基于蚁群算法的改进Otsu理论的图像多阈值分割.pdf

发布时间：2022-06-09 发布人：admin 分类：说明书资料大小：0.41M 资料格式：pdf 举报版权申诉

dewlyee-3402410-4744302543292351607.pdf-第1页.png

第1页 / 共6页

dewlyee-3402410-4744302543292351607.pdf-第2页.png

第2页 / 共6页

dewlyee-3402410-4744302543292351607.pdf-第3页.png

第3页 / 共6页

dewlyee-3402410-4744302543292351607.pdf-第4页.png

第4页 / 共6页

dewlyee-3402410-4744302543292351607.pdf-第5页.png

第5页 / 共6页

dewlyee-3402410-4744302543292351607.pdf-第6页.png

第6页 / 共6页

文本预览

第29卷第4期 2008年4月微计算机应用 MICROCOMPUTER APPLICATIONS VoL 29 No．4 Apr．2008 基于蚁群算法的改进Otsu理论的图像多阈值分割宰王爽黄友锐．李冬 (安徽理工大学电气与信息工程学院淮南232001) 摘要：图像分割是由图像处理到图像分析的关键步骤，Otsu法是一种效果较好、实现简单的阈值分割方法。针对传统的Otsu 阈值计算方法耗时较多、准则函数不一定单峰这一问题，提出了采用蚁群优化算法来求解阈值，并改进了传统的Otsu理论。分割效果表明该算法不仅提高了分割质量，而且缩短了寻优时间，从而说明了该算法的有效性，正确性。、关键词：蚁群算法图像分割。姗法 Multileve．1 Thresholding Methods for Image Segmentation with Improved·—·Otsu Based on Ant Colony Algorithm - ，， WANG Shuang，HUANG Yourui，LI Dong (School of Electrical and Information Engineering，Anhui University of Science and Technology，Huainan，232001，China) Abstract：Image segmentation is the key step from image processing to image analysis．Ostu thresholding，which features a good per- formance，is one of the main image threshold segmentation methods．Like other threshold methods，the application of the Otsu has been restricted for the long—paying computation and the peak value of the rule function may not be exclusive．In order to overcome the dis- advantages and get better results．a new method witll improved—Otsu based on Ant Colony algorithm is proposed in this paper．The im— age by use of the thresholds can be segmented．Simulation results show that the method is not only of higher segmentation quality but also of higher computational speed．So it proved that the algorithm is right and efficient． Keywords：Ant Colony algorithm，image segmentation，Otsu thresholding 1 引言。 ●{ 』蚁群算法是继模拟退火算法、遗传算法、禁忌搜索算法、人工神经网络算法等启发式搜索算法以后的又一种应用于优化问题的启发式随即搜索算法。在该算法中，可行解经过多次迭代后，最终将以最大的概率逼近问题的最优解。蚁群算法是由意大利学者Dorigo、Maniezzo等人在20世纪90年代初首先提出来，并用该方法求解旅行商问题、指派问题、job—shop调度问题等等，取得了一系列较好的试验结果。 Otsu方法是利用图像中的灰度直方图，以目标与背景之间的方差最大而动态的确定图像分割门限值。它不需要其他先验知识，应用范围广，但是Otsu方法最佳阈值的求解是通过穷尽的搜索方法得到的。因此计算量很大，此外既便是对单阈值的情况，准则函数也不一定是单峰的。将蚁群算法应用到阈值选取中，克服方法的不足，有利于计算机视觉的后续处理。 2基于改进Otsu法的图像分割’’ 2．1 Otsu理论应用于图像分割 Otsu法是由日本人大津首先提出的，也称大津阈值法或最大类间方差法。该方法以图像的直方图为依本文于2007—11-23收到，2008一03-03收到修改稿。 ·基金项目：安徽省教育厅项目(2004kjll9)。万方数据

