人工蜂群算法的图像分割研究
摘 要人工蜂群算法是一种群体智能算法，通过效仿蜜蜂的采蜜行为，实现解集的优化。其模型主要由四部分组成：雇主蜂、雇佣蜂、侦察蜂和蜜源。通过各个组成部分之间的分工协作实现结果的最优化和效益最大化。为实现全局最优化问题提供了一种新的方法。图像分割技术是图像处理技术的基础，图像处理技术对于人类认识感知世界而言有着非凡的意义。因此图像分割是一个很有研究价值的课题。本文介绍了基于人工蜂群算法的图像分割技术，通过对蜂群中每个蜜蜂进行分工，设置每种蜂种的数量以及各个不同蜂种之间的相互关系，再加上设置的蜜源的效益度函数来实现对蜂群采蜜行为的模仿，最终实现对图像的边缘进行收敛性的搜索，并得到图像的大致边缘。文中给出了算法实现的详细方案，并且利用其它图像处理方法与该方法进行比较。多次试验之后，实验结果证明本方法较其它方法而言有着收敛性好，实现方便以及处理结果更加理想等许多优势。摘 要 Ⅰ
目 录
ABSTRACT Ⅱ
目 录 Ⅲ
第一章 绪论 1
1.1 选题背景及研究意义 1
1.1.1 图像边缘检测与分割 1
1.1.2 图像处理过程 1
1.1.3 群体智能在图像处理中的应用 3
1.2 蜂群算法研究现状 4
1.2.1 优化问题的研究现状 4
1.2.2 蜂群算法的研究现状 6
1.3 课题主要研究内容及章节安排 7
第二章 基本蜂群算法 8
2.1 引言 8
2.2 现实中的蜂群 8
2.2.1 蜂群中蜜蜂的种类 8
2.2.2 蜂群中蜜蜂的特殊行为 8
2.3 蜂群觅食行为及算法模型 10
2.3.1 蜂群觅食行为分析 11
2.3.2 蜂群算法基本模型 12
第三章 基于蜂群算法的图像边缘检测 14
3.1图像边缘检测 14
3.2典型的边缘检测算法 14
3.2.1 sobel算子模型 15
3.2.2 Roberts边缘检测算子 16
3.2.2 prewitt边缘检测算子 16
3.3基于蜂群
*好棒文|www.hbsrm.com +Q: ￥351916072￥
算法的图像处理初始化 17
3.4 基于蜂群算法的边缘检测 18
3.4.1效益度函数： 19
3.4.2雇佣蜂选择方式： 20
3.4.3 函数去重 21
3.4.4 算法实现的基本流程 22
3.5 图像连续性处理 24
3.6算法优劣评价标准 25
第四章 处理结果与分析 26
4.1 参数说明 26
4.2 影响算法寻优效果的各种参数 27
4.2.1蜂群数量对结果的影响 27
4.2.2 阈值对图像的影响 28
4.2.3 不同效益度函数处理后的效果 30
4.3 其他可调参数或其他算子应用后处理效果的差异 31
4.3.1 传统算子和蜂群算法效果对比 31
4.3.2 最大循环次数对寻优结果的影响 32
第五章 总结与展望 34
5.1 结论 34
5.2 展望 35
致谢 37
参考文献 38
附录： 40
第一章 绪论
1.1 选题背景及研究意义
优化问题的求解越来越成为时下研究的热点，原因很简单，那就是因为生活中优化问题到处都是。有需求就很有发展，人们在这一领域不断探索，寻求更为优秀的算法。而不管是从飞鸟身上探明飞翔的秘密进而造出飞机，还是从蝙蝠身上洞悉声呐的原理进而造出雷达，这些都表明大自然创造出的作品最为精巧，最为让人叹为观止，也最应该受到人们的追捧。于是，人们把目光投向了自然界。果然，自然界给了人类非常珍贵的参考资料。各种生物群体在长期的进化过程中为了生存都掌握了一套非常高效的觅食行为。而这些行为不是个体能够完成的，它需要整个种群的合理分工和合作。人们依据生物群体的这种群体的高效的的觅食行为构建出了很多寻优算法，即群体智能。这些智能算法包括由飞鸟演化过来的粒子群算法、由蚂蚁行为演化过来的蚁群算法、由鱼的行为演化过来的鱼群算法还有是由蜜蜂觅食行为演化而来的蜂群算法。这些智能算法有着共同的特点，那就是个体在寻优的过程中会把信息在一个平台上进行分享，这就使得整个群体联系在了一起，可以更高效的实现寻优。佐治亚理工学院的一位教授在研究网络设备为题的时候为寻求一种高效的方式，在对蜜蜂行为的不断研究之后发现蜜蜂觅食行为很是符合要求。经过后期人们的不断探索研究，蜂群算法终于被提出。
