杜鹃搜索算法在图像处理中的应用研究

目录

声明

第 1 章引言

1.1 研究背景和意义

1.2 数字图像处理简介

1.3 进化计算在图像处理中的应用研究现状

1.3.1 进化计算在图像增强中的研究现状

1.3.2 进化计算在图像分割中的研究现状

1.3.3 进化计算在纹理分析中的研究现状

1.3.4 进化计算在图像分类中的研究现状

1.4 论文主要研究内容及结构安排

1.4.1 论文主要研究内容

1.4.2 论文结构安排

第 2 章改进杜鹃搜索算法概述

2.1 杜鹃搜索算法基本原理

2.2 粒子群算法基本原理

2.3 改进杜鹃搜索算法

2.4 本章小结

第 3 章基于 ICS 算法的图像自适应增强方法

3.1 常用图像增强方法概述

3.2 基于ICS算法的非完全 Beta函数图像增强方法

3.2.1 非完全Beta函数图像增强方法

3.2.2 基于ICS算法的非完全 Beta函数图像增强方法

3.2.3 实验仿真与分析

3.3 本章小结

第 4 章基于 ICS 算法的图像阈值分割方法

4.1 常用图像分割方法概述

4.2 常用的二维阈值分割法

4.2.1 二维Fisher准则阈值法

4.2.2 二维最大Kapur熵法

4.2.3 二维最小交叉熵法

4.3 基于ICS算法的二维阈值分割法

4.3.1 基于ICS算法的二维 Fisher准则阈值分割法

4.3.2 基于ICS算法的二维最大 Kapur熵分割法

4.3.3 基于ICS算法的二维最小交叉熵分割法

4.4 基于ICS算法和最大模糊熵的单阈值分割法

4.4.1 最大模糊熵单阈值分割法

4.4.2 基于ICS算法的最大模糊熵单阈值分割法

4.4.3 实验仿真与分析

4.5 基于ICS算法和最大模糊熵的多阈值分割法

4.5.1 最大模糊熵多阈值分割法

4.5.2 基于ICS算法的最大模糊熵多阈值分割法

4.5.3 实验仿真与分析

4.6 本章小结

第 5 章基于 ICS 算法的纹理特征描述方法

5.1 常用纹理特征概述

5.2 基于ICS算法的“Tuned”模板纹理特征描述

5.2.1 “Tuned”模板纹理特征

5.2.2 基于ICS算法的“Tuned”模板纹理特征描述

5.2.3 实验仿真与分析

5.3 本章小结

第 6 章 基于 ICS 算法的图像分类方法

6.1 常用图像分类算法概述

6.2 支持向量机分类器

6.2.1 支持向量机概述

6.2.2 支持向量机理论基础

6.3 基于ICS算法和支持向量机的遥感图像特征选择方法

6.3.1 特征选择概述

6.3.2 基于ICS算法的遥感图像特征选择

6.3.3 实验仿真与分析

6.4 基于ICS算法和支持向量机的遥感图像分类方法

6.4.1 支持向量机参数优化概述

6.4.2 基于ICS算法的 SVM参数优化过程

6.4.3 实验仿真与分析

6.5 本章小结

第 7 章总结和展望

7.1 总结

7.2 展望

参考文献

致谢

附 录