26 微计’算机应用 2008年据，以目标和背景的类间方差最大为阈值选取准则，在很多情况下都能取得很好的阈值。对于灰度范围为{0，1…．。L一1)的图像，设阈值t将图像划分为目标与背景两类，Pi为灰度i出现的概率，目标部分的概率∞。(￡)=∑p；，背景部分的概率∞。(t)=∑P¨目标部分的均值Uo(t)，=∑咖i／wo ，背景部分的均值“，(f)=∑it,i／w。。令u(t)=∑ip；，u(￡)表示整幅图像的平均灰度。两组间的方差公式为d(t)=∞。(u0一u)2+03。(配。一配)2。最佳阈值t‘使得方差取最大值。扩展到多阈值分割(设有k个阈值)，则， d(tl，t2，…，tk)=∞o(碗一M)2+∞l(Ml一Ⅱ)z+∞2(M2一u)z+… +∞七(“I—H)2 (1) 其中，∞川(￡)= ∑P。，‰一。(￡)= ∑咖i／w川，且l≤，l≤(．|}+1)。最佳阈值f?，ff，．：．，ff使 l=tn-I+l i=tn-I+l 一 14 ．， In 得总方差取得最大值，即￡?，tf…．，ff=Argmaxo。。一：。…。。。d(t，，t：…．，t。)。这样，利用最大类间方差法，图像的多阈值分割的阈值求解问题就可归纳为最佳阈值t1．，tf…．，￡f的优化问题。 2．2改进的Otsu理论应用于图像分割、 ‘ 根据上节的分析，Otsu理论是以灰度均值来表示目标与背景。。而灰度分布除了有灰度均值外，还有方差。因为图像的灰度平均方差反映了图像灰度分布的均匀性(离散程度)i目标与背景区内部一般较均匀，而边界及其附近点的灰度跃变常常较大。因此，平均方差值近似的反映了图像边界点的灰度跃变情况，如果分割出的区域中某部分的平均方差与总图的平均方差很近，说明有可能把整个边界及其附近点都分割到该部分了，即出现了错分，据此分析，以平均方差代替Otsu方法中的均值是合理的，于是将式(1)改进如下： d(tl，t2，…，t☆)=∞o(oro—or)2+∞I(orl—or)2+∞2(or2一or)2+…+∞I(orI—or)2 (2) 其中，or。，or。，or：…．or。分别表示每个区间的灰度统计平均方差；or表示整幅图像的平均方差。经实际图像验证，此改进的Otsu阈值自动选取方法不但行之有效，而且表现出了很好的自适应性，因其。，采用图像灰度分布平均方差值取代了灰度均值，因此具有自身的特点，比如，该方法不受灰度值的线性变化 (图像对比度变化)和平移变化(图像亮度变化)的影响，对某些导致平均方差有线性变化和平移变化的干扰也不影响阈值的求取。但是，由上述推导Otsu法的准则函数过程可以看出，由于最佳阈值的求解是通过穷尽的搜索方法得到的，计算量很大，因此将蚁群算法应用到阈值选取中来求解这一问题。，’二‘ i 3基本蚁群算法 fJ· 。，．．5 1．：据昆虫学家的观察和研究，发现蚂蚁有能力在没有任何可见提示下找出从蚁穴到食物源的最短路径。蚂蚁在觅食走过的路径上释放一种蚂蚁特有的分泌物一信息素(Pheromone)，使得一定范围内蚂蚁能够察觉到这种信息并指导它的行为。当一些路径通过的蚂蚁越多，则留下的信息素轨迹(trail)也就越多，招致后来更多的蚂蚁选择该路径的概率也越高，于是越发增加了该路径的信息素强度，由此构成一个学习信息的正反馈过程，从而逐渐逼近最优路径，蚁群算法的原理正是基于此。 j 以平面上n个城市的TSP问题为例说明基本蚁群算法模型。n个城市的TSP问题就是寻找通过n个城市各一次且最后回到出发点的最短路径。．／· ：’ 。_ 设m是蚁群中蚂蚁的数量，dif(i，．f=1，2…．，，1)表示城市i和j问的距离，TO-(t)表示在t时刻城市i 和j间的信息量。用P：(f)表示在t时刻蚂蚁k由城市i转移到城市j的概率： r 【r“(t)】“【叼ifP ． ” ，。 P：(t)=j∑【％(t)】。‘叩b】芦。 r—o 翻 (3) 万方数据

