Ta上传的资源 (0)

上世纪年代中期创立仿生学以来,人们不断地从生物进化的机理中得到启发, 提出了许多用于解决复杂组合优化问题的新方法,比如蚁群算法和粒子群算法等等,它 们都是适于大规模并行且具有智能特性的优化算法,对于解决实际工程优化问题的复杂 性、约束性、非线性、建模困难,有很好的效果。 图像分割是图像分析和模式识别

粒子群算法是基于群集智能、受到人工生命研究结果的启发而提出的一种现 代优化方法。作为一类随机全局优化技术,与传统优化方法相比较,对目标函数 的解析性质要求不高,所以常用于解决一些复杂的、大规模的、非线性、不可微 的优化问题,近年来受到学术界的广泛重视。 本文介绍了标准粒子群算法和几种改进粒子群算法,

：针对大多数图像分割方法计算量大、不利于实时处理的缺点，提出用微粒群算法(PSO)优化最小误差分割方法。该 方法不但具备最小误差分割法受目标和噪声影响小以及对小图像分割效果好的优点，还克服了遗传算法等加速算法需要预 先设定众多运行参数，受目标变化影响大的问题。图像分割的效果和速度得到了提高，性能也更

粒子群优化算法是在对鸟群捕食行为模拟的基础上提出的一种群 集智能算法，是进化计算领域中一个新的分支。它的主要特点是原理简 单、参数少、收敛速度较快、易于实现。因此，该算法一提出就吸引了 的广泛关注，逐渐成为一个新的研究热点。目前，粒子群优化算法应用 于神经网络的训练、函数优化、多目标优化等领域并取得

提出了一种基于粒子群优化(PSO)的图像最小误差阈值化方法。将粒子群优化算法应用于图像最小误差阈值化中,克服了常规最小误差阈值化计算量大的缺点。实验证明该算法能有效降低常规图像最小误差阈值化的计算量,与遗传算法相比,该方法有更好的收敛性和稳定性。

提出了一种基于粒子群优化(PSO)的图像最小误差阈值化方法。将粒子群优化算法应用于图像最小误差阈值化中,克服了常规最小误差阈值化计算量大的缺点。实验证明该算法能有效降低常规图像最小误差阈值化的计算量,与遗传算法相比,该方法有更好的收敛性和稳定性。

针对交叉熵阈值法的时间复杂性过大的不足,提出了基于目标函数最优化原理的交叉熵分割准则的快速迭代算法。大量的实验结果表明,提出的快速迭代算法是有效的。【英文摘要】Consideringthatthresholdingmethodbasedonmutualentropyhasshortageofbigg

首先提出了一种减少最小交叉熵适应度函数计算量的快速递推编程技术;然后采用量子粒子群优化法搜索获得图像最优多阈值,并用该阈值实现图像分割。实验分析结果表明,该方法具有实现阈值寻优速度快,最优解对应图像分割效果好的特点。

图像分割是目标识别的首要和关键步骤。目前的图像分割方法有多种,其中阈值方法优点比较突出,但是采用阈值方法分割的关键是要能高效率地找到被分图像的最佳熵阈值。针对这一问题,将Geese-LDW-PSO算法的位置更新公式作了改进,即用当前种群的全局极值取代所有粒子的当前位置,并将之用于熵阈值图像分割中。仿