改進型粒子群優(yōu)化算法及其在圖像分割中的應用.pdf

1、粒子群優(yōu)化算法(Particle Swarm Optimization,PSO算法)源于鳥群和魚群群體運動行為的研究，是一種基于種群搜索策略的自適應隨機優(yōu)化算法。作為群智能的典型代表，粒子群優(yōu)化算法已被證明是一種有效的全局優(yōu)化方法，它收斂速度快、計算簡單和容易實現(xiàn)，因而一經(jīng)提出就受到全世界研究者的廣泛重視。目前已經(jīng)被廣泛應用于圖像分割、目標函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡訓練、模糊控制系統(tǒng)等許多領域，并取得了很好的效果。然而它仍然存在一些缺點：容易陷

2、入局部最優(yōu)以及在演化后期收斂速度迅速減小，因此往往收斂不到全局最優(yōu)解。 圖像分割是目標檢測和識別過程中的重要步驟，其目的是將感興趣區(qū)域從圖像中分割出來，從而為計算機視覺的后續(xù)處理提供依據(jù)。對圖像進行分割的方法有多種，閾值法因?qū)崿F(xiàn)簡單而成為一種有效的圖像分割方法。然而要在直方圖呈多峰分布的復雜圖像中搜索一個最佳多閾值組合對圖像進行分割，它的高耗時性無法滿足實時性的要求，而閾值的準確確定又是有效分割圖像的關(guān)鍵。因此，快速準確地搜索到

3、圖像分割的多閾值組合將是問題的難點。然而要快速和準確地確定復雜圖像中的多閾值最佳組合，使分割效果好且滿足實時性要求，就必須尋求一種高效的算法來解決基于多值閾值法的圖像分割問題。 本文在前人工作的基礎上，對粒子群優(yōu)化算法及其在圖像分割中的應用進行了研究。本文的主要研究內(nèi)容如下： 第一部分分別對粒子群優(yōu)化算法的研究現(xiàn)狀和圖像分割方法的發(fā)展狀況以及相關(guān)的基本概念進行了介紹，并闡述了本文的主要工作。 在第二部分，為了提高

4、粒子群算法的收斂速度同時提高算法的全局搜索性能，本文提出了一種新穎的改進型粒子群優(yōu)化算法，該算法根據(jù)定義的兩個因子：進化速度因子和聚集程度因子來共同確定并動態(tài)改變粒子速度更新公式中的慣性權(quán)重。算法為了進一步提高收斂速度，當群體最近幾次迭代幾乎停止收斂時，將根據(jù)適應度大小復制較好的粒子去取代較差的粒子，重新組合成一個較優(yōu)的粒子群繼續(xù)優(yōu)化進程。通過對不同測試函數(shù)的仿真實驗表明：改進型粒子群優(yōu)化算法能顯著地提高了粒子群優(yōu)化算法的收斂速度和全局