基于遗传算法的图像多阀值自动分割方案

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。本文将遗传算法引入图像分割,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的实现分割,且不需事先认为的确定分割类型。实验结果令人满意。     

基于遗传算法的三维重构图像阈值分割

图像阈值分割是三维重构中图像处理的一个重要内容最佳熵阈值的图像分割具有很多优点,但同时也需要大量的运算时间,从而限制了其实际应用．将遗传算法应用于最佳熵阈值的确定中,提出一种新的图像阈值分割方法,以灰度图像的直方图熵作为评价标准,把图像阈值分割问题定义为一个优化问题．利用遗传算法寻优的高效性,搜索到能使分割质量达到最优的分割参数——图像分割阈值．实验结果表明,采用遗传算法不仅可以实现正确的图像分割．而且使得分割速度大大提高．     

基于模拟退火并行算法的二维熵多阈值分割

针对二维熵法在多阈值分割时计时长、复杂性高等问题,引入模拟退火并行遗传算法对该算法实行优化,构造模拟退火并行遗传算法搜索二维最大熵值中的最优阈值,对二维熵法在多阈值分割经模拟退火并行遗传算法搜索改进前后的结果进行说明及对比。此优化算法比传统的模拟退火算法时间缩短了71.5%,说明此算法大大提高了分割效率,不仅能保证图像分割精度,而且能加快获得最佳阈值的速度,是一种有效且实用的图像分割方法。     

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.     

一种新的自适应图像分割方法

目的研究图像分割的最佳阈值．方法一种基于灰度图像直方图嫡和遗传算法的自适应图像分割算法．结果在此研究中,分割问题被定义为一个优化问题,由于遗传算法能够有效地搜索分割参数空间,则以遗传算法的适应值作为质量标准．结论此方法可用于最佳阈值分割．     

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．     

基于融合技术的螺纹钢打捆端面图像分割方案探讨

针对工业现场的特定环境及对螺纹钢打捆时端面图像分割的特殊要求，提出了一种基于融合技术的图像分割方案。该方案先分别采用阈值化与基于边界的分割方法对图像进行初始分割，然后将所得数据加以关联并采用遗传算法加以融合与提取。实验结果表明方法有利于提高分割质量。     

基于遗传算法的图像分割阈值选取

图像分割是模式识别和图像分析的预处理阶段,通常采用聚类的方法进行.图像分割技术被认为是计算机视觉中的一个瓶颈.基于扩展的Otsu最优阈值图像分割方法,提出了一种用遗传算法进行图像分割的方法,并给出了遗传算法中基本参数的设定.实验结果表明,基于图像的像素方差信息,利用遗传算法全局搜索图像的双阈值,这样不但图像分割效果好,而且缩短了计算时间,并具有遗传算法鲁棒性和自适应的特点,比传统的Otsu方法有明显的优点.在遗传算法中引入了优生算子、变异算子和新个体,避免了局部早熟,提高了收敛速度和全局收敛能力.GA作为一种并行算法,提高速度的潜力十分巨大.     

基于小生境技术遗传算法的局部动态阈值选取

为有效地对受噪声影响的图像进行分割,引入了一种基于改进型遗传算法的局部动态阈值选取算法.该算法以灰度图的最大类间差作为适应度评价函数,将图像分割问题转化成一个最优化问题,利用遗传算法的全局优化的特点,在整个求解空间中搜索到最优分割图像的阈值.针对基本遗传算法的一些不足之处,利用小生境的思想,对其进行了一些优化.实验结果表明,基于小生境技术遗传算法的局部动态阈值选取方法具有较强的鲁棒性.     

基于改进遗传算法的最佳熵多阈值三维医学图像分割算法

借鉴模拟退火思想对三维医学图像的最佳熵函数进行拉伸,构造出改进的遗传算法适应度函数,同时采用精英选择策略保留各代最优个体以加快算法收敛速度,从而提出了一种新的基于多阈值最佳熵的三维医学图像分割遗传搜索算法。根据文中算法得到的阈值,成功实现了三维医学脑部图像中脑白质、脑灰质、脑脊液的分割。实验证明,当种群规模为30的情况下,即可搜索到较好的阈值用于三维分割,运算速度较传统穷尽搜索法更快,且比原简单遗传算法具有更强的稳定性和精确性。     

基于遗传模拟退火算法的钢管订购和运输优化问题求解

钢管订购和运输中的参数优化问题是个复杂的非线性规划问题.针对路费与路线长度的非线性关系、目的地的需求量及货物的未知价格等影响因素,建立了钢管订购和运输问题的二次规划模型,探讨了利用遗传算法求解该问题的方法,并在此基础上提出利用遗传算法与模拟退火算法相结合的方法对该问题进行求解.实验结果验证了利用遗传模拟退火算法求解该问题的可行性与高效性,为求解该类问题提供了一个有效的新途径.     