4期王爽等：基于蚁群算法的改进Otsu理论的图像多阈值分割 27 其中：allowed。为蚂蚁k当前的可行城市集；叼“是启发式因子，表示蚂蚁从城市i转移到城市j的期望程度，一般取，7d=1／dd；a为路径上的信息量的重要程度；JB为启发因子的重要程度。经过n个时刻，蚂蚁可走完所有的城市，完成一次循环。每只蚂蚁所走过的路径就是一个解。此时，要根据式(4)对各路径上的信息量作更新。，，’ ‘ 、。t’ 丁玎(t+1)=(1二p)‘f玎(t)+△丁d t 一： + (4) 册其中p∈(o，1)：表示信息量丁#(t)随时间的推移而衰减的程度。信息增量△丁#可表示为△丁F=∑／tr：，△丁：表示蚂蚁k在本次循环中在城市i和j之间留下的信息量，它的计算公式根据模型而定，例如在最常用的ant circle system模型中： ‘ 一 f}’’如果蚂蚁k经过城市i和．『之间‘ ．。 “7 F一1Ⅵ L0 ，一否则 ‘ 、其中，Q为常数，也为蚂蚁k在本次循环中所走过的路径的长度。在经过若干次循环以后，可以根据适当的停止条件来结束计算。。 4基于蚁群算法的改进Otsu图像分割 4．1算法描述；。蚁群算法优化的基本思路是：随机产生N个蚂蚁的初始群体，使蚂蚁随机分布在目标函数的可行域上，根据目标函数计算每个蚂蚁的初始信息素，信息素正比于目标函数值，根据每个蚂蚁的当前信息素和全局最优信息素求出蚂蚁的转移概率，根据转移概率更新每个蚂蚁的位置，新位置限制在目标函数可行域内，蚂蚁移动到新位置后就立即更新自己的信息素。。 j 根据改进的Otsu理论，本文所应用的阈值选择方法为最大化公式(2)，所以将适应度函数定义为： Fit=d(tl’t2，…，tI)=∞o((1ro一矿)2+∞l(盯lr一盯)2+n，2(矿2一矿)2+…+∞I(盯I一盯)2，．蚁群算法优化阈值伪代码描述如下： PO=O．7；％PO为全局转移概率 P=O．3；％P为信息素蒸发系数 For each a．nt Temp=X[i]+rain_step·(rand(1)一0．5)；％局部搜索 Else 。。 X[i]=(8tal瞳+(end—gtart)st rand(1))；％随机产生蚂 Temp=X[i]+max_step幸(rand(1)一0．5)；蚁的初始位置(限制在可行域内[0，255]) ％全局搜索 T[i]=k·Fit(X[i])；％计算每个蚂蚁的初始信息素(正 End ·比于适应度函数值)，k为比例常数把Temp限制在可行域内[0，255]； End Do％循环迭代 T_Best=max(T)；％求出最大信息素 For each ant If Fit(Temp)>Fit(X[i])％适应度函数值比较 x[i]=Temp；％更新蚂蚁的位置成功． End End -i “ 5 、” Prob[i]=(T_Best—T[i])／T—Best；％求每个蚂蚁的 For each ant ，● 下一步转移概率． End For each ant ， +- If Prob[i]

