蚁群算法的研究及其在图像处理方面的应用——基于图像分割问题

摘要

蚁群算法是20世纪90年代意大利学者MarcoDorigo等人受到自然界蚂蚁觅食行为的启发提出的一种新型的群体智能算法，其模型本身具有较强的鲁棒性和并行性，又具有分布式、自组织和正反馈等特征，但同时也存在收敛速度慢，易陷入局部最优等不足。本文的主要研究内容如下：
　　 首先，对蚁群算法进行基础理论研究，对于近年来蚁群算法的研究进展进行总结，对于蚁群算法在图像分割领域的研究状况进行了研究。
　　 其次，针对蚁群算法在图像分割处理中的不足之处进行改进，提出一种基于区域-边界蚂蚁的蚁群算法模型(RE-ACO)，改进后的模型在区域蚁群搜索的基础上引入边界蚁群，不同的蚁群采用不同的路径选择策略和信息素更新策略，进一步提高算法的精度。实验表明，与传统的sobel和canny算子检测结果相比改进后的算法在运行效率和分割精度方面有更大的优越性。
　　 第三，结合蚁群算法和脉冲耦合神经网络的各自优点提出了一种蚁群-脉冲耦合神经网络混合算法(AC-PCNN)。脉冲耦合神经网络模型(PCNN)需设置的参数较多，且对不同类型的图像其分割参数不同，不同的分割参数对分割结果影响很大，因此利用蚁群算法在解空间中自动搜索最优参数，通过动态路径选择策略和全局信息更新与局部信息更新并行的方式来调整蚂蚁的搜索方向，使之最终找到最优参数，从而实现PCNN模型的自动图像分割。实验证明，蚁群-脉冲耦合神经网络混合算法是完全可行的，能够取得较好的分割效果，并且在时间效率方面有极大的提高。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 蚁群算法

1.1.1 蚁群算法的历史及科学意义

1.1.2 蚁群算法的研究概况

1.1.3 蚁群算法特征

1.2 图像分割

1.2.1 图像分割的原理及方法分类

1.2.2 图像分割的研究现状及发展趋势

1.3 本文工作内容

第二章 基本蚁群算法理论

2.1 蚁群算法概述

2.1.1 蚁群算法起源

2.1.2 蚂蚁群体行为模式

2.1.3 人工蚁群系统

2.2 基本蚁群算法模型

2.3 经典的改进蚁群算法

2.3.1 蚁群系统(ACS)

2.3.2 最大最小系统(MMAS)

2.4 本章小结

第三章 基于区域-边界蚂蚁的改进蚁群算法应用于图像分割

3.1 算法的基本思想

3.2 算法模型

3.2.1 图像特征提取及聚类中心初始化

3.2.2 路径选择策略

3.2.3 信息素更新策略

3.2.4 边界蚁群的搜索策略

3.2.5 算法流程图

3.3 实验及分析

3.4 本章小结

第四章 蚁群-脉冲耦合神经网络混合算法应用于图像分割

4.1 脉冲耦合神经网络概述

4.1.1 大脑皮层视觉神经系统

4.1.2 Eckhorn神经元模型

4.1.3 脉冲耦合神经网络模型

4.1.4 脉冲耦合神经网络工作原理

4.2 蚁群-脉冲耦合神经网络混合算法

4.3 实验与分析

4.4 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

附录： 作者在攻读硕士学位期间发表的论文