改进人工鱼群算法用于图像分割的研究

摘要

本文主要针对图像分割问题进行研究,通过广泛的算法对比,选择使用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)完成图像边缘检测,结合模糊C均值聚类算法完成图像分割实验。
　　由于该算法具有对初值和参数选择不敏感、鲁棒性强、简单、易于实现,且具备并行处理能力和全局搜索能力等方面优点,因此在图像分割技术中的关键问题----极值问题的优化处理效果较为突出。所以,文章在着重利用AFSA的优点的同时对AFSA不完善的地方进行改进,将改进后的AFSA算法应用在图像边缘检测,然后推广到通用图像的分割技术中。主要研究工作如下:
　　首先,提出了一种基于差分进化变异算子的人工鱼群算法,将变异算子引入到人工鱼群算法中,对人工鱼的个体行为进行了优化改进,提高了原算法的收敛速度和抗噪性能,并应用到图像边缘检测中,得到较理想的分割效果。
　　其次,将人工鱼群算法的应用推广到通用图像分割技术中,利用人工鱼群算法的自适应的特点,通过对人工鱼群算法的改进,提出了基于模糊C均值聚类的人工鱼群算法,解决了传统模糊C均值算法需要确定初始分类数和初始聚类中心的问题。通过图像分割仿真实验与收敛值的对比,证明了此算法具有较好的分割效果。
　　总之,论文就人工鱼群图像分割算法进行了研究和探讨,通过多种手段改进了人工鱼群算法的收敛速度。最后通过对灰度图像的实验仿真表明了提出算法的有效性,拓展了人工鱼群算法的应用范围。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

§ 1.1 课题研究背景

§ 1.2 选题的意义

§ 1.3 论文的研究内容

§ 1.4 论文结构

第二章 图像分割技术与优化

§ 2.1 组合优化

§ 2.2 计算智能

§ 2.3 群体智能

§ 2.4 本章小节

第三章 人工鱼群算法

§ 3.1引言

§ 3.2 人工鱼群算法的基本原理

§ 3.3 算法特点

§ 3.4 实验对比分析

§ 3.5 本章小结

第四章 基于改进人工鱼群算法的图像边缘检测

§ 4.1 引言

§ 4.2 常用算子比较

§ 4.3 改进算法设计

§ 4.4 仿真实验与分析

§ 4.5 本章小节

第五章 基于AF-FCM的图像分割方法

§ 5.1 引言

§ 5.2 模糊聚类

§ 5.3 模糊C均值聚类算法

§ 5.4 AF-FCM算法设计

§ 5.5 仿真实验与分析

§ 5.6本章小结

第六章 总结与展望

§ 6.1 总结

§ 6.2 展望

代码附录

参考文献

致谢

作者在攻读硕士期间主要研究成果