基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

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.     

基于量子粒子群算法的测试数据自动生成算法

本文针对现在流行的进化算法生成测试数据存在参数设置难、算法复杂度高、易陷入局部最优解等缺点,提出了一种应用于软件测试中的基于量子粒子群算法（QPSO）的测试数据自动生成算法。该算法是在粒子群（PSO）算法基础上引入量子理论的思想。解决了PSO算法搜索空间有限,容易陷入局部最优解的问题。通过具体实验证明,该方法是有效可行的,其效率也明显高于GA算法和PSO算法。     

粒子群优化增强大津法的气泡分割方法研究

提出了粒子群算法优化增强大津法来实现气泡图像的快速准确的分割.首先介绍了阈值分割中的直方图法、经典大津法、迭代法的阈值选取原理,并利用这三种方法对垂直上升管气液两相流中稀疏上升气泡图像进行了分割,通过效果比较,并结合气泡图像的特点,提出了一种以粒子群算法优化增强大津法的图像分割法,然后利用粒子群算法的全局搜索能力改善增...     

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阈值图像分割方法.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．     

基于改进的二维Otsu法及PSO的火灾图像分割

针对传统的二维灰度直方图区域划分误差大和运算速度慢等问题,提出一种基于二维直方图和粒子群优化的阈值分割算法,即改进的二维最大类间方差法的粒子群优化算法.利用该算法在二维灰度空间上自适应搜索最优阈值,根据最优阈值对图像进行分割.选取森林火灾火焰图像,对其进行图像分割仿真实验.实验结果表明,该算法的分割效果较好,具有很好的抗噪性能,可有效提高运算速度,且实时性较好.     

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.     

基于改进QPSO算法的小波神经网络参数优化

暋针对传统的小波神经网络在参数优化过程中所采用的梯度下降法容易产生局部最优,提出了一种改 进的量子行为PSO 算法。新算法通过在最优平均值的全局搜索点中加入权重系数,用于改善粒子群的全局、局部搜 索能力和收敛速度,当粒子进化到后期,满足早熟条件时,粒子群在该维上发生变异,重新初始化后的位置均匀分布 在可行区域上,用于提高搜索精度。仿真实验结果表明,改进QPSO 算法比常规网络训练方法在寻优能力方面更加 有效。     

基于QPSO和MATLAB优化资金投资组合

量子粒子群优化算法（QPSO）是一种基于粒子群优化算法（PSO）的进化算法,它收敛速度快、规则简单、易于编程实现;Matlab是国际控制界公认的标准计算软件。采用QPSO对资金组合投资的多目标问题进行优化,使用Matlab编程,解决了传统方法难以解决的问题,仿真实验表明采用本方法能对资金投资组合问题提出较好的优化决策。     

一种基于光照补偿和模糊聚类的图像分割方法

针对受到光照不均匀影响的图片在直接进行阈值分割造成的错分割问题,提出在分割前对图像进行光照补偿的预处理,从原图中分离出光照不均匀平面矩阵,从而降低光照不均匀对阈值分割造成的不利影响.在分割过程中采用模糊聚类算法,提高了图像分割的有效性.     

彩色图像的矢量阈值自适应分割算法

针对彩色图像,提出了一种矢量阈值的自适应分割算法,该算法中的阈值是一个矢量．在图像分割时,通过先求取图像像素矢量与阚值矢量之间的差矢量,再根据差矢量与阈值矢量之间的夹角确定像素所属的区域(背景区域或目标区域)．同时基于类间方差法(Ostu法)给出了最佳阈值矢量选择原则——扩展类间矢量方差法,从而实现彩色图像矢量阈值的自适应分割．实验结果表明,采用此图像分割算法分割效果要优于采用灰度图像的阈值分割算法．     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.     

