基于群智能优化算法的图像分析研究

发布时间：2020-06-06 02:15

【摘要】：近年来,群智能优化算法发展迅猛,出现了许多各具特色的优秀算法,并在实际应用中获得很好的效果。图像分析是实现机器视觉的基础,包含图像增强、图像融合、图像识别、图像跟踪和图像检索等诸多技术,在医学、交通、军事、航天等领域有很大的需求,特别是智能机器人、智慧医疗、智慧城市等诸多行业和领域的发展给图像分析带来诸多优化问题挑战,目前基于群智能优化算法的图像分析已成为一个重要的研究热点。本课题针对图像分析面临的大量、复杂和多样的图像处理性能优化的问题,选取不同特点的群智能优化算法进行理论和应用研究。在优化算法研究方面,分别改进群智能优化算法的运行机制和构建适应度函数等,力图提高在图像分析典型优化问题中的收敛性和收敛精度等性能;另一方面,尝试引入其他机制,使算法具有更好的搜索性能和处理多样性枯竭、移动峰等问题能力,取得满意效果。在图像分析研究方面,根据群智能优化算法的不同特点,通过理论分析和实验验证选取不同的优化算法,针对性地解决图像增强、图像融合、图像识别和图像检索处理过程中面临的不同问题,取得良好的效果。论文试图较为系统地探索群智能优化算法在图像分析研究领域的更好应用,主要研究内容包括以下五个方面。第一,针对图像增强中对增加对比度、去噪、提高图像质量等问题需求,融合全局信息和局部信息的图像增强优化模型,引入“教与学”算法(Teaching and Learning Based Optimization Algorithm,简称TLBO算法)进行优化研究。首先,为了解决图像增强全局增强方法容易损失细节和局部增强方法容易加入噪声的问题,设计能够准确表征图像质量的适应度函数;同时,针对TLBO算法自身处理复杂优化问题时仍存在容易陷入局部最优和收敛精度不高等问题,对TLBO算法进行“教学”阶段和“学习”阶段改进研究,从而更好的兼顾多样性和收敛性,提高算法的整体性能。实验仿真结果表明该改进算法对图像增强的质量有所改善。第二,针对基于粒子滤波人脸跟踪的移动峰优化问题、粒子退化和多样性丧失等问题,提出一种基于差分进化粒子滤波的人脸跟踪算法。通过引入小生境技术对差分进化算法进行改进,用其取代粒子滤波中的重采样操作,实现在满足把粒子推向高似然区的同时,能够保证粒子的多样性要求,使其更加符合人脸跟踪中人脸目标非刚性且动态运动的问题。实验验证该方法具有良好的跟踪精度和稳定性。第三,针对基于梯度下降方法优化NIN网络图像识别模型的非凸、高维、非线性目标函数存在易陷入局部最优和多样性枯竭等问题,提出了一种基于梯度下降方法的预训练和粒子群优化算法的微调式相结合的NIN模型方法。第一阶段使用梯度下降方法对NIN网络模型进行预训练,将得到解作为微调阶段PSO算法初始种群的位置;第二阶段采用PSO算法对模型进行微调操作,利用算法调节参数少、收敛速度快、收敛精度高等特点来提高模型收敛性。实验验证该方法具有良好的图像识别性能。第四,针对图像融合需结果可视、易于后处理的要求,提出一种基于生物地理学优化脉冲发放皮层(SCM)模型的多聚焦图像融合方法。一方面,采用基于区域的两步融合模式,第一步:通过计算和比较图像的区域梯度值,确定清晰区域,完成初步融合;第二步:针对模糊区域采用脉冲发放皮层模型对图像的差异区域进行融合并相应的提出了一种融合准则,提高融合性能,获得更好的融合效果。另一方面,针对脉冲发放皮层模型需要人工设置参数,不利于智能化地获得最优解的问题,将生物地理学优化算法用于对SCM模型进行参数优化。实验仿真结果表明该算法能有效提升图像融合质量。第五,针对基于进化算法的相关反馈图像检索方法无法很好地结合用户偏好信息和设置参数过多的问题,提出两种面向不同评价指标的基于教与学优化的相关反馈图像检索算法。为提高图像检索查准率,结合最近邻分类法,对教与学优化算法的适应度函数进行改进,增强局部开发能力,提出面向提升查准率的TLBO-RF-P算法;为提高图像检索查全率,引入空间探索能力较强的PSO算法,对TLBO算法的教阶段和学阶段分别进行改进,提高全局探索能力,提出面向提升查全率的TLBO-RF-R算法。实验表明,两种方法都能更好地结合用户偏好信息提高图像检索性能。
【图文】：

区间,灰度范围,感兴趣区,增强处理

感兴趣的目标区域，而抑制不感兴趣的背景区域，通常利用分段线性变换来对图像进行处理。假定原始图像的灰度范围为[0, M]，感兴趣的范围为[a, b]，为了对感兴趣区间的信息进行增强，而其他区间的信息进行抑制，采用如图2.2所示的方式，其表达式如式(2-3)所示。( , ), 0 ( , )( , ) [ ( , ) ] 0 ( , )[ ( , ) ] ( , )cf x y f x y aad cg x y f x y a c, f x y bb ae df x y b d, b f x y MM b (2-3)图 2.2 分段线性变换Fig.2.2 Piecewise linear transformation从图 2.2 可以看出，分段线性变换对灰度区间[a, b]进行了扩展，对区间[0, a]和[b, M]进行了压缩。分段线性变换的思想是，通过调整折线拐点的位置和分段区域直线的斜率，从而实现对任一区间的灰度值扩展或灰度压缩。经过分段线性变换得到增强处理前后的效果如图 2.3 所示。

流程图,流程图,图像增强技术,优化算法

TLBO算法的流程图
【学位授予单位】：哈尔滨工程大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP391.41;TP18

【相似文献】