微粒群组算法的数码图像修复研究

数码图像的修复是数码图像处理的后期制作技术,主要是使用一定的计算机科学算法针对缺损的数码图像进行修改,或者从数码图像中去除或者淡化一部分,以达到自己的目的。本文具体讲述使用基于微粒群组算法的数码图像修复方法,利用区域采样技术确定初始微粒,然后利用微粒群组算法搜索得到最佳匹配块,最后得到数码图像的修复效果。

基于微粒子群优化算法的数字散斑图像相关方法

为了能够通过一步搜索同时得到数字散斑图像中所测点的整像素和亚像素位移信息,采用灰度插值的方法构造了亚像素子区,改进了基于微粒子群算法的数字图像散斑相关方法。对含有平移信息的模拟散斑图和具有应变的模拟散斑图进行相关计算,验证了该方法的适用性;在对具有微小面内位移转动的试件进行测量时,比较了整像素的微粒子群算法和不同量级的灰度插值下的亚像素微粒子群算法。结果表明,基于微粒子群算法的亚像素数字散斑图像相关方法在测量小位移方面具有一定的优越性。

基于微粒群算法的二维最大熵图像分割方法

该文研究了基于二维最大熵的图像分割方法,针对二维最大熵图像分割方法求取阈值时存在的计算复杂、时间长、实用性差等问题,提出了基于微粒群算法的二维最大熵图像分割方法。该方法运用微粒群算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度-区域灰度均值对作为阈值进行图像分割。实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了离散的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大的提高了计算速度,是一种实用有效的图像分割方法。

基于量子行为的微粒群优化算法与模糊C均值聚类算法的磨粒图像分割

利用计算机图像处理技术实现铁谱图像诊断自动化是铁谱技术发展的目标。介绍了基于微粒群优化(PSO)算法与模糊C均值(FCM)聚类算法相融合的图像分割方法并分析了其缺点,提出了一种基于量子行为的微粒群优化(QPSO)算法与FCM算法相融合的图像分割方法,并采用该方法对铁谱图像进行预处理。结果表明,该方法收敛速度快,设置参数少,具有更高的精确性和稳定性,是一种更有效的铁谱图像预处理方法。

基于微粒群算法的二维最大熵图像分割算法

将微粒群算法运用于二维最大熵图像阈值分割法。首先构建图像分割的二维最大熵准则函数,然后采用适用于整数规划的微粒群算法最大化该准则函数,最终实现含噪声干扰下图像的有效分割。分割实验表明,该方法具有较强的抗噪声能力,且比普通和基于遗传算法的二维最大熵法运算速度更快。

基于量子行为的微粒群优化算法的图像分割

在图像处理中提出的图像颜色分割是一个重要性和具有挑战性的难题。当一幅图像中包含相似的和(或者)非固定的纹理区域时,难以计算出精确的纹理区域和分割区域的最优的数目。在这篇文章中,寻找出了一种实用而广泛的图像分割方法——基于量子行为的微粒群优化算法(QPSO)的图像颜色分割方法,把图像分割问题看作一个最优化问题,并且采用QPSO的进化策略聚类颜色特征空间中的区域。QPSO不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛。文中给出了三幅图像的分割效果,证明了QPSO算法在自动的和无监督的颜色分割上具有很好的效能。

基于微粒群算法和脉冲耦合神经网络的图像分割算法

脉冲耦合神经网络(Pulse Couled Neural Network,PCNN)在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成很大的困难。尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割的结果影响很大。而微粒群优化算法(Particle Swarm Optimization,PSO)具有对参数自动寻优的优势,为此,将PSO和PC-NN相结合,以改进的最大熵函数为适应度函数,提出了一种基于PSO和PCNN算法的图像自动分割算法。实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且参数可以自动设置,省去了人工实验的麻烦,同时分割速度也有所提高。

基于遗传微粒群混合算法的灰度图像增强

文中提出了一种基于遗传算法和微粒群算法的混合算法,该算法兼有遗传算法和微粒群算法的优点。混合算法以微粒群算法为主体,同时应用遗传算子操作来优化参数搜索,并引进了摒弃因子来调整微粒的随机性,最终得到最优值。本算法中交叉和变异算子采用了概率自适应策略,微粒群算法使用了动态惯性因子来控制微粒的速度更新。通过对标准试验函数的测试,与标准遗传算法及微粒群算法的结果比较,证明了该混合算法的有效性,并应用于图像增强处理,获得了较为满意的结果。

基于微粒群算法的彩色图像增强研究

在增强彩色图像问题中,把图像增强看作最优化问题,提出了一种基于微粒群算法的彩色图像自适应增强方法.将在RGB空间表示的降质图像转换到与人类视觉系统特性相适应的HIS颜色空间进行增强,提出了应用于亮度I分量的新的目标函数.使用此方法可以自动地找出降质图像归一化的非完全β函数的最优参数值,对原始图像降质类型进行正确的推理.仿真结果表明所提出的方法在自动拟合灰度的广义变换上有很好的性能,图像增强效果显著.

