论文部分内容阅读
随着计算机技术的不断发展以及其软硬件的更新换代,越来越多的人开始使用计算机对图像做各式各样的处理。图像处理技术也在迅速的发展,其应用范围也不断拓展,例如机器人视觉以及工业检测等。图像处理是一门引人注目和具有远大前景的学科,包括图像分割、图像增强、图像分类以及目标识别等多个技术领域。图像分割和图像分类这两方面内容如果处理的好,能对后续工作带来良好的结果;若是处理不好,这会对后续工作(如目标识别)带来不少的麻烦还有难点,然而许多常见的分割算法和分类算法可能只解决了部分的分割和分类问题,还余下大部分问题。基于仿生算法的分割和分类算法又可以进一步解决些问题。然而,传统的仿生算法也还是有些局限性,例如比较容易陷入局部最优,效率相对比较低下,搜寻精度不足等。所以本文提出了使用改进的细菌觅食算法来对图像进行分割和分类,主要研究工作如下:(1)提出了一种改进细菌觅食算法(IBFO)并应用于图像分割。针对传统细菌觅食算法在处理大量图像时效率较低和精度不高的问题,在算法的迁徙行为和趋化行为都做了动态的调整,根据所在阶段改变行为方式,并用改进算法对图像进行分割实验。通过实验验证,与基于仿生算法的聚类分析算法结果相比,并用测试函数收敛性、区域间灰度对比度、不均匀性和时间耗费指标来验证了改进细菌觅食算法的有效性。(2)提出了另一种改进细菌觅食算法(SIBFO)并应用目标图像分类。其主要利用改进细菌觅食算法对从视频中提取的行人、汽车以及宠物进行聚类分析完成图像中的目标分类。通过实验验证,与基于传统群体智能算法的目标分类结果相比,并用分类算法的指标查全率、查准率和综合这两个指标的加权指标来进行验证了改进细菌觅食算法的有效性。(3)将第二种改进细菌觅食算法(SIBFO)应用于支持向量机参数优化方法并进行人脸识别。根据支持向量机分类器的原理,将其与之前改进的细菌觅食算法结合起来以达到最优分类器的目的。然后使用结合后的分类器对人脸图像进行识别实验。通过实验验证,与基于传统仿生算法的支持向量机参数优化进行比较,在全局搜索方面、优化后的支持向量机的预测和误差分析方面以及对ORL人脸库和AR人脸库进行人脸识别的分类准确率方面考证了改进算法的优越性。