复杂背景下图像中弱小目标的分割和提取算法

针对有些图像中的目标与背景之间存在区域边界往往不明显，加上噪声的影响，目标边界具有一定的模糊性，有时还存在目标与背景面积对比差别很大等问题，提出了一种基于图像边缘增强的自适应最佳阈值图像分割方法，有利于将弱小目标从复杂背景中精确地分割和提取。该算法将闽值法和其它方法进行结合，有效地解决了目标边缘模糊图像阈值选取困难这一问题；采用图像切割技术，有效解决了弱小目标在大背景下分割难的问题；将类别方差法和迭代算法相结合建立数学模型，不但有利于自适应最佳闻值的选取，而且有效地减少噪声对最佳自适应阈值的影响，提高了图像的分割效果。     

基于非均匀光照下文本图像二值化改进算法

针对传统局部阈值算法分割非均匀光照图像效果不佳,且计算时间较长的问题,提出了一种基于局部均值的图像二值化改进算法。该算法首先使用积分图像的快速算法计算出局部均值,再将计算出的局部均值代入改进的阈值模型算法中,最终完成分割,从而进一步改善了在非均匀光照下的图像分割效果。对比实验结果表明,改进的二值化算法大大提高了运算效率,增强了图像分割效果,在视觉效果和处理时间2个方面都优于Niblack算法、Sauvola算法、Bernsen算法以及基于局部对比度和均值的算法。     

基于自适应遗传算法的激光图像处理

针对激光图像分割处理的问题,提出了一种基于自适应遗传算法的激光图像分割处理算法.该算法将自适应遗传算法与最大类间方差分割方法相结合,将图像类间方差作为适应度函数,利用交叉概率和变异概率动态调整自适应遗传算法求解最大类间方差的最优阈值.为了衡量该算法的处理效果,分别采用本文算法和最大类间方差图像分割算法对图像进行处理.结果表明,该算法的CI值为0. 417,能够对图像进行有效分割,且分割的准确性和运算速率均优于传统的最大类间方差分割方法,具有较高的实践价值.     

双集合FCM和改进Otsu算法的灰度图像阈值分割

针对FCM算法和Otsu算法的不足,根据灰度图像的特点,提出了基于双集合FCM和改进Otsu算法的阈值分割算法,该算法从两个方面对FCM算法和Otsu算法进行改进．第一、采用双集合的方法,减小FCM算法和Otsu算法的时间复杂度;第二、适当移动分割阈值提高Otsu算法的分割效果．从数学分析和实验可知,文中算法的时间花费和分割效果均优于FCM算法和Otsu算法．     

基于面积和结构特征的水表图像二步分割方法

针对在水表图像中对指针进行分割提取这一问题,提出了一种基于面积和结构特征的水表图像二步分割方法;介绍了该分割方法的思路和分割过程;详细阐述了构成该分割方法的基于结构和灰度特征的哈夫变换分割算法和基于面积特征的阈值分割算法。通过实例,给出了采用该分割方法对水表图像进行分割的效果。     

自动选取阈值方法比较研究

在数字图象处理中 ,阈值处理是非常有用的图象分割技术。它已被广泛地应用于数字图象处理的许多领域 ,近年来已有许多种阈值化方法被提出。阈值选取是图象处理与分析问题的基础 ,如何才能正确地找到适当的阈值 ,是一个非常棘手的问题。针对几种常用的图象二值化自动选取阈值方法 ,通过计算机仿真对实验结果进行了比较研究。并在此基础上 ,提出了一种新的图象二值化算法。该算法着重于在图象二值化时保留图象的边缘特征。其基本思想是 :首先 ,用微分算子检测图象的边缘 ;然后 ,在这些边缘象素点上进行二值化阈值的自动选择 ;最后 ,对于其它非边缘象素点则采取常规方法进行二值化处理。实验结果表明 ,这个基于边缘特征检测算子的算法能很好地保留原图的边缘特征 ,并能处理低质量的图象。     

图像背景自适应分割技术研究

图像在进行分类识别之前,重要的一步处理过程是进行背景分割,以便把识别对象与图像背景分开,阈值化分割算法是图像分割中应用数量最多的一类,但如何设置阈值进行图像背景的自适应分割成了问题的关键所在。通过图像分割技术,比较分析各种算法的优缺点,提出一种用于图像背景自适应分割的方案。此算法不需要人为设定其他参数,是一种自动选择阈值的方法,且选取出来的阈值理想,对各种情况的表现都较为良好。