基于QPSO的图像分割算法

文章将具有量子行为粒子群优化(QPSO)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QPSO算法自适应选取分割阈值;仿真实验针对Lena图像分割问题,将标准粒子群优化(PSO)算法与QPSO算法分别独立运行,仿真结果表明,基于QPSO优化的图像分割算法不仅克服了PSO容易过早陷入局部最优值的缺点,而且分割速度更快,是一种更有效的分割方法.     

基于改进Otsu算法的生菜叶片图像分割方法

针对传统的Otsu算法计算量大、实时性差等缺点,提出了一种新的PSO+Otsu(S)分割方法.将RGB颜色空间转换成HSV颜色空间,并提取S分量图像.针对基本粒子群优化算法提出一种新的惯性权重系数w更新策略,并利用改进的粒子群优化算法搜索最优阈值,将搜索到的最优阈值作为Otsu算法的分割阈值,并对S分量图像进行分割,最终得到生菜叶片分割图.结果表明:提出的生菜叶片图像分割方法不但适合单叶片图像分割,而且适合冠层叶片图像分割;运用本算法分割单个生菜叶片图像以及生菜冠层图像时程序运行时间分别为118,126 ms,迭代次数分别为6,5次,相比于Otsu算法以及标准PSO+Otsu算法,本算法不仅有效缩短了程序运行时间,而且提高了图像分割的准确率,具有较好的实时性.     

基于PSO的Live Wire交互式图像分割算法

传统Live Wire算法易受伪轮廓干扰,并且算法执行速度较慢.针对这些问题,提出一种基于PSO的Live Wire交互式图像分割算法.算法首先构造新的代价函数,引入相邻节点间梯度幅值变化函数来减轻伪轮廓的干扰,提高了算法的分割精度;其次,为了提高算法的执行效率,应用粒子群算法求取图像中任意两点间最短路径来定位目标边界...     

基于蛙跳算法与Otsu法的图像多阈值分割技术

 为了快速准确地确定多阈值图像分割中的最佳阈值,提出了一种基于蛙跳算法与Otsu法相结合的多阈值图像分割方法.该方法将多阈值求解看作一种多变量的组合求解优化问题,利用多阈值Otsu法设计分割目标函数,将新兴的仿生学优化求解算法——蛙跳算法引入到图像分割技术中,通过蛙跳算法中全局搜索和局部搜索相结合的搜索机制并行求解多个阈值.实验结果表明,该方法与基于人工鱼群算法的图像多阈值分割方法相比,明显提高了图像分割速度和分割质量.     

基于择优对称粒子群优化的 Otsu肺实质分割算法

为了提高肺实质分割算法的运行效率,提出了一种基于择优对称粒子群优化的Otsu肺实质分割算法.首先在传统粒子群优化的Otsu算法基础上,引入自然选择机制,保留适应度较好的优秀粒子,其次对适应度较差的粒子采用对称分布的方式进行修正,从而优化粒子群的空间分布状态,使算法能够更高效地收敛到全局最优解,最后实验结果表明,改进后的粒子群算法寻优精确度和运算效率均得到提高,与Otsu算法相结合后,在传统粒子群优化的Otsu算法的基础上,进一步提高了肺实质分割效率.     

粒子群优化算法在脑部肿瘤图像分割中的应用

粒子群优化算法能选择适当的适应度函数,使每组粒子群根据相应的适应值搜索到最佳聚类中心,改善了FCM算法和K-means算法的不足,具有适应性强,实时性好,受噪声影响小等特点。本文将其应用于脑部肿瘤图像的分割,结果表明,粒子群聚类算法是一种很有潜力的图像分割方法。     

基于改进粒子群的模糊聚类超声图像分割

医学超声图像由于存在斑点噪声等模糊和不确定性的特点使得分割一直是一个难题。模糊C-均值聚类算法是一种结合无监督聚类和模糊集合概念的技术,广泛应用于图像分割,但存在着受初始聚类中心和目标函数高度非线性影响,极易收敛到局部极小的缺点。将集群智能的粒子群优化算法(PSO)与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。实验结果表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。     

基于一维Otsu的多阈值医学图像分割算法

针对传统医学图像分割算法时间复杂度高、 分割精度低等问题, 提出一种基于一维Otsu的自动多阈值分割算法. 考虑到医学图像信息的复杂性, 引入基于梯度、 灰度、 距离的综合信息直方图替代传统的灰度直方图, 并分别赋予这3个信息相应的权值. 采用kd-树作为框架快速自动确定阈值个数, 进而实现Otsu对医学图像的自动多阈值分割. 与最大熵、 基于粒子群优化的Otsu算法等进行对比实验的结果表明, 该算法的分割性能优于其他算法.     

