土耳其学者Karaboga于2005年提出一种人工蜂群算法是一种群智能的优化方法,通过模拟蜜蜂群体寻找优质蜜源而设计出的仿生计算方法。该算法的突出优点是每次迭代中都进行局部搜索和全局搜索,并且具有快速性和易于实现等特点,因此成为了智能优化领域的研究热点,其理论研究工作还处于起步阶段,特别是对于蜂群算法的收敛性缺乏深入的研究。本论文对蜂群优化算法作了一定深度的理论研究,并将其用于图像处理中。论文主要涉及以下内容:1对蜂群算法进行了理论分析,从个体和群体两个不同方面对蜂群的基本概念作了严格的数学定义,例如蜜蜂状态、蜂群状态、蜂群状态等价等概念,证明了蜂群状态转移过程是Markov链过程,并在此基础上对蜂群算法进行一定程度的收敛性分析。将算法引入到解决高维多峰函数优化问题,并通过实验进行了算法收敛性验证。2提出了改进的蜂群算法,主要有两方面:1.由于蜂群算法中引领蜂能记住每轮迭代的最优解的能力,提出将当前最优与若干轮循环前的历史最优之间的空间方向信息,融入到当前最优引领蜂的搜索选择策略;增强了引领蜂的方向判定能力,从而加强了引领蜂的引导能力。2.改变搜索邻域调整策略,设计蜜蜂在邻域的搜索半径自适应调整方法,整个搜索过程在局部区域搜索半径是逐步递减,跳出局部后,搜索半径又自适应地变大,然后又重复逐步递减变化。这样可以满足搜索广度和精度的需要。3研究了蜂群算法在图像分割方面的应用。提出了基于蜂群算法的最小化模糊熵的单阈值分割、设立模糊隶属函数,在模糊搜索空间的搜索变量由3个简化化为1个,简化了计算并提高算法速度。还首次提出采用峰值信噪比(PSNR)作为图像分割优化函数,对图像进行基于蜂群的多阈值分割。4将蜂群算法思想引到数据聚类分析。在多维数据空间聚类,存在各维数的值域相差巨大,统一的蜂群搜索半径不能满足搜索需要,针对这一问题,本文提出了一种灵活的搜索半径选择策略以满足前述要求。并将蜂群算法成功地分别应用于灰度图像聚类和彩色图像聚类。彩色图像是属于大样本集,传统方法计算相当耗时。用聚类对彩色图像进行分类时能够把三个彩色分量作为一个整体矢量进行处理。蜂群算法是群体并行处理的算法,具有运算速度快的特点,特别适用于彩色聚类这种大数据集的处理。5研究了蜂群算法在图像去噪方面的应用,提出了一种基于蜂群算法的去除脉冲噪声的方法。算法分两步,第一步是检测出受脉冲噪声污染的像素;第二步是利用蜂群算法对噪声像素进行修复。通过实验验证了算法的有效性。6对蜂群算法在图像边缘提取方面进行了研究。蜂群搜索最优过程中可以找到许多局部最优,这些局部最优信息可以充分利用。本文提出利用蜂群对图像边缘信息进行搜索,以搜索到局部最优点为起点,再以新的搜索规则将边缘点搜索出来,从而活动图像完整的边缘结构。