基于细菌觅食优化算法的自适应阈值边缘检测

Sobel算子在阈值偏高或偏低的情况下会产生伪边缘或边缘丢失的问题。为此,将细菌觅食优化算法与最大类间方差相结合,利用细菌觅食优化算法的全局寻优能力,以最大类间方差为适应度函数搜索最佳边缘检测阈值,对图像进行自动边缘检测。实验结果证明,该方法能够取得较好的边缘分割效果,提高阈值检索速度。     

改进的细菌觅食优化算法及其应用研究

为了解决离散域问题,提出了改进的细菌觅食优化算法,并用该算法以减少分布式发电单元总的功率损耗,提高径向配电系统的电压分布。该算法旨在改进细菌觅食优化算法的性能。实验结果表明,提出的改进的细菌觅食优化算法得出的结果优于细菌觅食优化算法。最后将电力系统的12路、34路总线径向分布系统组成的11和33节进行仿真比较,证明了所提出的优化方法的可实现性和方便性。     

基于细菌觅食优化算法的多阈值图像分割

由于多阈值图像分割的时候,Otsu算法计算量过大的问题,提出了基于细菌觅食优化算法的多阈值图像分割方法。首先,将细菌觅食优化算法中趋化操作中的固定步长进行动态调整。其次将原算法迁徙操作中细菌的随机驱散改成正负一的操作。与Otsu算法相比较而言,改进后的算法计算量明显减小。实验结果表明,该算法能够更快速,更准确的实现多阈值图像分割。     

细菌觅食优化算法的研究进展

细菌觅食优化算法是近年来发展起来的,基于大肠杆菌觅食行为模型的一种新型智能算法。它具有对初值和参数选择不敏感、鲁棒性强、简单易于实现,以及并行处理和全局搜索等优点。但其在应用过程中存在精度不够高、收敛速度不够快的缺点。文中首先对细菌觅食优化算法的基本原理及操作流程进行介绍,并概述了国内外学者在这一领域的研究现状,接着分析了算法三大主要操作存在的问题,然后探讨了算法的改进和应用,最后分析了算法未来的研究方向。     

基于改进的Canny算子与自适应阈值的边缘检测算法

传统的基于Canny算子的边缘检测算法存在不足,因此提出了一种基于自适应阈值的改进方法。由于传统的Canny算子方法中的高低阈值需要人工设定,会对边缘检测中的结果产生影响,利用自适应阈值的方法改进传统Canny算子中阈值的参数的设定。得到理论上适合的参数后,根据算法对结果进行处理。实验结果表明,改进后的算法比传统算法表现更加出色,而且有效排除了图像中噪点的影响,提高了边缘检测算法的鲁棒性。     

基于Otsu算法和Sobel算子的连接件图像边缘检测

着重研究基于机器视觉的薄片连接件检测系统中的图像边缘检测方法。该方法首先采用Otsu算法对CCD工业相机获取的连接件灰度图像进行阈值分割,然后再用Sobel算子进行边缘检测。整个流程采用MatLab进行仿真测试。测试结果表明,该方法改善了单一采用Sobel算子检测的准确性,能提高边缘检测的整体性能,检测精度较好,该方法是实用可行的。     

基于细菌觅食机理改进粒子群算法的研究

粒子群算法与细菌觅食算法在优化问题中均体现了较好的性能,但由于各自特定的进化机制,也都存在缺点。粒子群优化（PSO）算法在优化过程中过快陷入局部极值,为了避免这个缺陷,提出了一种新的混合算法。通过PSO算法完成整个空间的全局搜索,通过细菌觅食算法（BFOA）中的趋向性运动算子完成局部搜索的功能,再通过典型函数进行测试,结果表明新算法可以有效弥补细菌觅食算法速度不快和粒子群算法精度不高的缺陷,同时部分地避免了局部收敛的问题,从而适用于解决复杂函数的优化问题。     

