一、基于遗传优化的一种新型阈值分割方法(论文文献综述)
肖姜[1](2021)在《基于深度学习的跨海大桥灾害救援研究》文中研究指明跨海大桥凭借其结构新颖、设计难度大等特点,受到桥梁界专家学者的关注。随着我国综合国力的不断增强与社会主义安全文明的建设,应急管理与深度学习成为当今社会的热门话题。虽然国内的应急管理与深度学习的运用起步相对较晚,但是近几年随着国内突发事件的增多,人们逐渐开始重视应急管理。然而,跨海大桥作为交通的重要枢纽,是生命线工程中比较重要的一部分,在地震或台风后发生的紧急救援、灾后重建有着极其重要的地位,在地震或者台风作用下发生破坏,会阻碍抗震救灾工作的进展,从而给国民生命财产造成直接或间接的损失。因此,基于深度学习的跨海大桥灾害救援研究变得日益紧迫,主要内容包括以下几个方面:(1)本文以桥梁混凝土裂缝图像为工程背景,利用无人机采集相关混凝土裂缝图像,采用MATLAB软件进行编程,首先,利用基于阈值的分割方法识别裂缝,其次,在卷积神经网络CNN的基础上构建一种命名为Cr-CNN新模型。采用两种算法识别混凝土裂缝的方法,从而提高混凝土裂缝图像的识别精度。(2)本文通过采用遗传算法和粒子群算法(粒子群算法分别加入自适应惯性权重决策、任务分组决策并进行对比,遗传算法引入邻域正交交叉、邻域竞争、变异、自学习等操作),引入无人机自动化救援流程的物资调度优化模型。(3)通过长短期记忆网络(Long Short-Term Memory,LSTM)算法及NAR神经网络算法实现:先导入数据,产生训练样本,然后建立训练网络,接下来进行实验测试,最后进行性能评价分析(如误差分析),验证模型的准确性。通过长短期记忆网络及NAR神经网络预测台风数据如风速、中心位置(分为经度和纬度)、中心气压,实现台风数据的三维预测。(4)基于大数据及深度学习算法,建立信息共享平台,采用JDK:1.7版本,MySQL为数据库,前端使用EasyUI框架,Eclipse配置Tomcat,Navicat链接MySQL数据库,开发跨海大桥应急管理系统,提升公共安全意识和共享互救能力的有效途径。
张睿[2](2021)在《基于正余弦优化算法的改进及其应用》文中提出群智能优化算法是现阶段用于解决最优解优化问题的重要方法之一,被广泛应用于各种现实生活中存在的实际问题中。正余弦优化算法(Sine Cosin Algorithm,SCA)是新颖的群智能算法,是基于正弦和余弦三角函数特性而开发的算法,主要用于解决全局优化问题。本文介绍了一种新颖的正弦余弦算法改进方法,可以提高解的利用能力,并减少经典SCA搜索方程中存在的多样性的溢出,所提出的算法被称为ISCA。该算法的关键特征是将交叉算子与单个解决方案的最佳状态相结合,并整合了自学习、全局搜索机制以及贪婪选择机制。为了评估ISCA算法的性能,在一组经典函数和多个工程问题以及多级阈值图像分割问题中对ISCA算法进行了测试。测试结果表明:(1)在经典23个经典函数测试结果中,本研究改进的ISCA算法在迭代过程中的探索和开发能力优于原有的SCA算法。新算法具有寻优精度高、需要计算量小、收敛速度快以及鲁棒性强的特点,可以很好的解决各经典函数问题;(2)在五个复杂非线性约束优化工程问题测试结果中。本研究改进的ISCA算法在五个经典工程问题中的求解表现均优于对比算法。证明了本研究改进的ISCA算法在求解复杂非线性约束优化问题的可行性。也为使用本研究改进的ISCA算法进行多目标优化奠定基础;(3)在多级阈值图像分割问题测试结果中。将改进的ISCA阈值分割方法在一组基准图像上进行了测试,并在结果部分设计了两组实验进行了比较。基于统计分析、收敛行为分析和性能指数分析的实验结果,ISCA算法的可以完全胜任研究中提到的多级阈值图像分割任务。证明了该算法在本研究问题中的有效性、准确性和鲁棒性。综上所述,在经典函数、工程问题和多级阈值分割的数值实验和分析表明,所提出的算法(ISCA)可以有效地解决现实生活中的优化问题。
孙敏[3](2020)在《基于群体智能的图像多阈值分割方法研究》文中研究说明图像分割的主要工作是把图像分成若干个具有特定性质的区域并将感兴趣的目标提取出来。在现有的图像分割算法中,多阈值法因其简单、最为直接而被广泛发展应用于多目标图像分割。但该方法计算量大且复杂度较高,严重影响分割效率。多阈值法实质上是以一定的准则在复杂的参数空间中快速寻找到最佳分割阈值,而群体智能优化算法可对复杂非线性、多维问题进行快速有效的计算,且能够在较短的时间内搜索到令人满意的全局最优解,缩短计算时间。因此,为了提高多阈值法的分割效率,将群体智能优化算法应用到图像多阈值分割成为研究热点问题。但是这类方法普遍存在寻优后期搜索速度较慢、易陷入局部最优的缺点,从而导致求解精度较低。本文针对传统的布谷鸟算法、粒子群算法以及鲸鱼算法,从不同角度进行改进,并将改进方法应用于图像分割的多阈值选取,用以提高图像分割精度和速度。主要研究成果如下:(1)基于当前种群的适应度值自适应确定布谷鸟算法的迭代步长,改进传统布谷鸟算法。传统布谷鸟算法应用于多阈值分割时,其计算量随着阈值个数的增加呈指数增长。其原因是传统布谷鸟算法采用固定的步长,而忽略了个体寻优能力的差异性。因此,本文将Levy飞行环节中的迭代步长设置为由当前种群的适应度值自适应确定,并将偏好随机游动环节中的发现概率pa设置为随着当前迭代次数和总迭代次数的改变而改变。这样的改进策略,增加了种群的多样性,使得算法寻优后期能够及时跳出局部最优,避免早熟。为了验证改进算法的效率和精度,将改进算法与经典的布谷鸟算法、Naik的自适应布谷鸟算法进行比较。实验结果表明,改进的算法能够快速选取最佳分割阈值且分割精度明显提高。(2)利用Circle映射产生的混沌扰动策略,改进达尔文粒子群算法,并用于彩色图像的多阈值分割。达尔文粒子群算法后期易陷入局部最优,导致图像分割不精确。而混沌运动具有随机性、遍历性和初值敏感性等优点,因此本文利用Circle映射产生的混沌扰动策略对全局最佳粒子位置进行修正,有效地防止算法陷入局部最优,从而加快收敛并提高搜索精度。此外,本文将最大熵作为目标函数,利用改进的算法进行寻优得到最佳阈值,实现彩色图像多阈值分割。为了阐释改进方法的优劣性,选取了三幅彩色图像,将改进算法与达尔文粒子群算法、粒子群算法以及和声算法进行对比。实验结果表明,改进算法可以准确地提取出目标,增强彩色图像的分割效果。(3)利用McCulloch方法可以高效生成稳定随机变量的特点,改进鲸鱼算法,用于遥感图像的多阈值分割过程。传统的鲸鱼算法寻优后期易出现搜索精度低,导致图像分割的效果较差。因此,本文引入McCulloch方法对当前最佳鲸鱼个体进行变异扰动,使其在最优位置附近进行精细搜索,扩大搜索范围,提高群体多样性,以平衡鲸鱼算法的全局搜索和局部搜索能力,从而提高算法的寻优精度,避免算法出现早熟收敛现象。此外,本文以最大类间方差作为目标函数,利用改进的算法进行寻优得到最佳分割阈值,将遥感图像中的关注目标准确提取出来。为了验证改进算法的寻优精度,选取了三幅遥感图像,将改进的鲸鱼算法与其他分割法进行比较。实验结果表明,改进鲸鱼算法具有较高的精度,提高了遥感图像的分割质量。图[35]表[13]参[122]
