基于粒子群优化算法的航空影像纹理分类

粒子群优化算法是基于群智能的随机全局优化技术,将它引入航空影像纹理分类,在提取纹理样本小波、分形等特征的基础上,提出了针对分类问题的粒子表达方法和群体寻优策略,实现了基于粒子群算法的纹理分类。将其与基于遗传算法的纹理分类法作比较,结果表明粒子群优化算法具有较好的寻优性能,基于该算法的纹理分类法分类精度较高且计算时间较少。     

基于对偶树复小波和MRF模型的纹理图像分割

基于对偶树复小波（DT-CWT）和马尔可夫随机场（MRF）模型提出了一种监督纹理图像分割算法,算法包括两个步骤,首先对复小波变换系数进行较为精确的建模,提取其一阶统计信息作为纹理特征,综合多个尺度的信息,基于极大似然标准进行初始分割;其次,将初始分割结果用MRF模型表示,基于贝叶斯最大后验（MAP）融合初始分割结果,得到最终的分割结果。算法应用于合成纹理图像和实际图像得到了良好的结果,对比实验表明算法所采用的纹理特征的提取方法、小波变换方式、用MRF模型来建模标号等是算法简洁有效的基础。     

混沌粒子群优化的纹理合成算法研究

粒子群算法在搜索后期由于搜索空间有限,容易陷入局部极值,过早地进入早熟状态。针对这种情况,将混沌优化搜索技术用于粒子群算法,利用混沌运动的通历性、随机性等特点,提出了一种混沌粒子群优化的块采样纹理合成算法。实验结果表明,混沌粒子群算法比粒子群算法具有更好的全局寻优能力,克服了粒子群算法的缺点,得到了较高质量的纹理合成图像。     

基于粒子群优化算法的图像分割研究

借助于粒子群优化算法,进一步对图像分割技术开展相关研究,具体研究方法是针对常规分割技术与现代分割技术的联合运用,通过对粒子群优化算法,建立并且完善具有一定自适应功能的图像分割方法,以此可以达到自动、精确以及快速分割图像的重要作用.     

基于粒子群优化算法的阈值图像分割研究

研究将群体智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值.仿真实验针对Lena图像分割问题,将遗传算法与粒子群优化算法分别独立运行,对得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标.统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短.仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的.     

基于粒子群优化算法的改进Snake模型的图像分割方法

虽然Snake模型是一种有效的基于参数的轮廓探测方法,但由于其对初始位置过于敏感,不但参数选取缺乏严格的理论指导,且不能处理拓扑结构改变的问题。为此,针对Snake模型在弱边缘处容易溢出等不足,首先通过引入区域信息对Snake模型的图像力进行了修正,然后对Snake模型容易陷入局部极小化的问题,利用粒子群优化算法的全局优化特性和良好的数值稳定性来对Snake模型的分割结果进行优化。人工合成图像和医学图像的实验结果表明,该方法是有效的。     

基于MRF模型的遥感图像建筑物分割研究

为了快速有效地从遥感图像中提取目标建筑物,采用小波分析和Markov随机场(MRF)相结合的方法进行遥感图像建筑物目标分割。首先将小波分解得到图像的多尺度序列作为各个尺度特征场的观测值,采用高斯混合模型建模特征场,以MRF模型作为标记场先验概率分布模型,通过EM算法迭代使得参数估计和图像分割交替进行,最后采用模板匹配检测建筑物目标的位置。选择多幅遥感图片进行实验,结果表明,采用分解层数为3的Haar小波,类别数为2,MLL模型势函数β为1时,该方法能够完成复杂背景下的建筑物目标分割并能对规则目标进行检测。     

形态小波域多尺度马尔可夫模型在纹理图像分割中的应用

针对图像分割中小波域多尺度马尔可夫模型(MRMRF-W)无法有效描述图像非线性特征,提出了一种在形态小波域下的多尺度MRF模型（MRMRF-MW）,实现纹理图像分割。该模型结合了形态小波和MRF各自的优势,能够对图像进行非线性多尺度分解,并在各尺度上进行空间关系建模。通过对两个纹理图像库（Brodatz纹理库、Prague纹理库）中图像的分割实验,验证了该模型的有效性。     

基于小波和高斯-马尔可夫随机场的纹理分割

为了提高纹理分割的准确性和区域一致性，降低分割的错误率，在文献[5]的基础上，提出了一种基于小波和高斯．马尔可夫随机场(GMRF)的纹理分割方法。该方法首先对图象进行Gabor小波分解，得到一系列分辨率不同的子图象，然后采用基于GMR的K-均值聚类算法从最低分辨率图象进行聚类，一直到最高分辨率为止，这样就得到一个原始图象的初始分割，最后引入特征加权算法^[7]，进行后分割，得到最终分割结果，并对仿真结果与文献[5]的算法进行了比较，表明该算法是比较有效的．     

3种基于MRF的分割方法在遥感影像分割中的应用

对ICM、RL和HCF等3种基于MRF的图像Excel分割算法.在遥感图像领域的分割应用进行了理论和实验的研究分析.并且提出了改进后的HCF算法,可以实现对遥感图像Excel的快速分割并且得到较好的分割效果.通过实验.给出了它们的各自的性能特点和适用范围.对这3个算法的图像Excel分割性能和优缺点进行了比较.     

