人工蜂群算法及其在图像增强中的应用研究

摘要

群体智能是指由群体中个体之间的简单协作来完成复杂的整体任务而表现出来的智能行为，人们受自然界生物群体智能行为的启发，提出了一系列群智能优化算法。人工蜂群算法(Artificial Bee Colony ABC)是一种新型的群智能优化算法，该算法原理简单、易于实现、优化性能好、鲁棒性强，自问世以来便受到了国内外众多学者广泛的关注和研究。然而，与其它群智能优化算法类似，ABC算法也存在易陷入局部最优、后期收敛速度慢、寻优精度不高等问题。本文在研究ABC算法的基础上，提出了三种改进的ABC算法，并将其用于图像增强中。主要研究工作如下：
　　1．针对人工蜂群算法开采和探索能力不平衡的问题，提出了一种基于差分进化算子和混沌搜索策略的改进的人工蜂群算法(MABC)。该算法将差分进化算法中变异和交叉策略引入ABC算法中，并在侦查蜂过程进行混沌搜索。实验结果表明，与其它几种ABC算法相比，MABC算法增强了寻优能力，有效地提高了算法的全局收敛速度。
　　2．为了进一步提高ABC算法的全局搜索能力，提出了基于回溯搜索算法的两种改进的ABC算法——BSAABC1和BSAABC2。由于回溯搜索算法强大的全局搜索能力，新算法很好的平衡了ABC算法的开采和探索能力。仿真实验结果表明，新算法能够很好的跳出局部最优，收敛速度快，寻优精度高。
　　3.将改进的ABC算法用于图像对比度增强中，提出了基于MABC，BSAABC1和BSAABC2算法的图像对比度增强方法。通过改进ABC算法搜索非完全Beta函数的最佳参数α，β，从而确定灰度变换曲线，对图像灰度进行调整，以此提高图像对比度，实现图像的对比度增强，实验结果验证了该算法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题的研究背景和意义

1.2 国内外研究现状

1.3 本文的研究内容及章节安排

第2章 人工蜂群算法概述

2.1 优化问题

2.2 群体智能

2.3 人工蜂群算法

2.4 本章小结

第3章 基于差分进化和混沌搜索的ABC算法

3.1 差分进化

3.2 混沌搜索

3.3 基于DE和混沌搜索的ABC算法

3.4 数值实验

3.5 本章小结

第4章 基于回溯搜索的ABC算法

4.1 回溯搜索算法

4.2 BSAABC算法

4.3 数值实验

4.4 本章小结

第5章 基于ABC算法的图像对比度增强

5.1 非完全Beta函数

5.2 适应度函数

5.3 基于改进ABC算法的图像对比度增强方法

5.4 实验结果与分析

5.5 本章小结

第6章 总结与展望

6.1 全文总结

6.2 研究展望

致谢

参考文献