混沌微粒群优化算法在图像匹配中的应用

针对传统图像匹配计算量较大、匹配速度慢、抗干扰能力差的问题,将混沌算子与微粒群优化算法相结合,提出一种鲁棒性强、计算速度快的图像匹配方法。该算法利用微粒群优化算法的收敛快速性和混沌运动的遍历性、随机性等特点,实现了非遍历性搜索。在算法初始化阶段,对粒子位置混沌初始化;在算法运行期间,对优秀个体进行混沌扰动避免落入局部最优。提高了算法对多维空间的全局搜索能力,并可以有效避免早熟现象。实验结果表明该算法的图像匹配具有快速性和较高的准确性,对解决噪声情况下的图像匹配问题十分有效。

基于微粒群算法的纹理合成图像修补方法

提出了一种基于微粒群算法(PSO)的纹理合成图像修补方法。针对基于块的纹理合成算法中常用的匹配块全搜索效率低下的问题,对候选区域采样确定初始微粒,利用PSO算法搜索得到最优匹配块。实验结果表明了方法的有效性。

基于分散微粒群算法的二维模糊最大熵图像分割

该文研究了基于二维模糊信息熵的图像分割方法,针对二维模糊信息熵图像分割方法求取阈值时存在的计算复杂、时间长、实用性差等问题,提出了基于优化微粒群算法的二维最大熵图像分割方法。DPSO算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度-区域灰度均值作为阈值进行图像分割。同时,为了避免该算法收敛到局部最优解的问题,在算法中引入了变异策略。通过实验显示了该算法在收敛性和计算效率上较QPSO在内其它优化算法具有更好的优越性。

微粒群算法在图像检索中的应用

基于内容的图像检索技术已成为信息检索中的瓶颈.针对此问题提出了基于微粒群算法的图像检索技术.首先提取图像的颜色特征向量,用特征向量对粒子进行编码,检索图像的过程可以看成是利用微粒群算法在特征空间搜寻最优解的过程.该方法能够有效全面地搜索图片库,改进和提高了传统的基于内容的图像检索算法的性能.

微粒群算法在智能组卷中的应用

根据教育考试理论与统计学,分析组卷目标要求,建立智能组卷系统的数学模型,提出一种基于微粒群算法的智能组卷算法。通过应用实例分析,实验结果表明所提出新组卷算法的组卷速度快、精度高。

基于改进微粒群算法的快速图像分割技术

微粒群算法中微粒有保持自身状态的特性,论文给出一种周期性随机扰动的自适应改变微粒速度的方法:当微粒要进行下一次运动时,总体采用非线性下降的惯性权重选择方法,并且在其中加入周期性随机扰动策略,使算法既能得到较快的收敛速度,又不至于陷入局部极值。将此方法应用于图像分割,新方法能得到更好的结果。

基于微粒群算法的OTSU图像分割方法

本文研究了图像闽值分割方法中常用的OTSU算法，在此基础上提出了基于微粒群算法的OTSU图像分割方法，该方法利用微粒群算法的快速全局寻优，确定图像的分割闯值所对应的灰度值，在该灰度值下目标和背景的方差最大。实验中选用了像素分别是8位和16位的两幅图片来进行分割，得到了较好的分割效果，而且该方法大大提高了计算速度，是一种有效的图像分割方法。

基于微粒群算法的QoS组播路由算法

文章研究了带宽、延时、延时抖动约束最小代价的QoS组播路由问题,提出了一种基于微粒群优化(PSO)算法[2,5]来设计路由优化算法。该算法采用一种新的整数编码方案,将路由优化问题转化成准连续优化问题,并采用罚函数处理约束条件。给出了应用微粒群优化算法求解QoS组播路由问题的算例,并与遗传算法和改进后的遗传算法进行了比较。计算机仿真实验证明,该算法可以更有效地求得QoS组播路由问题的优化解,可靠性高。

基于改进的微粒群优化算法与shearlet图像去噪研究

从现阶段信息工程学科的拓展研究及发展状况来看,该领域研究成果的实践应用范围十分宽泛,因此,要注重各项细节的处理与完善。在研究中发现,图像信息在获取及其传输时难免受到噪声的影响,只要受到噪声干扰,则图像边缘则会出现模糊,不利于图像分析环节的执行。在实际操作中,要尽可能采取有效措施来避免噪声对图像的干扰。相对而言,改进的微粒群优化算法较为先进,如若将改模式引入到shearlet图像去噪环节中,则更能突显其价值。本文基于改进的微粒群优化算法与shearlet图像去噪的相关内容进行阐述,以期能为该项目的深入研究带来一定的启示。

基于量子行为微粒群优化算法的图像增强方法

为了提高图像增强的自适应性和通用性,提出了基于量子行为的微粒群优化算法(QPSO)的图像增强方法,将图像增强作为最优化问题来明确地表示。并且使用了一种新的目标函数评价算法的性能。QPSO没有过多参数需要调整,随机性强,能够保证算法的高效性和全局收敛性。实例仿真证实了QPSO在图像增强上的有效性和优越性。

基于微粒群算法的图像自适应增强算法的研究

提出了一种基于微粒群算法(PSO)的图像增强方法,把图像增强看作最优化问题。使用此方法可以自动地找出降质图像归一化的非完全β函数的最优参数值,对原始图像降质类型进行正确的推理。不论原始图像是哪种降质类型,使用提出的算法都能得到较好的增强。并且在评价算法的性能时,使用了一种新的目标函数。实例仿真证实了PSO在图像增强上的有效性和优越性。