基于人工蜂群算法的工程图纸图像阈值分割方法研究

发布时间：2017-09-11 08:27

  本文关键词：基于人工蜂群算法的工程图纸图像阈值分割方法研究

  更多相关文章： 阈值分割 遗传机制 Tent映射 量子思想 蜂群算法 工程图纸图像

【摘要】：图像分割是计算机视觉领域的一个核心问题,尤其在图像处理、分析和理解等领域是一项关键技术。图像分割是把图像分解成各具特性的区域并提取出感兴趣目标的技术和过程,是从图像处理到图像分析的一个关键步骤,在图像工程中占有非常重要的位置,分割结果的好坏将直接影响到视觉系统的性能。在工程领域,工程图纸每年数以万计地增加,将这些工程图纸扫描输入计算机后利用图像阈值分割技术将目标和背景进行有效分割,再以矢量化的形式存储在计算机或针对图纸图像的再利用。这种存储和应用方式在工程应用中对于提高业务人员的管理水平和提升技术人员图纸设计的效率具有积极的意义。解决该问题的核心是针对不同类型工程图纸图像如何获取合理阈值,本文以递进关系对人工蜂群算法进行改进,以这类图像的二维直线交叉熵为适应度函数,分别就不同类型工程图纸图像的阈值分割问题进行研究。首先,阐述标准图库和非标准含噪声工程图纸图像应用人工蜂群算法以一维信息熵为适应度函数对图像中目标和背景进行有效分离,结合分割的结果总结出以图像一维统计信息为适应度函数的局限性和算法的改进方向。其次,针对含噪工程图纸图像的特点,提出一种遗传机制的二进制蜂群算法,该算法为二进制形式编码,图像的二维直线交叉熵为适应度函数,以人工蜂群算法的更新策略为基础,提出各蜜源“去同存异”的更新策略,此操作类似于遗传机制的交叉操作,而调整策略采用类似于遗传机制的变异操作。结合遗传算法的理论验证思路证明该改进算法是收敛的,将该改进算法应用到测试函数的函数库中,通过不同类型函数仿真验证该算法具有良好的收敛性。并进一步将该算法推广到含噪工程图纸图像中,结合算法之间的比较从实际应用的角度验证该算法应用到图像阈值分割中是有效的。再次,针对低信噪比含噪工程图纸图像这类特殊的图纸图像,分析遗传机制二进制蜂群算法中二进制编码在应用过程中涉及到二进制到十进制的转换,而算法的更新和调整策略应用时编码重新转换为二进制的特点。同时,人工蜂群算法更新策略中存在随机因素,导致算法的更新进程既可能朝较优解方向发展,也可能朝着退化方向发展。结合算法的这些特点,提出基于Tent映射的改进蜂群算法和量子思想的改进蜂群算法。基于Tent映射的改进蜂群算法是将编码通过混沌理论中Tent映射转换到定义域区间中,更新策略采用固定方向更新模式,而调整策略利用1与[0,1]之间的数作差依然是[0,1]范围内数的互补特性对局部优解进行调整,从而增加个体的多样性,利用随机过程和Markov链的相关理论证明该改进算法是概率1收敛。而提出的量子思想改进蜂群算法是以量子思想概率幅正弦分量的平方为编码映射到定义域区间中,更新策略通过按照固定的方向调整相位角来更新量子比特概率幅,最终使蜂群算法中引领蜂向着当前最优蜜源的方向移动;调整策略借鉴量子运算中非门操作将个体的正弦和余弦分量互换,使跟随蜂的蜜源进行互补更新,亦通过齐次Markov链的相关性质说明该算法是概率1收敛的。针对上述两种算法首先通过测试函数验证其良好地“跳出”局部优解的能力。然后将该算法应用到标准图库中图像和低信噪比含噪工程图纸图像,通过算法比较和数据分析验证,这两类改进蜂群算法应用到图像阈值分割中的效果是明显的。最后对分割后图像进行二次均值平滑处理,大大提升了阈值分割后的图像质量。最后,针对大图幅含噪工程图纸图像,由于计算机软硬件条件的限制,无法对这类图像进行直接读取。因此,将大图幅的含噪工程图纸图像分成若干小区域,在每个区域内分别采用基于局部阈值的遗传机制二进制蜂群算法,基于Tent映射的改进蜂群算法和量子思想的改进蜂群算法,并以二维直线交叉熵为适应度函数,分别获得每个区域内的局部阈值,进行阈值分割后再重新拼接成整幅图像。通过分析上述三种局部阈值改进蜂群算法的响应曲线和性能指标,并从实际数据论证算法将大图幅含噪工程图纸图像的目标和背景分离开来是卓有成效的。
【关键词】：阈值分割 遗传机制 Tent映射 量子思想 蜂群算法 工程图纸图像
【学位授予单位】：东北石油大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-6
• Abstract6-9
• 创新点摘要9-13
• 第一章 绪论13-21
• 1.1 课题研究背景及意义13-15
• 1.2 国内外研究现状15-18
• 1.2.1 群体智能算法及图像阈值分割研究现状16-17
• 1.2.2 人工蜂群算法及图像阈值分割研究现状17-18
• 1.3 论文主要研究内容及结构安排18-21
• 1.3.1 主要研究内容18-20
• 1.3.2 论文结构安排20-21
• 第二章 人工蜂群算法的图像阈值分割21-36
• 2.1 引言21-22
• 2.2 基于蜜蜂采蜜行为的人工蜂群算法22-25
• 2.2.1 蜜蜂采蜜机理22-23
• 2.2.2 人工蜂群算法23-25
• 2.3 图像阈值分割原理25-27
• 2.4 信息熵27-28