基于优势遗传的自适应遗传算法

针对遗传算法的早熟问题,对自适应遗传算法进行了研究,提出优势遗传的新观点:在交叉算子设计时使适应度高的个体以较高概率进行交叉,并且在变异算子设计时使适应度低的个体以较高概率进行变异,能更有效地产生出优势个体,跳出局部最优.认为算法设计时使平均适应度过快逼近最大适应度是不合适的.由此,提出一种新算法,以优势遗传的原则随个体适应度的变化而自适应地改变交叉和变异概率,在一定程度上有效解决算法的早熟问题.实验表明,该算法能有效提高全局寻优的性能,鲁棒性好.     

基于自适应遗传算法的模拟电路的电路级综合

介绍了一种模拟电路的电路级综合方法,利用准精确惩罚函数法构造出价格函数,并且采用自适应遗传算法来获得全局最优解.利用电路级综合实验结果,对采用本方法设计满足性能指标的CMOS运算放大器的快速性进行了证明.     

Welding sequences optimization of box structure based on genetic algorithm method

The effect of the welding sequences is one of theimportant factors in welded structures since it can influ-ence on welding temperature field and welding residualstress and distortion. So optimization of the welding se-quence is required in welding procedure for high qualitywelded structures. The optimization of the welding se-quences is usually determined by experiment and expe-rience[1]. Butfor the complexor newwelded structure,since the numbers of welding sequence increases expo-nentially wi…     

一种改进的遗传优化算法——GA-Complex算法

提出了一种改进的遗传优化算法———GA Complex算法 ,它是将复合形法与遗传算法相结合的产物 .通过实际算例 ,证明GA -Complex算法在寻求全局最优值时更为简洁快速     

基于自适应遗传算法的图像匹配

为了解决图像匹配中计算速度慢和匹配精度不高的缺陷，提出了一种基于自适应遗传算法(AGA)的匹配方法，该算法与传统遗传算法的不同在于其交叉概率和变异概率随个体的适应度值而变化，避免了后者易陷入局部极值的缺陷，从而增强了算法的快速性和全局收敛性能．图像与模板的相关值是一多峰值函数，模板匹配实质上是多峰值寻优过程．将AGA应用到图像匹配，是以相关值为适应度函数，通过选择、交叉、变异等遗传操作，对遗传个体进行迭代寻优，找出图像中的最佳匹配点．实验结果表明，基于该算法的图像匹配具有运算量小、匹配精确等优点，且算法稳定．     

基于遗传算法的可重构天线系统研究与实现

提出以信噪比作为可重构天线寻优过程的评价函数.采用遗传算法作为系统的寻优算法,并对其参数设置进行研究.利用信号发生器产生的信号对可重构天线系统进行测试,实验数据表明,文章中提出的直接以信噪比作为评价函数的可重构天线寻优算法,可以使可重构天线系统有效提高目标接收信号的信噪比,并在一定程度上抑制干扰信号,提高系统性能.     

求解AGV路径优化问题的遗传算法参数优化

介绍了基于AGVS的有向图模型求解AGV路径优化问题的遗传并行路径规划算法和有关遗传算子.根据遗传算法的运行流程,首先对AGV路径进行初始路径集生成和确定复制算子;其次用实验的方法对交叉算子和变异算子进行了性能比较,确定AGV路径优化中选用部分交叉算子和反转变异算子;最后研究了种群的大小对遗传算子收敛速度的影响.本文给出了部分遗传算子的实验数据和不同种群规模时的收敛情况.本文工作是研究AGV动态调度遗传算法及其仿真与实验的基础.     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.     

改进遗传算法与粒子群优化算法及其对比分析

进化算法作为一类新的优化搜索方法，广泛应用于各种优化问题．现对简单遗传算法进行了改进，采用实值编码，并与模拟退火算法及基于适值排序和随机选择的方法相结合，形成了改进遗传算法．同时还介绍了一种新的进化算法一粒子群优化算法．将这两种优化算法应用于函数优化，并对优化结果进行了对比分析．比较结果表明，改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性，但在找寻最优解的效率上，粒子群优化算法较好．