智能優(yōu)化算法及其在圖像檢索中的應(yīng)用研究.pdf

1、智能優(yōu)化算法是受到自然界生物種群行為、人類社會行為或自然現(xiàn)象原理啟發(fā)而提出的。相對于傳統(tǒng)優(yōu)化算法，智能優(yōu)化算法具有全局最優(yōu)性能，魯棒性強，算法簡單，可并行處理等特點，受到了國內(nèi)外學(xué)者的大量關(guān)注。頭腦風(fēng)暴優(yōu)化算法(BSO)是第一個基于人類創(chuàng)造性解決問題的思路而提出的，其原理簡單并且收斂精度高，在通信、控制、軍事等領(lǐng)域得到了廣泛應(yīng)用。然而BSO算法尚處于發(fā)展階段，存在過早收斂，易陷入局部最優(yōu)等缺點。
　　針對BSO的不足，文本分別使用

2、小生境技術(shù)和人工免疫機制對BSO算法進(jìn)行了改進(jìn)，提出了基于小生境的頭腦風(fēng)暴優(yōu)化算法(NBSO)和基于人工免疫的頭腦風(fēng)暴優(yōu)化算法(AIBSO)。針對算法在聚類過程中個體聚集在一起，種群多樣性低的缺點，將小生境技術(shù)引入到算法中，使得種群的個體在不同的生存環(huán)境中更新，保證了所有個體能夠在約束空間里分散開來，防止了全部個體都聚集在一個生存環(huán)境中，從而維持了種群的多樣性，避免算法過早收斂。在AIBSO中，引入了免疫系統(tǒng)的免疫信息處理機制，使得個體

3、適應(yīng)度分層不同，保持一定程度的聚集，確保種群的多樣性。同時引入了接種疫苗策略，提升了算法進(jìn)化過程中的收斂速度和精度。實驗表明本文提出的兩種算法具有較好的性能。
　　隨著信息時代的不斷發(fā)展，圖像數(shù)據(jù)庫不斷增大，如何才能在大量圖像中迅速有效地搜索到用戶想要的結(jié)果成為當(dāng)前研究重點。由于BSO算法具有原理簡單，魯棒性強，且收斂精度高等特點，本文將AIBSO應(yīng)用于圖像檢索中?；趦?nèi)容的圖像檢索(CBIR)是通過提取圖像的顏色、紋理、形狀等底

4、層視覺特征來實現(xiàn)圖像匹配。相對于單一特征檢索，基于多特征融合的圖像檢索能夠更加全面地表示圖像信息。在多特征融合中，各個特征的比例選擇對檢索結(jié)果至關(guān)重要，傳統(tǒng)的方法是人為設(shè)定或者等比例融合，這忽略了各特征之間的優(yōu)先級，因此本文提出了基于AIBSO優(yōu)化權(quán)值的多特征融合圖像檢索。本文共提取了顏色直方圖，顏色矩，顏色結(jié)構(gòu)描述子，Tamura紋理特征、灰度共生矩陣紋理、小波變換紋理、Gabor變換紋理、邊緣直方圖描述子以及Hu不變矩這九種視覺特征

5、，使用AIBSO進(jìn)行圖像檢索。實驗結(jié)果表明，文本提出的算法能夠更準(zhǔn)確的檢索到目標(biāo)圖像，檢索系統(tǒng)的查準(zhǔn)率得到提高。
　　在CBIR中，特征選擇對圖像檢索的性能有著重大影響，然而，手工地選擇選取是一件非常費力、需要專業(yè)知識的方法。深度學(xué)習(xí)是一種通過組合低層次特征形成更加抽象的高層特征來發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示的方法，它直接從原始圖像中提取特征，不需要預(yù)先提取圖像的底層特征。本文使用深度卷積神經(jīng)網(wǎng)絡(luò)自動抽取圖像特征，并將抽取的特征應(yīng)用于