杨佳攀[4](2020)在《基于粒子群算法的最大熵多阈值图像分割方法研究》文中进行了进一步梳理图像分割是目标检测与识别的重要环节,也是计算机视觉中的关键技术之一。基于熵的阈值分割方法是图像分割中使用最多的方法。在不同的基于熵的阈值分割方法中,最大熵多阈值分割法受到了广泛的关注。由于该分割方法存在计算复杂度大的问题,可以通过引进优化技术来降低复杂度。粒子群优化算法(PSO)是一种新型的群体智能算法,主要有结构简单、收敛速度快并且寻找最优解的能力强等优点。结合PSO的这些优点考虑将其用于最大熵多阈值分割中。但是这种结合也存在一定的缺陷,因此本文提出了两种改进算法,来准确寻找最佳阈值组合。针对PSO在最大熵多阈值分割中由于维数灾难与早熟收敛造成分割精度不高的问题,提出了改进PSO的最大熵多阈值分割算法。首先,以改进的类似S形惯性权重对粒子群算法进行优化,以此来实现从线性惯性权重到非线性惯性权重的平滑过渡;其次,将高维群分解成多个一维群,这些一维群相互交换信息,生成群体复合适应度值,以此来解决维数灾难问题。最后,用部分较好的粒子代替较差的粒子,进一步避免粒子陷进局部最优,从而提高分割的精度。针对PSO在最大熵多阈值分割中由于粒子多样性差与易陷进局部最优造成的分割结果不理想的问题,把模拟退火算法运用到PSO中。根据初始种群的最优适应度值设置初始温度,考虑到种群分布的聚集与分散的情况,引进了种群的适应度方差,用改进的Metropolis准则来增大粒子的多样性,从而防止粒子陷进局部最优。分别把以上两种基于PSO的多阈值分割方法与其他现有的分割方法在相同实验环境下进行仿真对比实验,将经典图像作为实验对象,通过图像直观表现和三个评价指标的数据对比,得出本文的两种改进后的算法均能使粒子群摆脱局部最优,对图像的分割效果较好,算法具有较大的优越性。
许冰[5](2020)在《基于果蝇优化算法的图像处理方法研究》文中研究说明果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是新型寻求全局优化的算法,它是根据果蝇寻食行为产生的。该算法需要调整的参变量少,而且能快速理解实现。果蝇在嗅觉和视觉等感官知觉方面比别的生物敏锐,所以果蝇能够快速探寻到食物独特的味道,即使目标源远。然而传统果蝇算法还不够成熟,如:整体搜索时间长,收敛精密度低下,容易陷入局部最优值等等。传统果蝇算法的步长固定不变,从而导致一系列问题产生。本文提出一种自适应改进步长的果蝇优化算法然后将它应用到图像处理方面。主要的研究工作如下:(1)升半柯西函数,混合正切函数与柯西算子的果蝇优化算法(Tangent Cauchy Operator Fruit Fly Optimization Algorithm,TCO-FOA),根据迭代次数的变化对步长进行自适应变化。正切函数的变量采用当前迭代时高浓度和低浓度和的平均值与前一次迭代果蝇群中高浓度低浓度的和的平均值的比值。浓度平均值变化比率大于1时,利用升半柯西函数特点,步长在前期先均匀后呈S型增长。当浓度平均值变化比率小于等于1,迭代后期,果蝇接近目标源,随着浓度平均值比值减小,这时通过减少步长进行局部搜索用来增加寻找目标源的成功率。本文果蝇算法的改进使收敛速率和寻优精度在原有的基础上都得到了有效地提高。(2)将TCO-FOA引入到图像阈值中进行优化分割:最大熵阈值分割图像,在对图像分割进行改进时,研究人员还是大多数会使用图像熵分割进行实验。大津法是利用图像二值化选择阈值来进行分割的方法,它进行实验的效果较好,在实际运用中大多数选择它。然而不管哪种方法,期间分割效果都存在不佳而且分割时间较长。与传统算法对比实验显示,TCO-FOA优化算法在图像分割上稳定性和效果都有突破。(3)TCO-FOA引入到匹配中进行两者结合,图像匹配是通过原始图像与模板特征图像构建的一种几何空间和灰度强度的关系,在现代计算机的视觉模块中有着不可替代的位置。它主要应用于视频追踪、目标识别以及医学等领域。图像匹配分为两个方向:一种是基于独有特征的图像匹配方法,一种是基于灰度的匹配方法。虽然这两个方向的算法在匹配中效果不错,但是收敛速度和匹配率还有待提高。将本文算法匹配跟几种算法对比,通过实验仿真证明自适应改变步长果蝇优化算法均能取得更好的匹配效果。
李沐青[6](2020)在《基于仿生优化的图像分割方法研究》文中研究说明图像作为一种包含大量信息的多媒体数据,在人们生活和工作中扮演着越来越重要的角色。图像分割是图像识别和计算机视觉至关重要的预处理步骤,也是实现图像理解的一种有效途径,作为图像处理的重要环节受到了越来越多的关注。图像分割在计算机视觉、人脸识别、产品检测、工业自动化、智能交通、文字识别、外星探测、航空与航天技术、遥感卫星图像处理、生物与医学工程、体育和农业等领域得到了广泛的应用。在很多工程应用中,由于实际问题的复杂性与多样性,及各种因素的限制,人们很难获得大量的图像样本。灰度图像是各类图像中最基础且应用最广泛的一种,具有表示简单、数据量小、编码传输方便等优势,作为构建复杂图像的基础,灰度图像适用于大多数的图像处理场合,其分割方法也被广泛用于多种学科和工程应用之中。因此高分割精度和计算效率的小样本灰度图像分割技术很有研究的意义与工程价值。图像分割技术涉及认知科学、计算机视觉等多个交叉学科,也被广泛应用于工程实践之中。基于特征聚类和阈值的分割方法由于其结构简单,适用能力强,分割效果好的优点在图像分割领域中被广泛应用和改进。但传统的灰度图像分割方法或分割效果不好,或计算效率较差。仿生优化算法可以快速有效地计算复杂的非线性多维数据空间,而图像分割问题又可等价于在复杂的参数空间中寻求最优分割参数的问题,故将仿生学优化算法应用于灰度图像分割中,可以提高计算效率和算法的分割精度。本文对基于特征空间聚类和最优阈值选取的图像分割技术展开研究,引入在计算稳定性和处理速度上较好的灰狼优化算法,以提高算法性能和图像分割精度为目的,提出了几种适应性强,分割精度较高的图像分割算法。本文主要研究工作和创新点如下:1.针对模糊C均值算法分割图像存在初始聚类中心不确定、需要人为设定聚类类别数、迭代过程中容易陷入局部最优的问题,及灰狼优化算法的搜索种群单一化易陷于局部最优和出现早熟收敛的问题,提出了基于差分进化灰狼优化的FCM图像分割方法。由于FCM算法的聚类中心的估计可被看作是在灰度区间内寻找合适值的搜索过程,利用基于差分进化的灰狼优化算法来寻找聚类中心,提高狼群搜索多样性和突变能力,避免算法陷入局部最小值,能够进一步提高了算法的分割精度。2.针对传统的模糊C均值算法只利用像素的隶属度信息,对噪声和不均匀灰度值较为敏感,没有充分利用像素周围的邻域空间信息,算法分割精度不高,鲁棒性差等问题,提出了基于并行LGWO和局部信息的FCM图像分割方法。