28 微计算机应用 2008蔗全局转移概率P0=0．7；信息素蒸发系数P=0．2。实验结果如图1、2所示(以3个阈值为例分割)。 (a)原图 (b)传统Otsu分割 (c)改进Otsu分割图1 原始lena图像的分割效果对比 (a)原图。(b)传统Otsu分割’ (c)改进O协u分割图2增强后lena图像的分割效果对比以上实验结果可以看出，改进的Otsu法不受灰度值的线性变化(即图像对比度变化)的影响，在对lena 图像进行增强后可以明显看出改进Otsu法的优势。采用蚁群算法求解阈值的时间平均在O．8s左右，可见效率得到了很大的提高，从而有利于计算机视觉的后续处理，并且运行时间并不随着阈值数目的增加显著增加，体现了蚁群算法在图像分割多阈值选取中的优越性。 5结束语 Otsu阈值分割方法是一种分割效果好、实现简单的阈值分割方法，本文在此基础上，提出了改进的Otsu 理论，实现了更好的分割效果，而且本文第二次将蚁群优化算法用于求解Otsu阈值。实验表明，蚁群算法作为一种新兴的优化算法，将其应用于图像阈值分割时，有效地提高了分割质量，缩短了寻找阈值的时间。在计算机视觉系统中、图像理解系统、实时监控系统、机动目标跟踪系统中有着广阔的应用前景。，。参考文献 1 。 1汪镭，吴启迪．蚁群算法在连续空问寻优问题求解中的应用．控制与决策，2003，18(1)：45-48 2 3 Macro Dorigo。Gianni Di Cam，1．nea M Gambardella．Ant algorithms for discrete optimization．Artificial Life，1999，5(3)：137～172 Ye zhiwei，Zheng zhaobao，Yu xin，Ning xiaogang．Automatic threshold selection based on ACO．IEEE International conference onneuraI networks and brain．Beijing，2005． 4章毓晋．图像分割．北京：科学出版社，2001． 5金聪，彭嘉雄．基于遗传策略的图像灰度多阈值选择方法．计算机工程与应用，2003，39(8)：23—26 6高尚，钟娟，莫述军．连续优化问题的蚁群算法研究．微机发展，2003，13(1)：21～22 7姜巧巧，钱昆明．基于Renyi熵的图像分割算法．2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集 (上册)，2007．。 8党宁娜，赵荣椿．一种改进的虹膜图像分割算法．微计算机应用，2007，28(3)：270—274 作者简介，．。王爽，女，(1984一)，安徽理工大学电气与信息工程学院在读硕士，主要研究方向为数字图像处理。万方数据