一种改进的Canny边缘检测算法

针对带噪声图像,提出了一种改进的Canny算子边缘检测算法。该算法用离散小波变换（DWT）分解和加权重构对图像进行平滑滤波,用Otsu阈值法（最大类间方差法）求出最佳的滞后闽值,在3×3邻域求得梯度法。实验证明,该算法在较好地抑制噪声的同时保留了更多边缘,检测出的图像边缘更加准确和丰富。     

基于细菌觅食优化算法的多色彩空间嘴唇分割

结合多色彩空间处理、细菌觅食优化算法(BFOA)与关键点定位算法,提出一种新的嘴唇轮廓提取算法。对嘴唇图像进行色彩空间的转换,在不同的色彩空间对嘴唇图像进行色彩增强及色彩分割处理,利用BFOA结合Kapur最大熵阈值法对嘴唇区域图像求取最佳阈值,实现唇部精确分割。提取嘴唇的边缘关键点,并以提取到的关键点为输入,运用最小二乘曲线拟合的方法拟合嘴唇边缘轮廓,准确提取嘴唇的外部轮廓。实验结果表明,该方法能够完成对嘴唇的精确分割,并获得较高的分割准确率。     

基于细菌觅食的改进蚁群算法

蚁群算法是模仿蚂蚁觅食行为的一种新的仿生学智能优化算法。针对其收敛速度慢和易陷入局部最优的不足,将细菌觅食算法和蚁群算法相结合,提出一种细菌觅食 蚁群算法。在蚁群算法迭代过程中,引入细菌觅食算法的复制操作,以加快算法的收敛速度;引入细菌觅食算法的趋向操作,以增强算法的全局搜索能力。通过经典的旅行商问题和函数优化问题测试表明,细菌觅食 蚁群算法在寻优能力、可靠性、收敛效率和稳定性方面均优于基本蚁群算法及两种改进蚁群算法。     

Application of Modified Bacterial Foraging Optimization algorithm for optimal placement and sizing of Distributed Generation

In this paper, a new approach in Bacterial Foraging Optimization algorithm is proposed to reduce the total power loss and to improve the voltage profile of the radial distribution systems, in the presence of Distributed Generation unit. The proposed method aims to modify the performance of the Bacterial Foraging Optimization algorithm. The test results obtained from Modified Bacterial Foraging Optimization algorithm are also compared and found to be better and in close agreement with the Bacterial Foraging Optimization algorithm. The achievability and convenience of the optimization methods proposed have been demonstrated on 12-bus, 34-bus, and 69-bus radial distribution system consisting of 11, 33, and 68 sections, respectively. MATLAB, Version 7.10 software is used for simulation.     

An enhanced Bacterial Foraging Optimization and its application for training kernel extreme learning machine

The Bacterial Foraging Optimization (BFO) algorithm is a swarm intelligent algorithm widely used in various optimization problems. However, BFO suffers from multiple drawbacks, including slow convergence speed, inability to jump out of local optima and fixed step length. In this study, an enhanced BFO with chaotic chemotaxis step length, Gaussian mutation and chaotic local search (CCGBFO) is proposed for overcoming the existing weakness of original BFO. First, a chaotic chemotaxis step length operation is used to produce adaptive chemotaxis step length. Then, by combining the optimal position in the current bacteria with the Gaussian mutation operation to make full use of the information of the optimal position. Finally, a chaotic local search is introduced into the chemotaxis step to ensure that the algorithm can explore a large search space in the early stage. The performance of CCGBFO was evaluated on a comprehensive set of numerical benchmark functions including IEEE CEC2014 and CEC2017 problems. In addition, CCGBFO was also used to tune the key parameters of kernel extreme learning machine for dealing with the real-world problems. The experimental results show that the proposed CCGBFO significantly outperforms the original BFO in terms of both convergence speed and solution accuracy.     

