改进蚱蜢优化算法在图像质量评价中的应用研究
发布时间：2021-09-06 05:44
目前很多的客观图像质量评价方法评价结果与人眼的观测结果相差较大,因此基于机器学习的评价方法得到广泛研究和关注。极限学习机是常用的图像质量评价方法之一,但传统极限学习机存在容易产生过拟合、泛化能力和预测精度有待提高等问题。蚱蜢优化算法是近年提出的智能优化算法,具有较好的寻优性能,通过引入莱维飞行改进,蚱蜢优化算法寻优能力可以进一步提升,能有效地解决传统极限学习机训练中存在的问题。本文将改进后的蚱蜢优化算法与极限学习机相结合,应用于图像质量评价中,主要工作如下:（1）设计了一种基于莱维飞行改进的蚱蜢优化算法。为了使蚱蜢优化算法更好的找到全局最优解,引入莱维分布的机制,能够使得原有的优化算法在性能上得到了很好的提升,更好地越出局部范围,从而得到更好的全面的最优解。实验表明,优化后的蚱蜢优化算法能更好的找到全局最优解。（2）设计了一种基于改进蚱蜢优化算法优化极限学习机的图像质量评价方法。采用改进的蚱蜢优化算法和极限学习机算法相结合,利用改进的蚱蜢优化算法对极限学习机的权重和偏置进行寻优,找到最佳组合,得到改进极限学习机预测模型,在图像质量评价数据库上进行测试,相关实验结果表明,该方法能提高在图...
【文章来源】：湖北工业大学湖北省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
评价图像质量评价算法的性能的过程
湖北工业大学硕士学位论文13^1,SNiijijjjisdd（2.2）其中ijd是第i和蚱蜢和第j个蚱蜢之间的距离，它可以由=ijjidxx计算所得，S是一个函数，用于定量社交力度的大小，^=jiijijxxdd是第i和蚱蜢个体至第j个蚱蜢个体的单位向量。S函数代表着社交力度，其计算方式为，，其指示这蚱蜢的社会互动(吸引和排斥)受影响程度。在这个大型蚱蜢群落里，把每一个个体连接在一起，每个个体都能够通过其他的来判断自己要寻找吃食的方位。图（2.1）所示，蚱蜢之间有排斥力和吸引力，不会因为个体之间的相互吸引而导致蚱蜢种群聚集的过度紧密，虽然有吸引同类个体的现象，但是并不会没有条件的一直向外扩大。所有的个体在前进时都往一个目标靠近。随位置的不断改变，目标的范围不断缩小，到最后，所有的个体都在接近标的地方。图2.1蚱蜢个体间的位置校正方式蚱蜢种群中个体的位置根据公式(2.3)进行更新，图2.1为蝗虫舒适区交互作用的概念示意图。尽管s函数有优点，但它不能应用蝗虫之间的距离很大，力也很大。为了解决这个问题，需要蚱蜢之间的距离映射或归一化为。为了解决最优化问题，随机算法必须进行有效的探索和开发，以确定全局最优的精确逼近。上述数学模型应设置特殊参数，以显示不同优化阶段的勘探开发。提出的数学模型如下：
湖北工业大学硕士学位论文15图2.2蚱蜢优化算法的算法流程图在实际的解决问题的过程中，由于不知道全局最佳值在哪个地方，所以需要在每次迭代中寻找最佳值。假设每个优化过程中当前优化值最高的个体是目标值。这有助于将蝗虫个人转移到每个搜索过程的最佳解，并逐渐接近问题的总最大值。优秀的解决方案蝗虫优化算法通过随机初始化一系列解决方案来开始优化操作。在优化过程中，根据公式(2.3)执行位置更新，并且系数c的更新取决于公式(2.4)。每次迭代，更新最佳目标位置，返回最佳个人位置和匹配值，直到循环达到终止条件。2.2莱维飞行基本原理数学家Lévy在20世纪30年代发现了莱维分布。在生存环境中，有些昆虫在外出寻找食物时所走的路线是存在一定规律的，比如蜜蜂，果蝇等昆虫，研究发现，这些昆虫的觅食轨迹都与莱维分布模型一致。Lévy飞行符合莱维分布的概率模型，飞行过程中，短的步长和长的步长都有，有一定规律的交换。经过很多步后，随机游走的距离会趋于稳定。在飞行过