通过引入Levy飞行策略来提高算法计算效率和搜索性能,设计并行计算程序可以极大提升算法的计算效率。结合图像的邻域信息对噪声图像进行自适应灰度加权,可有效抑制噪声影响,提高算法的分割精度。3.当图像受到的噪声污染较为严重时,图像像素的邻域信息也可能会被污染,导致结合了图像局部空间信息的模糊聚类算法分割精度降低,无法满足高精度分割要求。提出了基于改进并行LGWO和全局信息的FCM图像分割方法。利用新的收敛因子和动态权重策略改进的并行LGWO算法对图像进行粗略聚类得到初始聚类中心,这些改进可使并行LGWO算法拥有更高的搜索精度。并将像素周围的邻域信息和非邻域信息作为空间信息添加到目标函数中,利用信息熵调整像素信息与非邻域空间信息之间的权重,用改进的距离测度代替传统的欧式距离,从而进一步改善算法的分割效果。4.由于阈值的选择直接影响阈值分割技术的分割准确性,传统的阈值分割方法多是通过遍历来得到,影响算法的计算效率。提出了基于改进灰狼优化算法的多阈值图像分割方法。利用Tsallis灰度熵阈值技术确定最佳阈值,其有简单易实现,分割精度高,易于从单阈值分割扩展到多阈值分割的特点。引入对立学习的种群初始化、Levy飞行、自适应边界、较差个体主动高斯变异策略,改进灰狼优化算法。改进算法能够较好的平衡算法的搜索和开发能力,避免算法陷入局部最优,同时提高了算法的收敛速度、全局搜索能力和分割精度。各部分仿真实验进一步表明所提方法的有效性。
程伟[7](2019)在《智能优化算法的改进及其在图像分割中的应用研究》文中指出图像分割是将图像分成若干个互不重叠的子区域并提取出有意义区域的过程。在数字图像处理与计算机视觉领域中,图像分割是从图像处理到图像特征提取和识别的关键步骤,它的质量影响着后续的图像分析和模式识别。因此,快速、高效的分割方法一直是研究人员关注的研究热点。阈值分割是一种有效且实用的分割方法,其原理是按照某种准则求出最优阈值,再根据获得的阈值对图像进行分割。在实际应用过程中,为了满足我们的使用需要,有时需要使用多维阈值分割方法或者同时选取多个阈值来实现对目标图像的有效分割。随着图像信息维数或选取阈值个数的增加,阈值分割算法的计算复杂度快速增加,大大提高了计算所需时间,一定程度上限制了算法的使用范围。为此,本文改进了两种新型智能优化算法,并将其应用于图像阈值分割中,论文主要研究内容如下:(1)针对人工蜂群算法应用于含噪图像分割时存在分割精度不高、抗噪性差的问题,提出了一种基于改进人工蜂群算法的Otsu图像分割方法。该方法首先引入全局最优解指导搜索方向,并且针对采蜜蜂和观察蜂作用的不同提出了不同的搜索策略,提高了算法的收敛速度和全局搜索能力;其次,引入模拟退火机制对蜜源更新方式进行了改进,采用Metropolis准则更新蜜源位置,有效避免了个体在搜索过程中陷入局部最优;最后,结合二维Otsu阈值分割法迭代搜索分割阈值。为了测试算法性能,选择多幅不同类型的灰度图像及含噪图像进行仿真实验,并与穷举搜索法、人工蜂群算法及萤火虫算法的实验结果进行了对比分析。实验结果表明了该方法克服了穷举搜索法费时的缺点,分割效果优于人工蜂群算法和萤火虫算法,具有较好的抗噪性能,能有效解决含噪图像的实时分割问题。(2)针对传统多阈值图像分割方法存在计算量大、计算时间长的问题,提出了一种基于改进布谷鸟算法的多阈值图像分割方法。该方法引入教与学搜索策略、精英自适应竞争分享机制和模拟退火机制对布谷鸟算法进行改进,再结合最大熵多阈值分割方法迭代搜索分割阈值。为了验证所提改进方法的有效性,选择了多幅不同类型的复杂多目标图像进行分割实验,并与其它4种先进的分割算法进行对比分析。实验结果表明了该方法在分割准确性、计算时间和收敛性上均优于对比算法,能快速有效的解决复杂多目标图像的多阈值分割问题。
奚韵哲[8](2019)在《桥用爬壁机器人检测高墩裂缝技术研究》文中提出近年来,桥梁检测已逐步向智能化方向发展。车载式桥梁裂缝检测系统、非接触检测仪、无人机以及爬壁机器人逐渐运用于桥梁检测中,以克服传统人工检测安全性差、成本高、检测周期长,有时还要中断交通的缺点。爬壁机器人具有安全风险低,体积小、重量轻、成本低、效率高,机动性强等特点,能进入传统检测工作存在的盲区内进行检测,完成病害的采集工作。同时,利用数字图像处理速度快、灵活度高、安全性高等优势,对采集到的病害图像做进一步处理,进而直观反映裂缝特征参数,从而达到对病害定量、定性分析,完成桥梁病害常规检测。本文针对爬壁机器人检测高墩混凝土表面裂缝中装置稳定性以及采集后裂缝图像信息提取等问题,采用数值仿真和试验验证相结合的技术路线,开展了桥用爬壁机器人检测高墩裂缝技术研究,主要研究内容和结论如下:(1)针对爬壁机器人桥梁检测装置研发,开展了负载力分析、刚度验算以及运动性能分析,证明了该装置在工作状态下的稳定性且具有良好的越障能力。基于有限元计算结果,对检测装置提出了优化建议。(2)针对裂缝图像裂缝灰度值的特点,将遗传算法应用于裂缝图像的阈值分割,并根据裂缝图像自身灰度特点和裂缝数字图像矩阵中背景噪音边缘灰度值的特点,提出了一种矩阵变换的裂缝图像去噪方法。针对不同裂缝图像,能得到不同的裂缝与背景灰度分界值,并能用于解决竖向裂缝,横向裂缝以及交叉裂缝图像中裂缝信息的提取。(3)将分形理论用于裂缝特征值提取,利用分形维数描述裂缝的曲折程度从而获取裂缝的实际长度,通过在预制混凝土板预留不同长度、宽度的“裂缝”图案进一步证明该方法的适用性,并在理论推导和分形软件的基础上,证明了该方法同样适用于图像过处理造成裂缝断裂后的裂缝图像。(4)通过室内试验,将装置携带摄像头完成了混凝土壁面裂缝图像的拍摄,并对拍摄后的裂缝图像做进一步处理,提取裂缝特征值。该试验证明了桥用爬壁检测装置能有效完成混凝土壁面裂缝检测,同时进一步证明了本文提出的裂缝图像去噪方法和分形维数的裂缝特征值获取方法同样适用于桥用爬壁检测装置的裂缝图像采集。