1.1.1 图像边缘检测与分割
图像是由一个个小的像素点组合而成的，这些点对应的色度值都是不一样的，如果我们将它转变成灰度图，那么每个像素点就只有自己特定大小的灰度值。可以看出，图像上边缘处的像素点和周围其他像素点在灰度值上有着明显的差异。我们可以这么认为，如果设法找到这些灰度值发生跳变的点，那么这些点就可以被认为是边界点。而边缘检测就是要找出这些跳变点。
图像边缘检测对于图像处理而言十分重要，它是图像处理工作的基础。图像的边缘检测对于提取人们关心的信息就显得十分重要，通过对图像边缘的提取，可以获得的有用的信息，过滤掉了没用的信息。
1.1.2 图像处理过程
图像处理技术包括检测和加工两个部分，再加以细化的话它包括图像的采集获取、图像编码存储和传输、图像的产生显示与变换、图像分割、图像的特征提取与测量、图像数据库的建立、索引和抽取、图像的分类、表示和识别、图像的模型匹配、图像的质量评价、图像的解释与理解等。图像工程可以分为三个层次：图像处理、图像分析和图像理解。 图像处理是较低层的操作，主要在图像像素级上进行处理。一幅图像可定义为一个二维函数 f(x,y)，(x,y)是空间坐标，而在任何一对空间坐标(x,y)上的幅值 f 称为该点图像的强度或灰度。当(x,y)和 f 幅值为有限的、离散的数值时，称该图像为数字图像。数字图像处理是指借用数字计算机处理数字图像，数字图像是由有限的元素组成的，每一个元素都有一个特定的位置和幅值，这些元素称为像素。图像处理过程如图1.1所示。
图1.1 图像处理过程
1.1.3 群体智能在图像处理中的应用
蜂群算法是群体智能算法的一种。群体智能是指群体中没有智能或者具有简单智能的个体通过集体合作实现智能化的特性。它能够解决很多复杂的寻优问题。下面简单介绍一下几种群体智能算法[1]：
① 遗传算法（GA）：GA算法是最早提出的智能算法，它主要是根据染色体的行为来建立的优化模型，借此解决很多优化问题。
李茂军等人通过改进基本遗传算法的交叉算子[2]，有效解决基本遗传算法中的“早熟收敛”问题。
② 蚁群算法（ACO）：顾名思义，它是根据蚂蚁的行为特征仿生出来的算法模型，利用一个正反馈的机制来寻求最佳路径。
朱庆保等人在深入分析蚁群优化算法的基础上[3]，针对算法收敛时间长的问题，采用动态信息素更新策略以及变异策略优化蚁群的搜索路径，提高算法的收敛速。
目 录
ABSTRACT Ⅱ
目 录 Ⅲ
第一章 绪论 1
1.1 选题背景及研究意义 1
1.1.1 图像边缘检测与分割 1
1.1.2 图像处理过程 1
1.1.3 群体智能在图像处理中的应用 3
1.2 蜂群算法研究现状 4
1.2.1 优化问题的研究现状 4
1.2.2 蜂群算法的研究现状 6
1.3 课题主要研究内容及章节安排 7
第二章 基本蜂群算法 8
2.1 引言 8
2.2 现实中的蜂群 8
2.2.1 蜂群中蜜蜂的种类 8
2.2.2 蜂群中蜜蜂的特殊行为 8
2.3 蜂群觅食行为及算法模型 10
2.3.1 蜂群觅食行为分析 11
2.3.2 蜂群算法基本模型 12
第三章 基于蜂群算法的图像边缘检测 14
3.1图像边缘检测 14
3.2典型的边缘检测算法 14
3.2.1 sobel算子模型 15
3.2.2 Roberts边缘检测算子 16
3.2.2 prewitt边缘检测算子 16
3.3基于蜂群
*好棒文|www.hbsrm.com +Q: ￥351916072￥
算法的图像处理初始化 17
3.4 基于蜂群算法的边缘检测 18
3.4.1效益度函数： 19
3.4.2雇佣蜂选择方式： 20
3.4.3 函数去重 21
3.4.4 算法实现的基本流程 22
3.5 图像连续性处理 24
3.6算法优劣评价标准 25
第四章 处理结果与分析 26
4.1 参数说明 26
4.2 影响算法寻优效果的各种参数 27
4.2.1蜂群数量对结果的影响 27
4.2.2 阈值对图像的影响 28
4.2.3 不同效益度函数处理后的效果 30