多阈值图像分割的模糊粒子群优化算法

把粒子群算法应用到多阈值图像分割中,结合已有的模糊C-均值聚类法提出了一种基于模糊技术的粒子群优化多阈值图像分割算法。FCM聚类算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解。PSO算法是一种基于群体的具有全局寻优能力的优化方法。将FCM聚类算法和PSO算法结合起来,将FCM聚类算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明新算法在最大熵评判准则下能够得到最优阈值。     

改进的混合粒子群算法

从研究分析粒子群算法和郭涛算法的特点出发,提出一种综合两算法优点的混合算法。新算法改变了粒子的更新方式,以子空间搜索和串行搜索相结合的多点并行搜索,扩大了算法的搜索范围,减少了粒子对初值的依赖,增强了算法跳出局部最优的能力;通过后代较优个体变异产生子群,提高了算法局部寻优能力;实验证明,该算法正确高效。     

基于混洗蛙跳和粒子群优化算法的块自增纹理合成

针对基于样图的纹理合成技术,提出了一种基于混洗蛙跳和粒子群优化算法的块自增纹理合成方法。该方法在纹理合成过程中,通过选取尺寸按2的倍数不断增大的纹理块来提高纹理合成的速度,将混洗蛙跳算法和粒子群算法相结合,作为纹理块匹配的寻优策略,以提高纹理块的查找速度和全局搜索性能。实验结果表明,该方法在保证纹理合成质量的前提下,能够显著地提高基于样图的纹理合成速度,并能克服粒子群算法易陷入局部最优解的缺陷。     

一种基于粒子群的聚类算法

针对K-中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法初始化时选择距离较远的k个候选范围作为k个聚类中心的选择范围,即粒子的初始值都在该k个范围内。通过粒子群算法优化聚类中心,以解决K-中心点算法因为聚类中心迭代计算较为复杂而导致的时间复杂度较高的问题。实验结果表明,该算法具有较高的正确率,较小的时间复杂度,综合性能更加稳定。     

一种改进的微粒群优化算法

基于惯性权重对微粒群优化算法（Particle Swarm Optimization,PSO）优化性能的显著影响,提出了一种改变惯性权重的方法以改进PSO算法的优化性能。算法中惯性权重的动态改变是通过对其进行PSO寻优来控制的。经过对标准函数的测试计算,无论是二维还是多维的问题,这种改变惯性权重的PSO算法的寻优结果的准确度和精度均得以提高,收到了良好的效果,尤其在高维情况下,显示出算法性能得到了明显改善。     

基于粒子群优化算法的Richards模型参数估计和算法有效性

针对Richards模型参数估计较为困难的实际问题,提出将Richards模型的参数估计问题转化为一个多维无约束函数优化问题。结合谷氨酸菌体的实际生长浓度数据,在Matlab 2012b环境中,利用粒子群优化（PSO）算法建立适应度函数,在最小线性二乘意义下估计Richards模型中的4个参数,并建立了拟合的生长曲线和最优值变化曲线。为进一步验证算法有效性,将PSO算法与该模型传统参数估计法中的四点法和遗传算法(GA)进行了比较,以相关指数和剩余标准差作为评价指标。结果表明,PSO算法对Richards模型的拟合效果良好,对模型的参数估计有着很好的适用性。     

基于量子粒子群求解混合整数非线性规划

在经典微粒群算法的基础上提出一种有较高收敛性能的智能算法：量子粒子群（QPSO）算法。并用于求解混合整数非线性规划问题。实验室证明QPSO算法收敛性能好、速度快,为求解混合整数非线性规划开辟了新途径。     

自学习的量子粒子群优化算法改进

分析了量子行为粒子群优化算法,着重研究了算法中群体粒子的搜索行为,对算法中局部吸引点进行了分析,提出针对粒子在搜索过程中所处的不同搜索环境,将粒子的搜索行为分为四种类型,并能够自适应地学习优化问题环境,采用合适的学习模式,提高算法整体优化性能;将改进后的自学习量子粒子群算法与其他一些改进方法通过CEC2005 benchmark测试函数进行了比较,最后对结果进行了分析,仿真结果显示自学习方法能够显著改善量子粒子群优化算法的性能。     

集成学习在粒子群优化算法改进中的应用研究

集成学习通过结合多个学习者可以获得更好的结果。从三个方面,即从粒子级和维度级上进行集成,全过程或阶段性使用集成以及在单种群或多子种群中应用集成,研究了集成学习用于改进粒子群优化（PSO）算法的方式。通过三个典型函数优化问题的实验结果表明,与标准PSO和一些改进方法相比,集成学习可以改进PSO算法性能。     

基于小波变异粒子群和模糊熵的图像分割

基于粒子群和模糊熵的图像分割算法用于各种图像分割时,由于基本粒子群算法存在易陷入局部最优以及过早收敛的缺点,使得该算法难以得到理想的分割效果。针对此问题,提出了一种基于小波变异粒子群和模糊熵的图像分割算法,利用小波变异粒子群来搜索使模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值。通过与其他两种粒子群算法的分割结果进行比较,表明该算法取得了令人满意的分割结果,算法运算时间较小,具有很好的自适应性。