基于蚁群算法的改进Otsu理论的图像多阈值分割作者：王爽，黄友锐，李冬， WANG Shuang， HUANG Yourui， LI Dong 作者单位：刊名：安徽理工大学电气与信息工程学院,淮南,232001 微计算机应用英文刊名： MICROCOMPUTER APPLICATIONS 年，卷(期)： 2008，29(4) 3次被引用次数：参考文献(8条) 1.汪镭.吴启迪蚁群算法在连续空问寻优问题求解中的应用[期刊论文]-控制与决策 2003(01) 2.Macro Dorigo.Gianni Di Caro.Luca M Gambardella Ant algorithms for discrete optimization 1999(03) 3.Ye zhiwei.Zheng zhaobao.Yu xin.Ning xiaogang Automatic threshold selection based on ACO 2005 4.章毓晋图像分割 2001 5.金聪.彭嘉雄基于遗传策略的图像灰度多阈值选择方法[期刊论文]-计算机工程与应用 2003(08) 6.高尚.钟娟.莫述军连续优化问题的蚁群算法研究[期刊论文]-微机发展 2003(01) 7.姜巧巧.钱昆明基于Renyi熵的图像分割算法 2007 8.党宁娜.赵荣椿一种改进的虹膜图像分割算法[期刊论文]-微计算机应用 2007(03) 相似文献(10条) 1.学位论文王振青基于蚁群算法的图像分割方法研究 2009 蚁群算法自20世纪90年代提出后，得到了广泛的应用。本文将蚁群算法用于图像处理，对基于蚁群算法的图像分割方法进行了深入研究，具体如下：首先对蚁群算法进行了深入研究。详细阐述了蚁群算法的原理及应用现状，分析了它的特性，并编程实现了蚁群算法在TSP中的应用。研究了图像分割的常用方法。对图像分割的基本原理进行了比较深入的分析。研究了图像分割的典型方法（灰度阈值分割方法、边缘检测分割法、区域跟踪分割法），通过实验对各种方法进行了性能分析，并分析了近年来出现的一些新的图像分割技术。研究了基于蚁群算法的图像分割方法，建立了基于蚁群算法的图像分割的模型，并编程实现了基于蚁群算法的图像分割算法。实验结果表明了所提算法的有效性。最后提出了一种基于多态蚁群算法的图像分割方法。针对基本蚁群算法用于图像分割中搜索时间长，整体计算量大等问题，利用多个蚁群，通过局部感知能力实现对整个图像的全局感知，协作性地完成分割任务。实验结果证明该方法可以比较快速准确地分割出目标，是一种有效的图像分割方法。 2.期刊论文韩彦芳.施鹏飞基于蚁群算法的图像分割方法 -计算机工程与应用2004,40(18) 蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法.根据数字图像的离散性特点,首先从模糊聚类角度出发,将蚁群算法引入图像分割中,综合考虑像素的灰度、梯度及邻域特性进行特征提取.然后,针对蚁群算法循环次数多,计算量大的问题,设置启发式引导函数和初始聚类中心进行改进.详细阐述特征提取、初始聚类中心设置和模糊聚类流程.实验证明改进蚁群算法可以快速准确地分割出目标,是一种有效的图像分割方法. 3.学位论文张巍玖蚁群算法的研究及其在图像处理方面的应用——基于图像分割问题 2009 蚁群算法是20世纪90年代意大利学者MarcoDorigo等人受到自然界蚂蚁觅食行为的启发提出的一种新型的群体智能算法，其模型本身具有较强的鲁棒性和并行性，又具有分布式、自组织和正反馈等特征，但同时也存在收敛速度慢，易陷入局部最优等不足。本文的主要研究内容如下：
　　首先，对蚁群算法进行基础理论研究，对于近年来蚁群算法的研究进展进行总结，对于蚁群算法在图像分割领域的研究状况进行了研究。
　　其次，针对蚁群算法在图像分割处理中的不足之处进行改进，提出一种基于区域-边界蚂蚁的蚁群算法模型(RE-ACO)，改进后的模型在区域蚁群搜索的基础上引入边界蚁群，不同的蚁群采用不同的路径选择策略和信息素更新策略，进一步提高算法的精度。实验表明，与传统的sobel和canny算子检测结果相比改进后的算法在运行效率和分割精度方面有更大的优越性。
　　第三，结合蚁群算法和脉冲耦合神经网络的各自优点提出了一种蚁群-脉冲耦合神经网络混合算法(AC-PCNN)。脉冲耦合神经网络模型(PCNN)需设置的参数较多，且对不同类型的图像其分割参数不同，不同的分割参数对分割结果影响很大，因此利用蚁群算法在解空间中自动搜索最优参数，通过动态路径选择策略和全局信息更新与局部信息更新并行的方式来调整蚂蚁的搜索方向，使之最终找到最优参数，从而实现PCNN模型的自动图像分割。实验证明，蚁群-脉冲耦合神经网络混合算法是完全可行的，能够取得较好的分割效果，并且在时间效率方面有极大的提高。
4.期刊论文白杨.孙跃.王君.周文俊.胡宁萍.BAI Yang.SUN Yue.WANG Jun.ZHOU Wun-Jun.HU Ning-Ping 基于动态自适应蚁群算法的MRI图像分割 -计算机科学2008,35(2) MRI图像分割在医学图像分析中具有极其重要的理论和应用价值.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法.对目标边界模糊、目标灰度不均匀及目标不连续等情况的图像(如医学图像)分割,蚁群算法是一个比较好的选择.本文针对基本蚁群算法容易出现早熟和停滞现象的特性,提出了一种动态自适应蚁群算法,通过自适应的初始聚类中心调整策略和动态更新局部信息素浓度,使其收敛性和稳定性有一定的提高.实验证明改进的蚁群算法能够有效地分割MRI图像. 5.学位论文于立强基于PSO的图像分割方法与GPU加速的蚁群算法 2007 上世纪50年代中期创立仿生学以来，人们不断地从生物进化的机理中得到启发，提出了许多用于解决复杂组合优化问题的新方法，比如蚁群算法和粒子群算法等等，它们都是适于大规模并行且具有智能特性的优化算法，对于解决实际工程优化问题的复杂性、约束性、非线性、建模困难，有很好的效果。图像分割是图像分析和模式识别的首要问题，也是图像处理的经典难题之一。最大类间方差阈值分割法是目前应用比较广泛的一种方法，按传统的方法计算最大类间方差已经限制了这种算法的发展。为了加快最大类间方差方法求最优解的速度，本文将微粒群算法和最大类间方差阈值分割法相结合，提出了基于PSO算法的最大类间方差阈值分割法，在取得良好的分割效果的同时，运用算法的并行搜索机制显著地提高了分割速度。多年来计算机图形处理器(GPU)以大大超过摩尔定律的速度高速发展。图形处理器的发展极大地提高了计算机图形处理的速度和图形质量，并促进了