4.3 其他可调参数或其他算子应用后处理效果的差异 31
4.3.1 传统算子和蜂群算法效果对比 31
4.3.2 最大循环次数对寻优结果的影响 32
第五章 总结与展望 34
5.1 结论 34
5.2 展望 35
致谢 37
参考文献 38
附录： 40
第一章 绪论
1.1 选题背景及研究意义
优化问题的求解越来越成为时下研究的热点，原因很简单，那就是因为生活中优化问题到处都是。有需求就很有发展，人们在这一领域不断探索，寻求更为优秀的算法。而不管是从飞鸟身上探明飞翔的秘密进而造出飞机，还是从蝙蝠身上洞悉声呐的原理进而造出雷达，这些都表明大自然创造出的作品最为精巧，最为让人叹为观止，也最应该受到人们的追捧。于是，人们把目光投向了自然界。果然，自然界给了人类非常珍贵的参考资料。各种生物群体在长期的进化过程中为了生存都掌握了一套非常高效的觅食行为。而这些行为不是个体能够完成的，它需要整个种群的合理分工和合作。人们依据生物群体的这种群体的高效的的觅食行为构建出了很多寻优算法，即群体智能。这些智能算法包括由飞鸟演化过来的粒子群算法、由蚂蚁行为演化过来的蚁群算法、由鱼的行为演化过来的鱼群算法还有是由蜜蜂觅食行为演化而来的蜂群算法。这些智能算法有着共同的特点，那就是个体在寻优的过程中会把信息在一个平台上进行分享，这就使得整个群体联系在了一起，可以更高效的实现寻优。佐治亚理工学院的一位教授在研究网络设备为题的时候为寻求一种高效的方式，在对蜜蜂行为的不断研究之后发现蜜蜂觅食行为很是符合要求。经过后期人们的不断探索研究，蜂群算法终于被提出。
1.1.1 图像边缘检测与分割
图像是由一个个小的像素点组合而成的，这些点对应的色度值都是不一样的，如果我们将它转变成灰度图，那么每个像素点就只有自己特定大小的灰度值。可以看出，图像上边缘处的像素点和周围其他像素点在灰度值上有着明显的差异。我们可以这么认为，如果设法找到这些灰度值发生跳变的点，那么这些点就可以被认为是边界点。而边缘检测就是要找出这些跳变点。
图像边缘检测对于图像处理而言十分重要，它是图像处理工作的基础。图像的边缘检测对于提取人们关心的信息就显得十分重要，通过对图像边缘的提取，可以获得的有用的信息，过滤掉了没用的信息。
1.1.2 图像处理过程
图像处理技术包括检测和加工两个部分，再加以细化的话它包括图像的采集获取、图像编码存储和传输、图像的产生显示与变换、图像分割、图像的特征提取与测量、图像数据库的建立、索引和抽取、图像的分类、表示和识别、图像的模型匹配、图像的质量评价、图像的解释与理解等。图像工程可以分为三个层次：图像处理、图像分析和图像理解。 图像处理是较低层的操作，主要在图像像素级上进行处理。一幅图像可定义为一个二维函数 f(x,y)，(x,y)是空间坐标，而在任何一对空间坐标(x,y)上的幅值 f 称为该点图像的强度或灰度。当(x,y)和 f 幅值为有限的、离散的数值时，称该图像为数字图像。数字图像处理是指借用数字计算机处理数字图像，数字图像是由有限的元素组成的，每一个元素都有一个特定的位置和幅值，这些元素称为像素。图像处理过程如图1.1所示。
图1.1 图像处理过程
1.1.3 群体智能在图像处理中的应用
蜂群算法是群体智能算法的一种。群体智能是指群体中没有智能或者具有简单智能的个体通过集体合作实现智能化的特性。它能够解决很多复杂的寻优问题。下面简单介绍一下几种群体智能算法[1]：
① 遗传算法（GA）：GA算法是最早提出的智能算法，它主要是根据染色体的行为来建立的优化模型，借此解决很多优化问题。
李茂军等人通过改进基本遗传算法的交叉算子[2]，有效解决基本遗传算法中的“早熟收敛”问题。
② 蚁群算法（ACO）：顾名思义，它是根据蚂蚁的行为特征仿生出来的算法模型，利用一个正反馈的机制来寻求最佳路径。
朱庆保等人在深入分析蚁群优化算法的基础上[3]，针对算法收敛时间长的问题，采用动态信息素更新策略以及变异策略优化蚁群的搜索路径，提高算法的收敛速。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/2915.html
