多目标和声搜索算法及其在交通图像分割中的应用

发布时间：2017-10-05 16:36

  本文关键词：多目标和声搜索算法及其在交通图像分割中的应用

  更多相关文章： 图像分割 多目标优化 和声搜索算法 自适应参数设置 高斯变异 模糊聚类

【摘要】：在智能交通领域,交通场景图像分割结果的好坏直接地影响道路、车辆、车牌以及交通标志等目标的检测和识别,因此研究适用于交通图像的分割算法具有十分重要的意义。现有交通图像分割方法大多考虑因素单一,而交通图像的内容又复杂多样,因而这些分割算法得到的分割结果并不理想。考虑到基于多目标和声搜索算法的图像分割方法可以同时优化多个目标,算法分割结果更好,适用范围更广,因此将其应用于交通图像分割是一个很好的选择。由于多目标和声搜索算法的性能直接影响求解得到的聚类中心的准确性,从而影响分类结果,但是现有的多目标和声搜索算法还存在参数难于设置和算法收敛性差等缺点,因此对于多目标和声搜索算法的研究也具有十分重要的意义。主要的研究内容有如下三个方面：针对和声搜索算法存在需要根据经验和问题的具体特性来设置参数的难题,提出了一种基于和声记忆库方差的自适应多目标和声搜索算法(SAMOHS)。该算法采用一种改进的调节频宽,同时针对算法中的关键参数和声记忆库候选概率和基音调整概率提出了一种基于和声记忆库方差变化的参数自适应机制,不仅解决了参数设置的困扰,而且能够使算法在全局搜索和局部搜索之间保持一个较好的平衡,从而提高了算法的全局和局部搜索能力。为了解决多目标优化问题,该算法采用非支配排序和截断程序来更新和声记忆库,成功地保护了算法搜索过程找到的非支配解以及解的多样性。针对常规的模糊聚类分割算法通常只考虑单个指标,分割结果不理想,提出了一种基于自适应多目标和声搜索优化聚类的图像分割算法。该算法把SAMOHS算法与模糊聚类分割技术结合在一起,将聚类中心编码到和声向量中,同时优化两个目标函数,并利用聚类有效性指标对多目标算法获得的Pareto解集进行评价以选取最优聚类中心,从而得到分割结果,算法得到的分割结果明显优于传统的聚类分割算法,并且算法具有较好稳定性和良好的抗噪能力。针对智能交通中基于视觉的智能车导航技术需要分割算法能够自动地将交通图像中的目标分割出来,提出了一种基于高斯变异的多目标和声搜索优化聚类的交通图像分割算法。该算法将一种新颖的基于高斯变异的多目标和声搜索算法灵活地运用于模糊聚类分割方法中,并且融入动态聚类的分割策略,算法同时优化全局模糊紧凑性指标和模糊分离性指标,采用聚类有效性指标对多目标算法获得的Pareto解集进行评价以选取最优聚类中心,算法成功实现了在只给定分割图像的最小和最大聚类数目的情况下求解到了最佳聚类数目,能够准确地将交通图像中的目标从背景中分离出来。
【关键词】：图像分割 多目标优化 和声搜索算法 自适应参数设置 高斯变异 模糊聚类
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495;TP391.41
【目录】：

• 摘要5-7
• Abstract7-14
• 第1章 绪论14-20
• 1.1 研究背景及意义14-15
• 1.2 多目标和声搜索算法的研究现状15-17
• 1.3 智能交通领域图像分割研究现状17-18
• 1.4 本文的主要内容及章节安排18-20
• 第2章 基于和声记忆库方差的自适应多目标和声搜索算法20-42
• 2.1 多目标优化的基本概念20-21
• 2.2 和声搜索算法概述21-24
• 2.2.1 和声搜索算法的原理21-22
• 2.2.2 和声搜索算法运算过程22-24
• 2.3 SAMOHS算法24-30
• 2.3.1 SAMOHS算法运算过程24-26
• 2.3.2 新颖的参数自适应机制26-29
• 2.3.3 更新和声记忆库29-30
• 2.4 数值实验30-41
• 2.4.1 多目标优化算法性能评价指标30-31
• 2.4.2 SAMOHS与其它MOEAs的比较31-36
• 2.4.3 SAMOHS与其它多目标和声搜索算法的比较36-39
• 2.4.4 参数HMS对SAMOHS算法性能的影响39-41
• 2.5 本章小结41-42
• 第3章 SAMOHS算法在图像分割中的应用42-61
• 3.1 图像分割的基本概念42-43
• 3.2 进化多目标聚类算法分析43-44
• 3.3 基于自适应多目标和声搜索优化聚类的图像分割算法44-47
• 3.3.1 SAMOHSFC算法运算过程44-45
• 3.3.2 初始化和声记忆库45-46
• 3.3.3 计算自适应度值46-47
• 3.3.4 评估聚类有效性47
• 3.4 实验结果与分析47-60
• 3.4.1 标准测试图像实验结果与分析47-55
• 3.4.2 交通图像实验结果与分析55-60
• 3.5 本章小结60-61
• 第4章 基于高斯变异的多目标和声搜索优化聚类的交通图像分割算法61-77
• 4.1 新颖的基于高斯变异的多目标和声搜索算法简介61
• 4.2 基于高斯变异的多目标和声搜索优化聚类的交通图像分割算法61-70
• 4.2.1 初始化和声记忆库62
• 4.2.2 产生一个新的和声向量62-67
• 4.2.3 计算自适应度值67-68
• 4.2.4 更新和声记忆库68
• 4.2.5 GMHSFC算法运算过程68-70
• 4.3 实验结果与分析70-76
• 4.3.1 实验设计70-71
• 4.3.2 无噪声的交通图像实验结果与分析71-75
• 4.3.3 有噪声的交通图像实验结果与分析75-76
• 4.4 本章小结76-77
• 第5章 总结与展望77-80
• 5.1 总结77-78
• 5.2 展望78-80
• 参考文献80-86
• 致谢86-87
• 附录A 攻读学位期间所发表的学术论文目录87

，

本文编号：977862