与计算机图形相关应用领域的快速发展。与此同时，图形处理器绘制流水线的高速度和并行性以及近年来发展起来的可编程功能使其在诸如数字图像处理的通用计算领域的应用有着巨大的潜力。本文就是在它的启发下针对传统的蚁群算法对于大规模数据求解速度慢的缺点，提出了一种基于GPU加速的并行蚁群算法，将并行蚁群求解过程转化为GPU纹理并行渲染过程，使得蚁群算法在GPU中加速执行，并将其应用到实际问题当中在取得较好效果的同时提高了算法的运算速度，增大了蚁群算法处理问题的规模，并为普通用户的并行蚁群工作提供了一种可行的方法。 6.期刊论文叶志伟.常胜.高山.YE Zhi-wei.CHANG Sheng.GAO Shan 基于蚁群算法的最佳熵图像分割阈值方法 -湖北民族学院学报（自然科学版）2007,25(3) 最佳熵阈值是最常用的图像分割算法之一,但是需要大量的运算时间,限制了其实际的应用范围.蚁群算法是一种新兴的仿生进化算法,已成功的应用于大批组合优化问题的处理.将最大熵算法视为组合优化问题并引用蚁群算法加以处理,实验结果表明蚁群算法不仅可以实现最优阈值的确定,而且可以提高图像分割效率. 7.期刊论文凌六一.黄友锐.LING Liu-yi.HUANG You-rui 基于混沌蚁群算法的快速红外图像分割 -激光与红外 2010,40(6) 提出了一种基于混沌蚁群算法优化二维模糊划分最大熵的红外图像分割方法.二维模糊划分最大熵分割方法不仅利用了灰度信息以及空间邻域信息 ,并且兼顾图像自身的模糊性,能取得很好的分割效果,然而最大熵的最优参量组合却很难快速准确地获得.本文将混沌蚁群优化算法应用到二维模糊划分最大熵分割方法当中,充分利用混沌蚁群算法快速寻找最优解的特点,来搜索二维模糊划分最大熵的最优参量组合.实验仿真结果表明,该方法比传统的图像分割方法有更好地分割效果,有效抑制了图像噪声对目标区域分割的干扰. 8.期刊论文冯祖仁.李进.冯远静.Feng Zuren.Li Jin.Feng Yuanjing 分散、递阶蚁群算法及其在相变序列图像分割中的应用 -西安交通大学学报2007,41(2) 提出了一种分散、递阶蚁群算法,它将多个分散的蚁群并行求解各自对应的子问题,形成一个执行层,而递阶协调层利用执行层反馈的信息协调执行层的优化过程,从而得到递阶求解问题的整体最优解.该算法已应用于相变热图序列图像模糊相变线的提取问题,即运用区域划分方法先将序列图像的分割转化为关联型多子图搜索问题,再利用分散、递阶蚁群算法进行求解,结果表明该算法能很好地利用相变线的运动信息成功地解决热相变序列图像分割问题 .与蚁群算法独立搜索比较,分散、递阶蚁群算法能更有效地实现多子图之间的关联. 9.学位论文刘沙莉基于FPGA的蚁群算法硬件化技术研究 2009 蚁群算法(ACA)是模拟蚁群觅食行为的一种启发式仿生类智能进化算法。近年来它在组合优化、函数优化等领域以及网络路由、数据挖掘、机器人路径规划等工程问题上广泛应用，取得了良好的效果。蚁群算法的硬件实现是仿生硬件(BHW)领域的一个分支，也是蚁群算法发展的高级阶段。蚁群算法采用分布式并行计算和正反馈机制。其硬件实现具有：自组织、自适应、自修复以及执行速度快等优点，能满足实时系统的需要。
　　本论文中心议题是蚁群算法的硬件实现。针对蚁群算法在FPGA上的有效映射以及实时系统的构建问题，进行了模型选择和算法改进；提出并命名逐轮定位加权蚁群优化BW-ACO算法，建立蚁群算法在迭代更新问题上的一组经验公式，代替原有的迭代算法；给出硬件实现方案，成功实现了其在FPGA上的有效映射；论文详细讨论硬件结构及各个模块的内部实现细节。