张明[9](2018)在《基于计算机视觉技术的马铃薯病害识别研究》文中指出马铃薯是一种重要的粮菜兼用型农作物,成为继小麦、稻谷和玉米之后的又一主粮,其适应性强、产量高、营养丰富,不仅是世界粮食市场上的一种主要食品,而且也是重要的工业原料,极具开发价值。我国是马铃薯生产的第一大国,甘肃省以其独特的自然资源、农田气候和环境资源,已经成为马铃薯的主要产区之一,种植面积和产量均居全国第一位,促进了全省马铃薯产业的蓬勃发展,是农业增收、企业增效、农民致富的重要途径。我国是一个农业大国,也是一个农业病虫害多发的国家,不仅种类繁多、分布广泛,而且成灾条件复杂。马铃薯病害一直都是制约其可持续发展的主要因素之一,在造成经济损失的同时,还会造成环境污染和食物污染,也会对人类食品安全造成威胁。为了解决马铃薯病害发生严重、产生分散、病虫害专家缺乏等问题,帮助基层技术人员和广大种植用户及时准确地诊断马铃薯病害、把握发生动态、指导开展防控和防治工作,在计算机视觉技术的基础上,结合智能优化算法和深度学习算法,针对马铃薯病害图像的自动识别问题开展了一系列的研究,主要工作如下:(1)分别于2015年和2016年的7月至9月间,在甘肃省马铃薯的主要种植区域定西市的“国家现代化农业示范区马铃薯模式化攻关—定西市安定区香泉镇示范基地”以及定西市的临洮县、康乐县、岷县、渭源县、漳县和陇西县进行马铃薯病害图像的采集工作,重点采集了马铃薯叶部的病害图像。然后采用计算机视觉技术,在Adobe Photoshop CS6 x64简体中文版软件中对采集到的图像进行图像裁剪、调整图像分辨率的预处理,在MathWorks MATLAB R2016a x64简体中文版软件中采用编程的方式进行图像灰度化、灰度图像中值滤波和彩色图像中值滤波的预处理。(2)在研究OTSU阈值分割算法和SFLA智能优化算法的基础上,将OTSU算法简单高效的特点与SFLA算法高效的计算性能、不易陷入局部最优、优良的全局寻优能力、易于实现的特点相结合,首次提出了一种新的基于混合蛙跳算法的OTSU阈值分割算法(OTSU-Shuffled Frog Leaping Algorithm,简称OTSU-SFLA算法)。首先对预处理好的马铃薯病害图像进行灰度化处理并且计算其直方图,然后采用OTSU算法根据直方图对病害图像进行基础分割,最后将OTSU算法的分割结果作为SFLA算法的优化起点,在OTSU算法分割的基础上,利用SFLA算法强大的寻优能力与计算能力做进一步的分割优化,在MathWorks MATLAB R2016a x64简体中文版软件中采用该算法进行编程,从复杂马铃薯病害图像中成功地获取了病斑区域,实现了图像病斑的准确分割。同时,在该算法中首次提出了图像分割紧凑度的概念和具体的计算方法,并且将图像分割紧凑度与交叉熵的加权和作为该算法的适应度函数,在OTSU-SFLA算法中引入该适应度函数后,不仅算法收敛速度快,而且还不易陷入局部最优。(3)在研究人工神经网络和深度学习算法的基础上,充分利用卷积神经网络在计算机视觉方面的优秀性能以及其强大的建模能力、特征学习能力和模式识别能力,基于Caffe开放框架构建了一个13层的基于深度卷积神经网络的马铃薯病害识别模型,由1个输入层、5个卷积层、3个池化层、2个全连接层、1个Softmax层和1个输出层所组成,ReLU函数作为其激活函数,该模型把特征提取直接纳入到模型的学习训练之中,将病害图像的特征提取和分类识别有机地进行了组合。将OTSU-SFLA算法分割之后的二值图像还原为彩色图像,然后将其分成两组样本,一组样本中的每张图像每45度逆时针旋转一次,共旋转7次,在原样本基础上扩大8倍后对模型进行了训练和参数调整;另一组样本对模型进行了识别测试,平均正确率为95.17%,较好地实现了马铃薯病害图像的特征提取和病害识别。
姜允志[10](2012)在《若干仿生算法的理论及其在函数优化和图像多阈值分割中的应用》文中指出最优化方法作为一个重要的科学分支,一直受到人们的广泛重视,它对多个学科产生了重大影响,并在诸多工程领域得到迅速推广和应用,己成为不同领域中以及人们的日常工作与生活中不可或缺的工具。很多优化问题己被证明是NP完全问题,至今没有有效的多项式时间解法,用传统的最优化方法求解,需要的计算时间与问题的规模成指数关系。因此,人们转而求其次,发展了很多仿生算法,希望在有限的时间内求得问题的次优解或近优解,如遗传算法、分布估计算法、粒子群算法、禁忌搜索以及其混合优化策略等。本文的研究紧紧围绕几种仿生算法的理论及其在函数优化、图像阈值分割上面的应用展开,具体地说,本文的研究内容及主要解决的问题如下所述。1)首先介绍了仿生算法之遗传算法的基础理论研究概况和遗传算法的各种改进策略及其已取得的成果。然后在此基础上,我们深入分析了一种伪遗传算法所采用的二进制编码互补双亲策略初始化种群的方法;证明了以此种方式初始化种群能使变异算子极限搜索概率提高1/|HL|2;并且也分析了它的优良模式的生存能力和全局收敛性。接下来,基于上述的分析对伪遗传算法进行了二个方面的改进,改进后的算法称为GACPS算法。经过对一类自变量非对称的测试函数的仿真实验证实,改进后的算法在求解精确度、稳定性和收敛速度等方面都有很明显的提高。此外,我们也指出了GACPS算法研究的意义和下一步研究的内容。2)在上文关于遗传算法理论研究的基础上,结合近年来仿生算法应用于图像阈值分割的概况,我们把遗传算法应用到图像分割领域,提出一种自动多阈值图像分割算法AMT-BSGA。首先将一幅图像看成是由像素值组成的总体,运用分块采样得到若干子样本;其次在每一个子样本中运用遗传算法来使样本的均值与方差比极大化;再基于获得的样本信息对阈值数目和阈值进行自动预测;最后利用一种确定性的算法对阈值数目和阈值做进一步的优化。该算法无需事先考虑图像的纹理和分割数等先验信息,具有较高的易用性;其计算复杂性对图像阈值个数敏感性较低;无需进行灰度直方图分析。在Berkeley图像分割数据集上的大量仿真实验结果表明,本章所提算法能获得较准确、快速和稳定的图像分割。此外,我们也指出了AMT-BSGA的进一步研究的思路和方向。3)在上文对遗传算法理论及其在函数优化、图像多阈值分割中应用的深入研究基础上,结合遗传算法的发展过程,我们研究了分布估计算法。首先介绍了分布估计算法基本原理和流程,分布估计算法基础理论研究和分布估计算法的种类及其改进。接下来我们基于贝叶斯定理和最优解的概率分布提出了一种新的分布估计算法即贝叶斯预测型进化算法(BFEA)。它通过预测最优解所在的子空间来导引算法的搜索,即按照一定的规则在含有最优解概率较大的子空间产生较多的个体,在最优解概率较小的子空间产生较少的个体。它可方便的引入专家知识、能高效利用所有先前代蕴含的信息且能以很快的速度收敛到最优解子空间。文中从理论上分析了它的收敛性、收敛速度和逆收敛算子。我们发现它是有效解决遗传算法中的连锁和欺骗问题的一种新方法。文中的理论分析与对比实验证实了贝叶斯预测型进化算法求解较精确、稳定和快速。此外,我们也指出了贝叶斯预测型进化算法的下一步研究的思路和内容。4)受到上文把贝叶斯定理和遗传算法相结合的启发,我们尝试把贝叶斯定理和粒子群算法相结合。在研究了粒子群算法的流程、特点和应用情况以及粒子群算法的理论和改进方法的基础上,接下来,我们结合贝叶斯定理和灰度图像阈值分割的特点提出了一个高效并且更简单的改进粒子群算法,称为贝叶斯粒子群算法(Bayesian ParticleSwarm Optimization algorithm, BPSO)。在贝叶斯粒子群算法中,我们设计了一种方法去自动地和分别地指派粒子群算法中“社会影响”(social influence)部分的收缩系数(constriction coefficient)的大小,以至于各个粒子们可以根据历史信息以及与当前最优粒子之间距离的大小而拥有不同程度的探索和开发能力。另外,我们根据图像多阈值分割时阈值从小到大排列的特点设计了一种种群初始化策略,这种策略使算法搜索效率更高。相对于现有的三种先进的算法来说,大量的在Berkely图像数据集上的仿真实验显示了贝叶斯粒子群算法可以得到高效的、稳定的和比较平滑的分割结果。此外,我们也指出了贝叶斯粒子群算法进一步研究的方向和内容。在本文的结论部分,我们对全文主要研究内容进行总结,讨论了现有工作中的不足之处,并且指出了在本文研究基础之上的后续研究内容和思想方法。