一种融合梯度信息的粒子群优化算法

针对粒子群优化算法(PSO)存在盲目搜索、收敛速度慢的问题，提出一种融合梯度信息的改进粒子群优化算法，简记为GIPSO(Gradient Information based PSO)。利用目标函数的梯度信息指导粒子朝着适应值更低的方向搜索，可有效避免粒子的盲目搜索行为。首先，在线性权重粒子群算法的进化公式中嵌入目标函数的梯度信息，有效提升了改进方法的收敛精度；其次，随机选择一半的粒子使用含有梯度信息的速度进化公式以降低算法的计算量，在标准测试函数上的仿真实验结果表明，GIPSO算法在收敛速度与收敛精度方面，均优于基本PSO算法，线性权重衰减PSO算法，正太分布权重PSO算法等传统方法。     

基于自适应随机惯性权的粒子群优化算法

分析惯性权值对粒子群优化算法(PSO)优化性能的影响,提出了基于自适应随机惯性权(ARIW)的改进粒子群优化算法.在进化过程中,为粒子群中的各个粒子随机选取惯性权值,并随进化代数自适应地调整随机惯性权值的概率分布.使用四个基准函数进行测试,结果表明基于ARIW的PSO算法不但计算简便,而且能有效地调整算法全局与局部的搜索能力,显著提高了全局搜索的速度与精度.     

基于改进粒子群优化算法的图像分割

针对当前主动轮廓模型难实现图像高精度分割的问题, 以获得更理想的图像分割结果为目标, 提出一种基于改进粒子群优化算法的图像分割方法. 首先分析传统主动轮廓模型, 指出其存在的局限性; 然后建立能量最小化控制点的泛化函数, 采用粒子群优化算法对泛化函数的最优值进行搜索, 根据所有的能量最小化控制点实现图像分割; 最后采用标准图像库与传统图像分割方法进行对比测试. 测试结果表明, 相对于传统方法, 该方法能更精准、 快速地分割图像, 并有效抑制图像中的噪声干扰, 可获得理想的图像分割效果.     

改进的粒子群优化算法求解电力经济调度

将迁移思想引入到标准粒子群优化算法中,把流动迁移算子与粒子群优化算法(PSO)的定向搜索算子结合起来,提出了一种改进粒子群优化算法.将该算法用于求解电力系统经济调度优化问题,采用了非对称惩罚策略处理功率平衡约束,使构造的适应值函数更合理,给出了算法实施的具体步骤.对15机组与40机组系统进行仿真实验,结果表明新算法所得最优解均好于PSO,提高了结果的精度.     

新的粒子群优化算法

粒子群优化(PSO:Partic le Swarm Optim ization)算法是一种有效的全局优化技术。对于PSO算法,很容易陷入局部极值。针对上述缺点,提出了两点改进:对基本PSO算法的速度更新公式中的全局极值给出新的定义,以使粒子群体保持多样性;适当地缩放适应值,与随机规则共同决定某个粒子作为速度公式中的全局极值。改进的两点用于PSO算法后期,形成新的PSO算法(NPSO:New PSO)。NPSO能有效地改善算法,具有摆脱局部极值的能力。在给定的条件下,选用3个函数进行了测试。实验结果显示,在获得平均适应值方面,该算法比PSO算法提高1.62%~16.5%,明显优于基本的PSO算法。     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

融合近邻交互的改进的粒子群优化

提出了一种新的粒子群优化方法--融合近邻交互的粒子群优化算法(Particle Swarm Optimization Combined with Near Neighbor Interaction, NNI_PSO).NNI_PSO在PSO算法的速度更新公式中增加了近邻交互部分,并结合"优胜劣汰",引入动态邻域结构和惯性权值非线性变化.近邻交互有利于粒子快速向全局最优移动, "优胜劣汰"有利于维持种群多样性.将NNI_PSO应用于PSO领域五个著名的基准测试函数,并与其它两个著名的PSO改进算法对比,实验结果证明NNI_PSO在收敛速度和解的精度方面均有明显优势.NNI_PSO不仅提高了PSO算法执行的时间性能,而且有效地缓解了早熟收敛问题.     