　　本论文的主要研究内容包括：
　　第1章概述课题背景及蚁群硬件实现的研究现状。
　　第2章概述蚁群算法的基本原理及本文涉及的可编程逻辑器件FPGA、开发环境、开发语言及其开发流程。
　　第3章详细论述蚁群硬件实现技术：一是基于单机总误时排序问题(SMTTP)模型的群体蚁群算法(P-ACO)在FPGA上的有效实现；另一个是基于旅行商问题 (TSP)模型的计数器蚁群优化(C-ACO)硬件自启发实现。
　　基于蚁群算法的离散性和并行性特点，本文选择数字图像分割问题，作为硬件实现的模型。
　　蚁群算法与图像分割问题相结合，有不同的切入方式。目前，研究学者已提出三种不同模型：基于像素的模型、基于聚类的模型和基于阈值的模型。模型不同，运算量大不相同，硬件实现结构及复杂程度差别很大。综合考虑，本文选择较适合的基于阈值的模型。
　　本文提出并命名逐轮定位加权蚁群优化BW-ACO算法，给出其硬件实现方案，其主要的创新点如下：
　　 ①提出了一种逐轮定位搜索方法：蚂蚁每做一轮迭代，依次从阈值的高位向低位进行定位，留出最后低三位作为搜索空间，在优化搜索进程的同时避免陷入局部最优。
　　 ②依据信息素矩阵和转移概率矩阵的数值规律，研究出一种以简单的加减法、左右移运算代替复杂乘除法的方法，得到下一轮迭代所需的信息素和转移概率，在此基础上提出一组经验公式用于硬件实现时的有效映射，以适合现有的FPGA硬件条件。
　　 ③采用数字量化的定量加权信息素更新方式代替原有的需要复杂计算的信息素增量更新方案，同时采用精英策略以加快搜索进程。
　　第4章针对提出的BW-ACO算法进行硬件结构设计，并对各个模块的功能和具体实现进行详细的描述。
　　第5章基于实验结果，给出结论：BW-ACO算法方案有效，图像分割所需时间满足实时性要求，适合于硬件实现。 10.会议论文卢珏基于自适应蚁群算法的图像分割 2005 蚁群算法良好的离散性,并行性,正反馈性和鲁棒性,非常适合于图像分割。但基本蚁群算法蚂蚁的搜索是随机的,计算量大,不利于算法的收敛,为此 ,本文提出了设置初始聚类中心的没想,并以小窗口为对象实施算法,由此大大减小了计算量。另外基本蚁群算法中挥发系数固定,会导致算法可能过早收敛或停滞,针对这一不足。本文将其修改为随蚂蚁通过可行路径个数动态变化,使其收敛性和稳定性有了一定提高,实验证明了方法的有效性。引证文献(3条) 1.陈茂源.吴国平.杜志顺.裘咏霄.黄文丽.邓华基于PSO改进的OTSU图像分割方法[期刊论文]-微计算机应用 2009(12) 2.崔继文.谭久彬基于变窗口浮动阈值的调制结构光三维测量方法[期刊论文]-计量学报 2008(z1) 3.张丽珂.王清亮.周海波.夏智海基于相似性滤波的红外小目标检测[期刊论文]-微计算机应用 2008(6) 本文链接：http://d.g.wanfangdata.com.cn/Periodical_wjsjyy200804006.aspx 授权使用：北京理工大学(北京理工大学)，授权号：e77093dd-ce15-469a-9a4e-9e390109b79e 下载时间：2010年11月25日

分享到：

赞收藏

资料库

基于蚁群算法的改进Otsu理论的图像多阈值分割.pdf

相关推荐

课程资源

热门标签

最新资料