二、基于遗传优化的一种新型阈值分割方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于遗传优化的一种新型阈值分割方法(论文提纲范文)
(1)基于深度学习的跨海大桥灾害救援研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 应急管理研究现状 |
1.2.2 深度学习研究现状 |
1.2.3 应急物资调度研究现状 |
1.2.4 优化算法研究现状 |
1.2.5 混凝土裂缝检测研究现状 |
1.3 主要研究内容和创新点 |
1.3.1 主要研究内容 |
1.3.2 创新点 |
1.4 论文的组织结构 |
1.5 研究技术路线 |
第二章 灾害环境下跨海大桥图像处理 |
引言 |
2.1 基于阈值分割图像处理 |
2.1.1 阈值分割叙述 |
2.1.2 阈值分割算法 |
2.1.3 阈值分割算法部分代码 |
2.1.4 实验数据 |
2.1.5 实验仿真 |
2.2 基于卷积神经网络混凝土裂缝图像处理 |
2.2.1 卷积神经网络叙述与网络结构 |
2.2.2 实验数据与归一化处理 |
2.2.3 实验流程与框架 |
2.2.4 实验环境 |
2.2.5 实验结果 |
2.3 本章小结 |
第三章 灾害环境下跨海大桥无人机救援及应急管理系统研究 |
引言 |
3.1 基于粒子群算法优化跨海大桥救援物资无人机调度研究 |
3.1.1 粒子群算法理论 |
3.1.2 问题描述 |
3.1.3 模型建立 |
3.1.4 自适应惯性权重 |
3.1.5 任务分组 |
3.1.6 实验 |
3.2 基于遗传算法优化跨海大桥救援物资无人机调度研究 |
3.2.1 问题描述 |
3.2.2 模型建立 |
3.2.3 种群初始化及进化操作算子 |
3.2.4 实验 |
3.3 灾害环境下跨海大桥救援应急管理系统研究 |
3.3.1 应急管理原则 |
3.3.2 应急管理特点 |
3.3.3 应急交通关键基础设施管理研究 |
3.3.4 灾害救援应急管理流程 |
3.3.5 应急管理系统研发 |
3.4 本章小结 |
第四章 灾害环境下跨海大桥信息共享平台 |
引言 |
4.1 LSTM预测台风数据 |
4.1.1 LSTM |
4.1.2 实验 |
4.2 NAR预测台风数据 |
4.2.1 NAR |
4.2.2 实验 |
4.3 平台对桥梁的损坏进行定位及信息传输 |
4.4 数据预测(LSTM、NAR)及裂缝检测传输 |
4.5 灾后信息共享平台管理防治工作 |
4.6 本章小结 |
第五章 系统功能实现 |
引言 |
5.1 系统运行环境 |
5.2 系统功能展示 |
5.3 系统运行 |
5.4 本章小结 |
第六章 结论和展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
附录A |
附录B |
攻读硕士学位期间科研成果 |
一、发表论文 |
致谢 |
(2)基于正余弦优化算法的改进及其应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究目的及意义 |
1.2 国内外研究现状 |
1.2.1 群智能算法研究现状 |
1.2.2 多级阈值图像分割研究现状 |
1.3 研究内容及论文结构安排 |
第二章 正余弦优化算法 |
2.1 正余弦算法 |
2.2 正余弦优化算法改进思路 |
2.2.1 交叉算子 |
2.2.2 贪婪选择机制 |
2.3 改进的正余弦优化算法(ISCA) |
2.4 正余弦优化算法(ISCA)框架 |
2.5 实验环境及参数设置 |
2.6 本章小结 |
第三章 经典函数测试与数据分析 |
3.1 数值实验参数设置 |
3.2 数值实验结果 |
3.3 数值实验结果分析 |
3.3.1 单峰函数测试结果分析 |
3.3.2 多峰函数测试结果分析 |
3.3.3 固定维度的多峰函数测试结果分析 |
3.4 收敛性分析 |
3.5 CPU执行时间比较结果 |
3.6 测试结果统计分析 |
3.7 本章小结 |
第四章 改进的正余弦算法在工程测试问题中的应用 |
4.1 齿轮设计问题 |
4.2 调频参数估计问题 |
4.3 悬臂梁设计问题 |
4.4 减速器设计问题 |
4.5 压力管道设计问题 |
4.6 本章小结 |
第五章 改进的正余弦算法在多级阈值分割中的应用 |
5.1 能量曲线 |
5.2 最大类间方差法(OTSU) |
5.3 改进的正余弦算法在多级阈值分割中的应用 |
5.4 基准图像与评价指标 |
5.5 实验结果与分析 |
5.5.1 不同图像的分割结果比较 |
5.5.2 单张图像测试结果分析 |
5.5.3 分割结果讨论 |
5.6 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
攻读硕士学位期间研究成果 |
(3)基于群体智能的图像多阈值分割方法研究(论文提纲范文)
摘要 |
Abstract |
引言 |
1 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.2.1 图像阈值分割法研究现状 |
1.2.2 基于群体智能的图像多阈值分割研究进展 |
1.3 本文的结构安排 |
2 群体智能优化算法 |
2.1 常见的群体智能优化算法 |
2.1.1 遗传算法 |
2.1.2 粒子群算法 |
2.1.3 和声算法 |
2.2 新型的群体智能算法 |
2.2.1 布谷鸟算法 |
2.2.2 鲸鱼算法 |
2.3 群体智能算法的性能测试 |
2.3.1 基准测试函数 |
2.3.2 图像分割中的测试 |
2.4 本章小结 |
3 基于改进布谷鸟算法的图像多阈值分割 |
3.1 多阈值图像分割的目标函数 |
3.1.1 最大类间方差法 |
3.1.2 最大熵法 |
3.1.3 Tsallis熵 |
3.2 基于改进布谷鸟算法的图像多阈值分割 |
3.2.1 改进的布谷鸟算法 |
3.2.2 改进布谷鸟算法分割流程图 |
3.3 实验结果的分析讨论 |
3.3.1 实验参数设置 |
3.3.2 分割性能指标 |
3.3.3 分割结果对比 |
3.3.4 分割性能对比 |
3.3.5 收敛速度对比 |
3.4 本章小结 |
4 基于混沌达尔文粒子群的彩色图像多阈值分割算法 |