【参考文献】：
期刊论文
[1]基于智能计算的广西冷湿极端天气定性和定量组合预报方法研究[J]. 黄颖,金龙,陆虹,黄翠银,周秀华. 大气科学. 2019(06)
[2]基于深度网络和视觉特性的无参考图像质量评价方法[J]. 高方远,何立火. 南京师大学报(自然科学版). 2019(03)
[3]基于机器学习的全参考图像质量评价模型泛化能力分析[J]. 马小雨,姜秀华. 中国传媒大学学报(自然科学版). 2019(04)
[4]基于文化混合优化算法的旅行商问题求解[J]. 马晗,常安定,陈童,李江杰. 计算机工程与科学. 2019(07)
[5]浅谈计算机辅助数理统计方法教学[J]. 李秀昌,孙健. 教育教学论坛. 2019(27)
[6]数字图像处理实验教学研究与实践探讨[J]. 杜号军. 学周刊. 2019(19)
[7]基于莱维飞行的改进蚁群算法的PID参数优化[J]. 孙悦,何同祥. 仪器仪表用户. 2019(06)
[8]基于引导滤波器和加权二维主成分分析的视频融合[J]. 徐丹,巩沛琪,郭松涛,王英,姚菁. 重庆大学学报. 2019(05)
[9]基于莱维飞行的水波优化算法[J]. 金旭旸. 科技创新与生产力. 2019(05)
[10]非线性编辑系统中的数字视频压缩技术探讨[J]. 蒋杰. 通讯世界. 2019(04)
博士论文
[1]前馈神经网络梯度学习算法收敛性分析[D]. 王健.大连理工大学 2012
[2]粒子群优化算法研究及其应用[D]. 王维博.西南交通大学 2012
硕士论文
[1]基于人类视觉系统的图像质量评价算法研究[D]. 杨玉芬.中国矿业大学 2016
[2]基于自然统计特性的图像去雾质量评价[D]. 武文晖.西安电子科技大学 2015
[3]智能算法在图像质量评价中的应用研究[D]. 张立冬.江南大学 2015
[4]基于数字水印的图像质量评价方法研究[D]. 康良成.江南大学 2015
[5]最小均方误差自适应时延估计算法研究[D]. 乔振岳.西安电子科技大学 2014
[6]基于支持向量机的图像去噪和图像质量评价的研究[D]. 黄玉飞.中北大学 2013
[7]基于人眼视觉系统的硬拷贝图像质量评价算法的研究[D]. 夏诚.上海交通大学 2013
[8]基于HVS特性的图像质量客观评价[D]. 龚洪涛.南京理工大学 2011
本文编号：3386864
【文章来源】：湖北工业大学湖北省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
评价图像质量评价算法的性能的过程
湖北工业大学硕士学位论文13^1,SNiijijjjisdd（2.2）其中ijd是第i和蚱蜢和第j个蚱蜢之间的距离，它可以由=ijjidxx计算所得，S是一个函数，用于定量社交力度的大小，^=jiijijxxdd是第i和蚱蜢个体至第j个蚱蜢个体的单位向量。S函数代表着社交力度，其计算方式为，，其指示这蚱蜢的社会互动(吸引和排斥)受影响程度。在这个大型蚱蜢群落里，把每一个个体连接在一起，每个个体都能够通过其他的来判断自己要寻找吃食的方位。图（2.1）所示，蚱蜢之间有排斥力和吸引力，不会因为个体之间的相互吸引而导致蚱蜢种群聚集的过度紧密，虽然有吸引同类个体的现象，但是并不会没有条件的一直向外扩大。所有的个体在前进时都往一个目标靠近。随位置的不断改变，目标的范围不断缩小，到最后，所有的个体都在接近标的地方。图2.1蚱蜢个体间的位置校正方式蚱蜢种群中个体的位置根据公式(2.3)进行更新，图2.1为蝗虫舒适区交互作用的概念示意图。尽管s函数有优点，但它不能应用蝗虫之间的距离很大，力也很大。为了解决这个问题，需要蚱蜢之间的距离映射或归一化为。为了解决最优化问题，随机算法必须进行有效的探索和开发，以确定全局最优的精确逼近。上述数学模型应设置特殊参数，以显示不同优化阶段的勘探开发。提出的数学模型如下：