• 2.5 人工蜂群算法的图像阈值分割28-30
• 2.6 分割结果及其分析30-35
• 2.7 本章小结35-36
• 第三章 遗传机制二进制蜂群算法对含噪工程图纸图像的阈值分割36-57
• 3.1 引言36-37
• 3.2 遗传机制的二进制蜂群算法37-41
• 3.2.1 人工蜂群算法37
• 3.2.2 遗传机制的二进制蜂群算法37-39
• 3.2.3 算法的收敛性证明39-41
• 3.3 遗传机制二进制蜂群算法的函数优化41-43
• 3.3.1 测试函数41-42
• 3.3.2 函数优化仿真验证42-43
• 3.4 遗传机制二进制蜂群算法的图像阈值分割43-47
• 3.4.1 适应度函数的选取43-46
• 3.4.2 算法流程46-47
• 3.4.3 算法时间复杂度分析47
• 3.5 工程图纸图像阈值分割及算法比较分析47-56
• 3.5.1 标准图像的单阈值分割47-50
• 3.5.2 含噪非标准工程图纸图像的单阈值分割50-52
• 3.5.3 单阈值分割的算法性能比较52
• 3.5.4 标准图像的双阈值分割52-54
• 3.5.5 含噪非标准工程图纸图像的双阈值分割54-55
• 3.5.6 分割结果分析55-56
• 3.6 本章小结56-57
• 第四章 改进蜂群算法对低信噪比含噪工程图纸图像阈值分割57-94
• 4.1 引言57-58
• 4.2 Tent映射的改进人工蜂群(IABCTM)算法58-63
• 4.2.1 Tent映射58-59
• 4.2.2 Tent映射的改进人工蜂群(IABCTM)算法59-61
• 4.2.3 IABCTM算法的收敛性证明和时间复杂度分析61-63
• 4.3 IABCTM算法的函数优化63-65
• 4.4 IABCTM算法在图像阈值分割中的应用65-66
• 4.5 图像阈值分割及算法分析验证66-72
• 4.5.1 标准图像单阈值分割66-69
• 4.5.2 含噪非标准工程图纸图像单阈值分割69-71
• 4.5.3 单阈值分割的算法性能比较和分析71-72
• 4.6 IABCTM算法对低信噪比含噪工程图纸图像的阈值分割72-75
• 4.7 量子思想的改进人工蜂群(IABCQ)算法75-79
• 4.7.1 新的蜜源初始化方式75
• 4.7.2 新的引领蜂蜜源位置更新策略75-76
• 4.7.3 新的跟随蜂蜜源更新策略76-77
• 4.7.4 侦查蜂随机行为77
• 4.7.5 量子思想改进蜂群(IABCQ)算法的步骤77-78
• 4.7.6 量子思想改进蜂群算法的收敛性证明和时间复杂度分析78-79
• 4.8 IABCQ算法的函数优化79-80
• 4.9 量子思想改进蜂群(IABCQ)算法的图像阈值分割80-82
• 4.10 工程图纸图像阈值分割及算法比较分析82-88
• 4.10.1 标准图库中的图像单阈值分割82-85
• 4.10.2 含噪声非标准工程图纸图像单阈值分割85-87
• 4.10.3 单阈值分割的算法性能验证87-88
• 4.11 IABCQ算法对低信噪比含噪工程图纸图像的阈值分割88-89
• 4.12 图像阈值分割后去噪方法89-93
• 4.12.1 二次均值平滑去噪处理89-92
• 4.12.2 PSNR量化验证92-93
• 4.13 本章小结93-94
• 第五章 基于局部阈值改进蜂群算法对大图幅含噪工程图纸图像的多阈值分割94-115
• 5.1 引言94
• 5.2 大图幅图像的特点94-95
• 5.3 局部阈值改进蜂群算法对大图幅含噪工程图纸图像阈值分割95-114
• 5.3.1 局部阈值遗传机制蜂群算法对大图幅含噪工程图纸图像阈值分割102-104
• 5.3.2 局部阈值IABCTM算法对大图幅含噪工程图纸图像阈值分割104-109
• 5.3.3 局部阈值IABCQ算法那对大图幅含噪工程图纸图像阈值分割109-113
• 5.3.4 基于局部阈值改进蜂群算法的性能比较113-114
• 5.4 本章小结114-115
• 结论115-117
• 参考文献117-125
• 攻读博士期间所参加的科研及发表论文125-129
• 致谢129-130

【参考文献】

中国期刊全文数据库 前5条

1 唐英干;黄娜;关新平;;基于二维Fisher线性鉴别分析和粒子群优化的红外图像分割(英文)[J];电子器件;2009年01期

2 邓廷权;盛春冬;;结合变精度粗糙熵和遗传算法的图像阈值分割方法[J];控制与决策;2011年07期

3 陈一民;姚杰;;单幅图像多尺度小波深度提取算法[J];计算机辅助设计与图形学学报;2014年11期

4 许涌,万国龙;海量图像数据快速显示技术[J];计算机工程与设计;2003年06期

5 ;Global Convergence Analysis of Non-Crossover Genetic Algorithm and Its Application to Optimization[J];Journal of Systems Engineering and Electronics;2002年02期

，

本文编号：829658