频域滤波模型的粒子群优化算法

当前对于粒子群优化算法(简称基本PSO)的改进主要从控制参数与数学模型入手,但这可能导致陷入局部最小值。针对这个问题,提出一种基于频域滤波模型的PSO算法(简称FPSO)。FPSO是对粒子种群多样性进行定量分析,当粒子集中度低于设定阈值时,以当前最优粒子为中心,在一定半径范围内进行傅里叶变换,通过预设的低通滤波器,削弱当前找到的最优值;然后对当前粒子群施加以最优粒子为势能中心的辐射力,所有粒子在滤波范围外部的空间以较大的速度继续搜索。实验分析表明:基于频域滤波模型的PSO算法提升了种群多样性,有效地提高了全局搜索能力,在求解多峰函数问题时解的精度优于带电PSO算法与变异PSO算法。     

基于频域滤波模型的PSO算法

当前对于粒子群优化算法(简称基本PSO)的改进主要从控制参数与数学模型入手,但这可能导致会陷入局部最小值。针对这个问题,本文提出一种基于频域滤波模型的PSO算法(简称FPSO)。FPSO是对粒子种群多样性进行定量分析,当粒子集中度低于设定阈值时,以当前最优粒子为中心,在一定半径范围内进行傅里叶变换,通过预设的低通滤波器,削弱当前找到的最优值;然后对当前粒子群施加以最优粒子为势能中心的辐射力,所有粒子在滤波范围外部的空间以较大的速度继续搜索。结果分析表明：基于频域滤波模型的PSO算法提升了种群多样性,有效的提高了全局搜索能力,在求解多峰函数问题的解的精度上优于带电PSO算法与变异PSO算法。     

一种改进的自适应粒子群优化算法的研究

针对标准粒子群算法（PSO）早熟收敛、进化后期收敛慢和精度较差等缺点,提出一种改进的自适应粒子群优化算法。该算法根据粒子的适应度值一致等价于粒子位置的特点,通过比较粒子适应度值与当前全局最优适应度值的差来自适应调整惯性权值,并按当前种群平均粒距对种群中部分粒子进行变异操作,增加种群多样性,使粒子跳出局部极值。通过几种典型函数的仿真实验表明,该算法在收敛速度和收敛精度上都比标准粒子群优化算法有明显的提高。     

利用变精度粗糙集和粒子群的图像多阈值分割算法

图像分割是由图像处理到图像分析的关键步骤,也是计算机视觉领域中的热点和难点问题.为了寻找图像分割的有效方法,将变精度粗糙集和粒子群相结合,提出了利用变精度粗糙集和粒子群的图像多阈值分割算法.该算法用变精度粗糙集表示图像,求解背景子图和目标子图的分类误差,确定子图的上下近似集,再用最小粗糙熵求解最佳多阈值分割点.引入粒子群优化算法提高求解该值的效率.实验表明,该算法显著增强了图像分割的效果,并具有一定的实用性和灵活性.     

基于遗传粒子群的图像融合算法及应用

为改善传统图像融合方法对细节信息的丢失,提出了一种基于遗传粒子群算法（geneticalgorithmofparticleswarmoptimization,GAPSO）的图像融合方法,该算法应用于像素级的图像融合,使图像融合问题归结为最优化问题．该算法结合遗传算法和粒子群算法的优点,对标准粒子群算法进行了改进,将交叉与变异算子引入到标准粒子群算法,提高了该算法的收敛性能和全局求解能力．实验结果表明,该算法获得的评价指标都优于遗传算法和PSO算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量．