,增强了粒子群搜索精度和搜索范围,并将其应用于广东某供水工程.优化调度仿真对比分析表明:免疫粒子群算法(IAPSO)能够有效地解决梯级泵站优化调度问题,降低了泵站运行成本,与基本粒子群算法(PSO)和自适应惯性权重粒子群算法(APSO)相比,收敛速度更快,搜索精度更高.     

Robot stereo vision calibration method with genetic algorithm and particle swarm optimization

Accurate stereo vision calibration is a preliminary step towards highprecision visual positioning of robot. Combining with the characteristics of genetic algorithm (GA) and particle swarm optimization (PSO), a threestage calibration method based on hybrid intelligent optimization is proposed for nonlinear camera models in this paper. The motivation is to improve the accuracy of the calibration process. In this approach, the stereo vision calibration is considered as an optimization problem that can be solved by the GA and PSO. The initial linear values can be obtained in the first stage. Then in the second stage, two cameras’ parameters are optimized separately. Finally, the integrated optimized calibration of two models is obtained in the third stage. Direct linear transformation (DLT), GA and PSO are individually used in three stages. It is shown that the results of every stage can correctly find nearoptimal solution and it can be used to initialize the next stage. Simulation analysis and actual experimental results indicate that this calibration method works more accurate and robust in noisy environment compared with traditional calibration methods. The proposed method can fulfill the requirements of robot sophisticated visual operation.