4.1 达尔文粒子群算法描述 |
4.1.1 达尔文粒子群算法 |
4.1.2 混沌达尔文粒子群算法 |
4.1.3 CDPSO算法分割流程 |
4.2 实验结果的分析讨论 |
4.2.1 实验参数设置 |
4.2.2 分割性能对比 |
4.2.3 分割结果对比 |
4.2.4 收敛速度对比 |
4.3 本章小结 |
5 基于改进鲸鱼算法的遥感图像多阈值分割 |
5.1 改进的鲸鱼算法 |
5.1.1 McCulloch算法 |
5.1.2 改进的鲸鱼算法分割流程 |
5.2 实验结果的讨论分析 |
5.2.1 实验参数设置 |
5.2.2 分割结果对比 |
5.2.3 分割性能对比 |
5.2.4 收敛速度对比 |
5.3 本章小结 |
6 结论与展望 |
6.1 本文主要工作 |
6.2 未来工作 |
参考文献 |
致谢 |
作者简介及硕士研究生期间主要科研成果 |
(4)基于粒子群算法的最大熵多阈值图像分割方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要研究内容及创新点 |
1.3.1 本文主要研究内容 |
1.3.2 本文创新点 |
1.4 论文组织结构 |
第二章 图像分割技术研究 |
2.1 图像分割技术概述 |
2.2 图像分割的定义 |
2.3 基于区域的图像分割 |
2.3.1 区域生长 |
2.3.2 区域分裂合并 |
2.4 基于边缘检测的图像分割 |
2.4.1 梯度算子 |
2.4.2 高斯—拉普拉斯算子 |
2.4.3 Canny边缘检测算子 |
2.5 基于阈值的图像分割 |
2.5.1 最大类间方差法 |
2.5.2 最小误差法 |
2.5.3 最大熵多阈值法 |
2.6 其它的图像分割方法 |
2.7 本章小结 |
第三章 基于IPSO的最大熵多阈值图像分割算法 |
3.1 基于PSO的最大熵多阈值图像分割算法 |
3.1.1 粒子群算法基本思想 |
3.1.2 标准粒子群算法的数学描述 |
3.1.3 粒子群算法参数设置 |
3.1.4 粒子群算法流程 |
3.1.5 基于PSO的最大熵多阈值分割算法存在的不足 |
3.2 改进的粒子群算法 |
3.2.1 惯性权重的改进 |
3.2.2 多维群计算方式的改进 |
3.2.3 粒子速度更新策略的改进 |
3.3 基于IPSO的最大熵多阈值图像分割算法 |
3.3.1 种群设计 |
3.3.2 改进粒子群优化算法流程 |
3.4 基于IPSO的最大熵多阈值分割的实验结果及分析 |
3.4.1 图像分割的评价指标 |
3.4.2 基于IPSO的多阈值图像分割仿真结果及分析 |
3.4.3 基于不同优化方法的最大熵四阈值分割结果及分析 |
3.5 本章小结 |
第四章 基于SA-PSO的最大熵多阈值图像分割算法 |
4.1 模拟退火算法概述 |
4.1.1 模拟退火算法思想 |
4.1.2 模拟退火算法原理 |
4.1.3 模拟退火参数设置 |
4.1.4 模拟退火算法步骤 |
4.1.5 模拟退火算法特点 |
4.2 基于SA-PSO的最大熵多阈值图像分割算法 |
4.2.1 改进的SA-PSO算法 |
4.2.2 基于SA-PSO的最大熵多阈值分割算法流程 |
4.3 基于SA-PSO的最大熵多阈值分割的实验结果及分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(5)基于果蝇优化算法的图像处理方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.3 本文研究的创新点与内容 |
第二章 智能算法知识介绍 |
2.1 智能算法的介绍 |
2.1.1 经典智能算法 |
2.2 果蝇优化算法 |
2.2.1 果蝇优化算法特点 |
2.2.2 基本果蝇算法步骤 |
2.2.3 改进的果蝇优化算法 |
2.3 本章小结 |
第三章 基于自适应步长改进的果蝇优化算法 |
3.1 改进算法的思想 |
3.2 算法改进原理 |
3.2.1 升半柯西分布 |
3.2.2 柯西分布 |
3.3 算法改进步骤 |
3.4 实验设计及分析 |
3.4.1 实验设置与测试函数 |
3.4.2 实验结果 |
3.4.3 实验对比分析 |
3.5 本章小结 |
第四章 TCO-FOA在图像分割上的应用 |
4.1 图像分割的研究目的与意义 |
4.2 图像阈值分割原理介绍 |
4.2.1 最优迭代阈值图像分割 |
4.2.2 最大熵阈值分割 |
4.2.3 大津法(Otsu)图像分割 |
4.3 改进算法TCO-FOA图像分割 |
4.4 实验设计和实验结果 |
4.4.1 实验图像 |
4.4.2 实验设置 |
4.4.3 低阈值下实验分割 |
4.4.4 高阈值下实验分割 |
4.5 本章小结 |
第五章 TCO-FOA在图像匹配中的应用 |
5.1 图像匹配的研究现状与意义 |
5.2 图像匹配的分类 |
5.2.1 基于灰度的图像匹配 |
5.2.2 基于特征的图像匹配 |
5.3 基于TCO-FOA果蝇优化算法的图像匹配 |
5.3.1 果蝇范围区间 |
5.3.2 确定适应度函数 |
5.3.3 改进果蝇优化算法图像匹配 |
5.4 实验设置和仿真结果 |
5.4.1 TCO-FOA实验设置 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 本文总结 |
6.2 未来工作与展望 |
参考文献 |
攻读硕士学术期间发表的学术论文目录 |
致谢 |
(6)基于仿生优化的图像分割方法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 图像分割研究及发展现状 |
1.3 论文的研究内容 |
1.3.1 研究目的与思路 |
1.3.2 论文的章节安排 |
第二章 仿生优化算法 |
2.1 仿生优化算法概述 |
2.2 Levy飞行算法 |
2.2.1 Levy飞行的起源与思想 |
2.2.2 Levy飞行的原理 |
2.2.3 Levy飞行算法的研究进展 |
2.3 灰狼优化算法 |
2.3.1 灰狼优化算法的的起源及原理 |
2.3.2 标准灰狼优化算法 |
2.3.3 灰狼优化算法的局限性 |
2.3.4 灰狼优化算法的研究进展 |
2.4 本章小结 |
第三章 基于差分进化灰狼优化的FCM图像分割 |
3.1 模糊C均值聚类算法及其改进 |
3.2 基于差分进化灰狼优化的FCM算法 |
3.2.1 适应度函数设置 |
3.2.2 差分进化灰狼优化算法原理 |
3.2.3 基于差分进化灰狼优化的FCM算法流程 |
3.2.4 基于差分进化灰狼优化的自适应FCM算法 |
3.3 实验结果与分析 |
3.3.1 图像分割效果的评价指标 |
3.3.2 实验结果与分析 |
3.4 本章小结 |
第四章 基于并行LGWO和局部信息的FCM图像分割 |