湖北工业大学硕士学位论文15图2.2蚱蜢优化算法的算法流程图在实际的解决问题的过程中，由于不知道全局最佳值在哪个地方，所以需要在每次迭代中寻找最佳值。假设每个优化过程中当前优化值最高的个体是目标值。这有助于将蝗虫个人转移到每个搜索过程的最佳解，并逐渐接近问题的总最大值。优秀的解决方案蝗虫优化算法通过随机初始化一系列解决方案来开始优化操作。在优化过程中，根据公式(2.3)执行位置更新，并且系数c的更新取决于公式(2.4)。每次迭代，更新最佳目标位置，返回最佳个人位置和匹配值，直到循环达到终止条件。2.2莱维飞行基本原理数学家Lévy在20世纪30年代发现了莱维分布。在生存环境中，有些昆虫在外出寻找食物时所走的路线是存在一定规律的，比如蜜蜂，果蝇等昆虫，研究发现，这些昆虫的觅食轨迹都与莱维分布模型一致。Lévy飞行符合莱维分布的概率模型，飞行过程中，短的步长和长的步长都有，有一定规律的交换。经过很多步后，随机游走的距离会趋于稳定。在飞行过
【参考文献】：
期刊论文
[1]基于智能计算的广西冷湿极端天气定性和定量组合预报方法研究[J]. 黄颖,金龙,陆虹,黄翠银,周秀华. 大气科学. 2019(06)
[2]基于深度网络和视觉特性的无参考图像质量评价方法[J]. 高方远,何立火. 南京师大学报(自然科学版). 2019(03)
[3]基于机器学习的全参考图像质量评价模型泛化能力分析[J]. 马小雨,姜秀华. 中国传媒大学学报(自然科学版). 2019(04)
[4]基于文化混合优化算法的旅行商问题求解[J]. 马晗,常安定,陈童,李江杰. 计算机工程与科学. 2019(07)
[5]浅谈计算机辅助数理统计方法教学[J]. 李秀昌,孙健. 教育教学论坛. 2019(27)
[6]数字图像处理实验教学研究与实践探讨[J]. 杜号军. 学周刊. 2019(19)
[7]基于莱维飞行的改进蚁群算法的PID参数优化[J]. 孙悦,何同祥. 仪器仪表用户. 2019(06)
[8]基于引导滤波器和加权二维主成分分析的视频融合[J]. 徐丹,巩沛琪,郭松涛,王英,姚菁. 重庆大学学报. 2019(05)
[9]基于莱维飞行的水波优化算法[J]. 金旭旸. 科技创新与生产力. 2019(05)
[10]非线性编辑系统中的数字视频压缩技术探讨[J]. 蒋杰. 通讯世界. 2019(04)
博士论文
[1]前馈神经网络梯度学习算法收敛性分析[D]. 王健.大连理工大学 2012
[2]粒子群优化算法研究及其应用[D]. 王维博.西南交通大学 2012
硕士论文
[1]基于人类视觉系统的图像质量评价算法研究[D]. 杨玉芬.中国矿业大学 2016
[2]基于自然统计特性的图像去雾质量评价[D]. 武文晖.西安电子科技大学 2015
[3]智能算法在图像质量评价中的应用研究[D]. 张立冬.江南大学 2015
[4]基于数字水印的图像质量评价方法研究[D]. 康良成.江南大学 2015
[5]最小均方误差自适应时延估计算法研究[D]. 乔振岳.西安电子科技大学 2014
[6]基于支持向量机的图像去噪和图像质量评价的研究[D]. 黄玉飞.中北大学 2013
[7]基于人眼视觉系统的硬拷贝图像质量评价算法的研究[D]. 夏诚.上海交通大学 2013
[8]基于HVS特性的图像质量客观评价[D]. 龚洪涛.南京理工大学 2011
本文编号：3386864
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3386864.html
