基于改进谱系聚类法和免疫遗传算法的自适应图像分割方法

摘要

本文研究了在图像分割领域中通过改进的谱系聚类法和人工免疫系统来提供一种新颖的自适应的遗传算法图像分割方法.在传统的分割方法的基础上,实现一种受生物免疫系统启发,通过学习外界物质的自然防御机理的学习技术,提供噪声忍耐、无教师学习、自组织、记忆等进化学习机理,克服传统方法中的不能对个体多样性进行调节、不能保证概率收敛等问题.本文的主要工作和成果如下:针对模式识别中传统的谱系聚类法聚类速度慢、效率过于低下的缺点,提出一种在特定图像领域中利用四叉树分割进行改进的聚类方法.提出一种基于免疫遗传算法的图像分割新方法.根据图像灰度分布的区域一致性的分割思想,先利用改进的模式识别中的谱系聚类法对图像做指定阈值的聚类;再利用免疫系统自调节、抗原识别和记忆功能,结合遗传算法对图像进行自适应区域阈值分割;最后充分利用遗传算法优异的全局搜索能力,调整阈值,以取得最优的结果.本文方法的程序实现,在VC++.NET环境下开发.实验图像为图像处理领域中经典的256*256灰度位图.

目录

文摘

英文文摘

独创性声明和学位论文版权使用授权书

第一章引言

1.1前言

1.2图像分割技术的现状

1.3遗传算法发展简介

1.4谱系聚类法——模式识别

1.5论文的主要内容

第二章谱系聚类法及其改进——模式识别

2.1谱系聚类法的原理

2.2谱系聚类法应用的困难

2.3对谱系聚类法的改进

第三章遗传算法的基本理论

3.1遗传算法的基本概念

3.2标准遗传算法

3.2.1标准遗传算法的基本流程

3.2.2标准遗传算法的要素

3.3遗传算法的基本原理

3.3.1模式定理

3.3.2积木块假设

3.4遗传算法的特点

3.4.1传统搜索算法

3.4.2遗传算法的特点

3.5遗传算法理论研究现状

3.5.1遗传算法的理论基础、数学模型

3.5.2混合遗传算法(HGA hybrid GA)研究

3.5.3遗传算法的并行化

3.5.4借鉴自然现象提出新的算法模型

3.6遗传算法的应用研究现状

第四章图像区域分割

4.1并行区域分割技术

4.1.1阈值化方法介绍

4.1.2阈值化算法分类

4.1.3特征空间聚类

4.1.4经典的空间聚类方法

4.2串行区域分割技术

4.2.1区域生长

4.2.2生长准则和过程

4.2.3分裂合并

4.2.4松弛迭代法

第五章遗传算法用于图像分割的现状

5.1利用遗传算法优化模糊C-均值算法进行图像分割

5.1.1问题的提出

5.1.2模糊C-均值算法的基本思想

5.1.3基本步骤

5.2遗传算法加速最大类间方差进行图像分割

5.2.1问题的提出

5.2.2最大类间方差的基本思想

5.2.3基本步骤

5.2.4实验结果与结论

5.3基于阈值曲面的二维遗传算法

5.3.1染色体编码

5.3.2初始化种群

5.3.3设计和缩放适应度函数

5.3.4设计算子更替种群

5.4基于遗传算法的分裂合并图像分割

5.4.1染色体编码

5.4.2遗传操作的设计

5.4.3个体的适应度评价

第六章基于改进谱系聚类法和免疫遗传算法的图像分割

6.1免疫机理的研究

6.1.1记忆学习

6.1.2多样性遗传机理

6.1.3反馈机制

6.2提出一种适用于图像分割的免疫遗传算法

6.2.1免疫遗传分割算法(GAS)的基本思路

6.2.2算法的步骤和流程框图

6.3应用实例

6.3.1参数设定及程序实现

6.3.2实验结果

6.4分割结果分析

第七章总结

参考文献

附录主要属性及方法

一、四叉树类及其实现

二、抗体类及其实现

三、最佳抗体类及其实现

四、初始化群体方法

五、统计数据方法

六、产生新一代群体方法，其中调用选择、交叉、变异等方法

七、选择

八、交叉

九、变异

致谢

在学期间公开发表论文及著作情况