4.1 结合图像局部信息的FCM算法 |
4.2 并行LGWO优化算法 |
4.2.1 LGWO优化算法 |
4.2.2 并行LGWO优化算法 |
4.3 基于并行LGWO和局部信息的FCM图像分割 |
4.3.1 自适应灰度权重 |
4.3.2 改进的模糊因子 |
4.3.3 改进的距离测度 |
4.3.4 所提算法及其计算流程 |
4.4 实验结果与分析 |
4.5 本章小结 |
第五章 基于改进并行LGWO和全局信息的FCM图像分割 |
5.1 改进的并行LGWO优化算法 |
5.1.1 改进算法收敛因子 |
5.1.2 引入动态权重策略 |
5.2 快速非局部均值去噪算法 |
5.3 基于改进并行LGWO和全局信息的FCM图像分割 |
5.4 实验结果与分析 |
5.5 本章小结 |
第六章基于改进灰狼优化算法的多阈值图像分割 |
6.1 Tsallis灰度熵 |
6.2 IGWO算法 |
6.2.1 基于对立学习的种群初始化策略 |
6.2.2 狼群Levy飞行策略 |
6.2.3 狼群自适应边界策略 |
6.2.4 较差狼个体主动高斯变异策略 |
6.3 实验结果与分析 |
6.3.1 算法性能测试 |
6.3.2 实验结果与分析 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 论文工作总结 |
7.2 研究工作展望 |
参考文献 |
致谢 |
作者简介 |
(7)智能优化算法的改进及其在图像分割中的应用研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.2 图像分割研究现状 |
1.3 智能优化算法研究现状 |
1.4 基于智能优化算法的图像阈值分割研究现状 |
1.5 本文主要研究内容与章节安排 |
1.5.1 论文主要研究内容 |
1.5.2 论文章节安排 |
第2章 智能优化算法 |
2.1 智能优化算法基本概念 |
2.1.1 遗传算法 |
2.1.2 粒子群算法 |
2.1.3 模拟退火算法 |
2.2 人工蜂群算法 |
2.2.1 人工蜂群算法的思想起源 |
2.2.2 人工蜂群算法的原理与数学模型 |
2.2.3 人工蜂群算法的基本流程 |
2.3 布谷鸟算法 |
2.3.1 布谷鸟算法的思想起源 |
2.3.2 布谷鸟算法的原理与数学模型 |
2.3.3 布谷鸟算法的基本流程 |
2.4 本章小结 |
第3章 智能优化算法在图像阈值分割中的应用 |
3.1 基于智能优化算法的图像阈值分割方法 |
3.1.1 阈值分割基本原理 |
3.1.2 图像直方图及其划分 |
3.1.3 Otsu法 |
3.1.4 最大熵法 |
3.2 智能优化算法用于图像阈值分割的一般流程 |
3.3 本章小结 |
第4章 应用改进人工蜂群算法优化Otsu图像分割 |
4.1 二维Otsu阈值分割目标函数 |
4.2 人工蜂群算法的改进 |
4.2.1 人工蜂群算法的局限性 |
4.2.2 改进人工蜂群算法 |
4.3 基于改进人工蜂群算法的Otsu图像分割 |
4.4 实验结果与分析 |
4.4.1 分割效果对比 |
4.4.2 分割速度对比 |
4.4.3 算法的收敛性对比 |
4.5 本章小结 |
第5章 应用改进布谷鸟算法优化多阈值图像分割 |
5.1 最大熵多阈值分割目标函数 |
5.2 布谷鸟算法的改进 |
5.2.1 布谷鸟算法的局限性 |
5.2.2 改进布谷鸟算法 |
5.3 基于改进布谷鸟算法的多阈值图像分割 |
5.4 实验结果与性能分析 |
5.4.1 不同阈值下改进布谷鸟算法的分割效果 |
5.4.2 分割准确性对比 |
5.4.3 分割速度对比 |
5.4.4 算法的收敛性对比 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 论文总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(8)桥用爬壁机器人检测高墩裂缝技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景和研究意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 桥梁检测装置的国内外研究现状 |
1.2.2 混凝土裂缝图像识别方法研究现状 |
1.3 主要研究内容与技术路线 |
第二章 桥梁高墩爬壁机器人负载力与刚度分析 |
2.1 概述 |
2.2 基于爬壁机器人的墩柱裂缝采集装置 |
2.2.1 主体结构设计 |
2.2.2 装置主要零部件 |
2.2.3 检测装置的工作原理 |
2.2.4 检测装置的优越性 |
2.3 裂缝图像采集装置负载力分析 |
2.3.1 静力分析 |
2.3.2 动力分析 |
2.4 机器人刚度分析 |
2.5 本章小结 |
第三章 桥梁高墩爬壁机器人越障性能分析 |
3.1 概述 |
3.2 装置越障面积分析 |
3.2.1 有限元求解基本原理 |
3.2.2 有限元建模 |
3.2.3 计算结果与分析 |
3.3 本章小结 |
第四章 基于遗传算法阈值分割下的裂缝提取方法 |
4.1 概述 |
4.2 裂缝图像的特点 |
4.3 裂缝图像处理流程 |
4.4 遗传算法下的图像裂缝信息提取 |
4.4.1 遗传算法的概念 |
4.4.2 传统算法与遗传算法的比较 |
4.4.3 遗传算法在图像分割中的应用 |
4.4.4 遗传算法下的一种矩阵变换去噪方法 |
4.5 本章小结 |
第五章 基于分形理论的裂缝特征值提取方法研究 |
5.1 概述 |
5.2 传统裂缝长度获取方法 |
5.3 分形维数下的裂缝图像获取方法 |
5.3.1 分形理论的基本概念 |
5.3.2 混凝土裂缝图像裂缝特征参数的确定 |
5.3.3 分形理论对图像处理后断裂裂缝的探讨 |
5.4 分形理论提取裂缝特征值试验方案 |
5.5 分形理论提取裂缝特征值试验结果 |
5.5.1 不同宽度下的裂缝分形维数 |
5.5.2 不同长度下的裂缝分形维数 |
5.6 本章小结 |
第六章 高大桥墩裂缝信息采集系统试验 |
6.1 概述 |
6.2 试验目的 |
6.3 试验过程 |
6.4 试验结果与分析 |
6.4.1 工况一试验结果与分析 |
6.4.2 工况二试验结果与分析 |
6.5 本章小结 |
第七章 结论与展望 |
7.1 本文主要结论 |
7.2 创新点 |
7.3 研究展望 |
致谢 |
参考文献 |
在校期间发表的论文和取得的学术成果 |
(9)基于计算机视觉技术的马铃薯病害识别研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题背景与意义 |
1.1.1 选题背景 |
1.1.2 选题意义 |
1.2 研究目标与内容 |