一种自适应的Canny边缘检测算法*

针对传统的Canny算子进行边缘检测时易丢失边缘细节的缺陷,提出了一种改进的Canny边缘检测算法。该算法采用自适应的滤波器对图像进行滤波,在滤除图像噪声的同时保留了更多的图像边缘信息;根据图像的灰度均值与方差均值自动计算Canny算子的高低阈值。实验结果表明,该算法在检测到更多边缘细节的同时也具有很强的自适应性。     

细菌觅食算法求解高维优化问题

针对细菌觅食优化算法中,以往的自适应步长公式引入参数过多,统一的经验性参数无法适应各类不同问题的情况,提出了改进的自适应步长公式,通过在步长公式中引入当前细菌的进化代数、寻优范围,并发挥当前最优细菌的引导作用,灵活的调整步长,真正达到自适应调整步长的目的;其次对高维优化问题进行分析,将其分为可分解可分组、不可分解可分组和不可分解不可分组三大类,针对不同类型的问题,采用不同的分组方式,降维、细化来求解,将复杂的问题简单化,极大的提高了求解的效率和精度。将改进的自适应步长公式应用于高维优化问题的求解方法中,通过对多个标准测试函数在多维空间特别是超高维空间（500维、800维、1000维）进行测试,并将其结果同其它算法进行比较,实验证明本文改进算法在寻得最优解的精度和效率上比其它改进方案有显著提高。     

基于自适应阈值的改进Canny边缘检测方法

传统的Canny边缘检测算子采用全局阈值选取方法,当图像的背景和目标灰度变化比较大时,采用全局阈值法将丢失一些局部边缘信息。针对该问题,提出了一种自适应求取动态阈值的改进Canny边缘检测方法。该方法利用图像的梯度方差作为判据对图像进行分块,继而对各子块运用最大类间方差法求得相应的阈值,并通过插值得到阈值矩阵,最后结合改进的边缘连接法对图像进行边缘检测。实验结果表明,该算法在具有良好的抗噪性能同时,具有很好的检测精度。     

基于Canny算子图像边缘检测的改进方法

针对传统Canny算子在边缘检测中的不足,提出一种基于Canny算子图像边缘检测的改进方法。传统Canny算子的高低阈值一般是人为地设定固定值,这容易造成虚假边缘。对此,利用最小交叉熵计算Canny算子的高低阈值,得到理想的边缘后,利用数学形态学对结果进行后处理。实验结果表明,改进后的算法具有自适应性,抑制噪声能力较强,有效地提高了边缘检测的鲁棒性。     

基于Canny思想的Robinson边缘检测算法

传统的Canny边缘检测算子是一种含有最优化思想的算子,它具有较高的检测精度,可以达到单像素级,但是因为它本身对噪声比较敏感,所以需要先利用Gauss滤波、均值滤波、中值滤波等滤波器进行去噪,然后再进行边缘检测,而Robinson边缘检测算子虽然具有抑制噪声的能力,但检测到边的缘不是单像素的。分析了原Canny边缘检测算子判断非极大值抑制条件存在的问题,提出了新的判断非极大值抑制的条件,将Canny边缘检测算子的思想与Robinson边缘检测算子相结合,既可以有效地抑制噪声,也可以得到单像素边缘,通过数据分析和实验结果说明了本文算法的有效性。     

基于遗传算法的Canny边缘检测算子在配药机器人中的应用

为了尽可能降低噪声的影响和保留图像的边缘信息,以确保配药机器人的机械手能快速准确地抓取药瓶完成整个配药过程,结合了遗传算法和Canny边缘检测算子的优点,首先采用半像素插值的方法将3 ×3模板扩展成5×5模板,再利用图像梯度方差作为判据对图像进行四叉树分块,然后对每个子块采用二次寻优遗传算法再反复迭代求出最佳阈值,最后利用该阈值来对边缘进行提取.实验结果表明:与传统的算法相比,该算法的检测效果更好,能有效地减少假边缘点出现的概率,保证了机械手的抓取动作顺利进行.