论文部分内容阅读
随着信息化时代的到来,数字图像处理的应用日趋广泛,对图像处理要求的准确性和时效性也越来越高。然而图像数据规模巨大,处理过程中计算复杂性高,很多实时应用需求传统算法不能快速有效的解决,因此新型的群体智能算法在图像处理方法中的应用得到了广泛关注。烟花算法(Firework Algorithm,FWA)是一种新型的启发式算法,其参数少,全局优化能力强,不易陷入局部最优解,能够进行并行搜索,还具有爆发性、多样性等优点。已经在滤波器设计、配电网方案重构等领域的得到了广泛应用,目前在图像处理方面的涉及不是很多。本文主要将烟花算法应用在多阈值图像分割和Gabor小波变换纹理特征选择问题中,并对支持向量机分类器的参数进行优化,具体工作如下:1.研究和实现了烟花算法在图像多阈值分割优化中的应用。本文使用最大类间方差法和最小交叉熵法对图像进行多阈值分割,利用烟花算法加快最优阈值的求解速度,并将烟花算法与其他经典的进化算法进行性能对比。结果表明,烟花算法在多阈值图像分割中的应用是准确有效的,其多次运行后的适应度值标准差比其他算法要小,说明烟花算法的稳定性更强,解决了传统图像多阈值分割方法时效性和稳定性不佳的问题,是一种行之有效的图像分割方法。2.提出了一种基于二进制烟花算法的纹理图像特征选择方法。首先对纹理图像进行Gabor小波变换特征提取,然后利用二进制烟花算法对抽取后的Gabor小波纹理特征进行选择,在不影响分类效果的情况下降低了纹理特征维度。3.研究和实现了烟花算法在支持向量机参数优化中的应用。将支持向量机参数优化问题视为组合最优化问题进行求解,首先采用公开UCI数据集验证算法的有效性,然后对采用Gabor小波进行特征提取的纹理图像进行分类,结果表明,使用烟花算法优化参数的支持向量机性能良好,分类准确率令人满意。总的来看,本文将烟花算法应用到图像多阈值分割、图像特征选择和图像分类识别中,实验结果表明烟花算法在这些图像处理应用中具有良好的性能,具有很好的应用前景。