1.2.1 研究目标 |
1.2.2 研究内容 |
1.3 本文的结构安排 |
第二章 文献综述 |
2.1 国外研究进展 |
2.2 国内研究进展 |
2.3 存在的主要问题 |
第三章 马铃薯病害图像采集和预处理 |
3.1 马铃薯病害图像采集 |
3.1.1 采集对象介绍 |
3.1.2 图像采集 |
3.2 试验环境说明 |
3.3 马铃薯病害图像预处理 |
3.3.1 图像裁剪 |
3.3.2 调整图像分辨率 |
3.3.3 图像灰度化 |
3.3.4 图像滤波 |
第四章 马铃薯病害图像病斑分割 |
4.1 图像分割算法 |
4.2 OTSU-SFLA算法的提出 |
4.3 OTSU算法 |
4.3.1 OTSU算法的基本思想 |
4.3.2 OTSU算法的基本原理 |
4.4 SFLA算法 |
4.4.1 SFLA算法的基本思想 |
4.4.2 SFLA算法的基本原理 |
4.5 OTSU-SFLA算法实现马铃薯病害图像分割 |
4.5.1 马铃薯病害图像灰度化 |
4.5.2 马铃薯病害图像中值滤波 |
4.5.3 计算马铃薯病害图像的直方图 |
4.5.4 马铃薯病害图像OTSU算法基础分割 |
4.5.5 马铃薯病害图像OTSU-SFLA算法实现分割优化 |
第五章 马铃薯病害图像特征提取与病害识别 |
5.1 病害图像特征提取技术 |
5.2 病害图像识别技术 |
5.3 卷积神经网络 |
5.3.1 人工神经网络 |
5.3.2 卷积神经网络 |
5.4 基于卷积神经网络的马铃薯病害图像特征提取和病害识别 |
5.4.1 设计马铃薯病害图像特征提取和病害识别的结构 |
5.4.2 设计马铃薯病害图像特征提取和病害识别的各层功能 |
5.4.3 马铃薯病害图像特征提取和病害识别的激活函数 |
5.4.4 实现马铃薯病害图像特征提取和病害识别的框架 |
第六章 系统及模型训练和识别的可靠性测试 |
6.1 系统及模型训练 |
6.1.1 马铃薯病害图像样本的来源和选取 |
6.1.2 马铃薯图像病斑分割之后图像彩色化还原 |
6.1.3 系统及模型的训练 |
6.2 马铃薯病害识别的可靠性测试 |
第七章 结论与讨论 |
7.1 结论 |
7.2 讨论 |
7.2.1 创新点 |
7.2.2 不足与展望 |
参考文献 |
致谢 |
个人简介 |
导师简介 |
(10)若干仿生算法的理论及其在函数优化和图像多阈值分割中的应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 仿生算法概述 |
1.1.1 仿生算法的起源与特征 |
1.1.2 仿生算法的发展与现状 |
1.2 最优化问题 |
1.2.1 函数优化问题 |
1.2.2 组合优化问题 |
1.3 图像分割概述 |
1.3.1 图像分割定义与分类 |
1.3.2 阈值分割分类与现状 |
1.4 本文结构安排和主要创新点 |
第二章 互补双亲遗传算法 |
2.1 引言 |
2.1.1 遗传算法流程 |
2.1.2 遗传算法基础理论简介 |
2.1.3 遗传算法的改进 |
2.2 一种伪遗传算法 |
2.2.1 伪遗传算法的提出 |
2.2.2 伪遗传算法理论分析 |
2.3 互补双亲遗传算法 |
2.4 实验与结论 |
2.5 本章小结 |
第三章 基于遗传算法的自动多阈值图像分割 |
3.1 引言 |
3.2 AMT-BSGA 算法原理与流程 |
3.2.1 分块采样 |
3.2.2 利用 GA 对样本进行优化 |
3.2.3 阈值和阈值数的自动预测 |
3.2.4 阈值和阈值数目的进一步优化 |
3.3 AMT-BSGA 算法分析 |
3.3.1 分块采样方法分析 |
3.3.2 优化方法设计及分析 |
3.3.3 算法复杂度分析 |
3.4 仿真实验 |
3.5 本章小结 |
第四章 贝叶斯型进化算法 |
4.1 引言 |
4.1.1 分布估计算法简介与应用 |
4.1.2 分布估计算法理论研究 |
4.1.3 分布估计算法改进 |
4.1.4 贝叶斯型进化算法的提出 |
4.2 贝叶斯型进化算法原理与流程 |
4.2.1 相关定义与符号表示 |
4.2.2 算法原理与特色 |
4.2.3 算法流程 |
4.2.4 子区间的划分与变异算子 |
4.3 贝叶斯型进化算法理论分析 |
4.3.1 BFEA 算法的收敛性分析 |
4.3.2 BFEA 算法收敛速率分析 |
4.3.3 逆收敛算子分析 |
4.4 贝叶斯型进化算法实验分析 |
4.4.1 单变量的函数优化问题实验 |
4.4.2 欺骗问题的实验分析 |
4.4.3 低维函数优化性能比较 |
4.4.4 高维函数优化性能比较 |
4.5 本章小结 |
第五章 用于图像多阈值分割的贝叶斯粒子群算法 |
5.1 引言 |
5.1.1 粒子群算法简介与应用 |
5.1.2 粒子群算法的理论研究 |
5.1.3 粒子群算法的改进 |
5.1.4 贝叶斯粒子群算法的提出 |
5.2 贝叶斯粒子群算法 |
5.2.1 BPSO 初始化策略 |
5.2.2 预测向量 Bayes |
5.2.3 BPSO 参数设置 |
5.3 预测向量 Bayes 和延缓算子的分析 |
5.4 贝叶斯粒子群算法实验分析 |
5.4.1 图像分割结果比较(M=4) |
5.4.2 阈值、一致性度量 U、计算时间比较(M=2,3,4) |
5.4.3 稳定性实验(M=4) |
5.4.4 克服“维数灾难”能力实验(M=5,9,12,16) |
5.5 本章小结 |
结论与展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
四、基于遗传优化的一种新型阈值分割方法(论文参考文献)
- [1]基于深度学习的跨海大桥灾害救援研究[D]. 肖姜. 扬州大学, 2021(08)
- [2]基于正余弦优化算法的改进及其应用[D]. 张睿. 长春工业大学, 2021(08)
- [3]基于群体智能的图像多阈值分割方法研究[D]. 孙敏. 安徽理工大学, 2020(04)
- [4]基于粒子群算法的最大熵多阈值图像分割方法研究[D]. 杨佳攀. 河南师范大学, 2020(08)
- [5]基于果蝇优化算法的图像处理方法研究[D]. 许冰. 安徽大学, 2020(07)
- [6]基于仿生优化的图像分割方法研究[D]. 李沐青. 西安电子科技大学, 2020(05)
- [7]智能优化算法的改进及其在图像分割中的应用研究[D]. 程伟. 南昌大学, 2019(02)
- [8]桥用爬壁机器人检测高墩裂缝技术研究[D]. 奚韵哲. 重庆交通大学, 2019(06)
- [9]基于计算机视觉技术的马铃薯病害识别研究[D]. 张明. 甘肃农业大学, 2018(02)
- [10]若干仿生算法的理论及其在函数优化和图像多阈值分割中的应用[D]. 姜允志. 华南理工大学, 2012(01)