一、遗传算法及其在彩色图象分割中的应用研究（论文文献综述）
王先贺[1]（2019）在《基于MeanShift聚类分割的显着性检测算法》文中认为当人类观察图像时,他们可以通过视觉注意机制轻松地注意到目标或感兴趣图像的重要部分。显着性检测的目标就是通过计算机来实现同样的效果。显着性检测可以使计算机能够快速地从图像数据中提取出关键区域,排除图像中的干扰因素,从而更好地处理图像。但是准确地检测出给定图像的显着性区域是一个具有很大挑战的任务。显着性对象具有难以用通用数学模型表达的各种特点。另外,显着性检测常常用于其他工作的预处理,因此显着性检测还应该满足快速的特点。显着性检测在目标自动检测、图像检索、物体识别、图像分割等很多领域应用广泛。本文通过对一些经典的显着性检测算法和图像分割算法进行研究对比,提出了一种基于Meanshift聚类分割的显着性检测算法,本文主要分为两部分,第一部分,在FT频域调谐算法的基础上进行改进,使用BM3D滤波代替原来算法中的高斯滤波,BM3D滤波能够在平滑去噪的同时更好地保留一些图像的细节信息,然后将图像从RGB颜色空间转换为Lab颜色空间,通过计算滤波后的图像与整幅图像均值两者之间的加权欧氏距离得到初步显着图。第二部分,获取初步显着图后,通过改进Meanshift聚类分割方法得到分割比较好的区域。第一,在分割之前对原图像进行预处理,去掉图像的噪声;第二,在Meanshift聚类过程中不断更新数据样本集,加快算法的计算速度;第三,在Meanshift聚类得到初步的图像分割区域后,通过一定的合并策略把区域进行合并,然后得到被分为几个区域的聚类分割图像。最后将每个区域与改进的频域调谐算法得到的初步显着图的均值进行阈值比较,去除非显着区域部分,保留显着区域。在公开数据集ASD上对本文所提出方法和其他几种显着性检测算法进行了对比,结果表明,本文算法的准确率、召回率以及F-Meansure指标更高,检测的结果更完整,更准确。
张频捷[2]（2010）在《蚁群优化算法及其应用研究》文中研究指明随着人们对生命本质的研究不断深入,生命科学正以空前的速度发展,人工智能的研究也开始摆脱传统逻辑计算之束缚,大胆探索起新的非经典计算途径。人工智能先驱Minsky曾认为：“我们应该从生物学而不是物理学受到启示……”。在这种背景下,蚁群算法应运而生,1992年,意大利学者M.Dorigo通过研究蚁群的觅食行为,在他的博士论文中提出了一种基于种群的模拟进化算法——蚁群优化（ACO）。由于蚁群算法具有稳健性、全局性、普遍性、分布式计算等众多优点,之后引起了学者们的极大关注,与其它较为成熟算法的相比较,蚁群算法在解决许多实际问题时有着更加优越的表现,在过去十多年的时间里,蚁群算法发展迅速,已在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划甚至股票投资等领域获得了广泛的应用,并取得了较好的成果。本文围绕蚁群算法的理论及其应用,首先详细阐述了算法的生物学机理,介绍了基本蚁群算法的原理、模型、特点及其在TSP中的实现,并对蚁群算法在各领域的应用做了简要的叙述。同时,指出了基本蚁群算法的一些不足,然后针对不足之处,列举了一些典型的改进算法,例如ACS,MMAS等,并通过实验以及其他学者的研究成果说明了基本蚁群算法模型中各参数的合理选择方法。其次,本文简要介绍了多机器人系统,指出多机器人系统的优势与研究的必要性,再根据ACS算法的思想,结合多机器人的协作,将其应用于多机器人路径规划之中。最后,本文利用蚁群算法和FCM算法的混合算法,结合边缘检测技术,将其应用于彩色图像分割之中,并以几种不同的代表性图片为样本,进行了计算机仿真,实验取得了很好的结果,表明此混合算法是一种较好的彩色图像分割方法。
李岩[3]（2008）在《基于模糊聚类分析的彩色图象分割算法的研究》文中指出在对基于模糊聚类分析的图象分割方法的现状和存在问题的深入分析和研究的基础上,提出了一套在边缘信息指导下的模糊聚类的图象分割方法EFCM（Edge-based Fuzzy C-means Clustering）。该方法利用简易且敏感的边缘算子,对图象进行边缘检测,得到图象中所有边缘信息;采用改进的FCM（Fuzzy C-means Clustering）算法作为分割基础,完成图象的粗分割;以粗分割的区域数作为模糊聚类的类别数、粗分割的各区域中心作为初始聚类中心,提出对非边缘部分做模糊聚类,减少聚类迭代的次数,也减小聚类迭代陷入局部极值的可能性。对于彩色图象的分割,讨论了聚类用的颜色空间的选取,确定YUV颜色空间作为EFCM算法分割彩色图象的颜色空间,以及针对YUV颜色空间的基于亮度和色差的Sobel边缘检测算子。
宋凯[4]（2008）在《基于计算机视觉的农作物病害识别方法的研究》文中指出为保证有效合理地施用农药防治农作物病害,农业生产者必须准确的获取作物的生长信息,这样,农业生产者可根据获得的病害信息快速、准确的诊断受害作物的病因以及受害程度,因病治宜。随着计算机处理能力的不断增强,以及图像处理与识别技术的快速发展,数字图像处理与识别技术在农业中的应用越来越广泛,并将成为实现农业信息化与自动化的重要技术力量。农业信息采集工作量巨大,信息的实时性和准确性是农业生产和科学研究领域普遍关注的问题,如何及时快速地进行农作物病害的准确判断一直是计算机技术面向农业领域研究工作的一项重要内容。为此,本文以计算机视觉技术为重要技术手段,综合运用图像处理和植物病理学方面的知识,研究玉米和黄瓜病害的识别和诊断。首先,根据病害叶片的采样要求,利用光照系统和计算机图像处理装置进行病害样本的图像采集。但是无论采用何种装置,采集到的图像往往不能令人满意。针对所采集的图像包含噪声的问题,讨论图像去除噪声的方法。在去除噪声方面论述了常用的几种消噪方法,很多消噪的方法可以很好的去除噪声对图像的影响,但是在消噪的同时也弱化了图像中目标区域的边缘,不利于基于边缘的图像分割算法的使用。因此本文采用Winer滤波来对病害图像进行去除噪声,同时采用多尺度Retinex彩色复原图像增强算法对图像进行增强处理,改善图像质量。经上述处理后,图像质量和显示效果得到明显改善,符合实验要求。其次,深入研究了图像分割的各种方法,仔细研究了病害图像的特点,将聚类分析引入到图像分割中,分析比较了硬C—均值聚类和模糊C—均值聚类分割算法的特性,采用快速模糊C—均值聚类算法,对病害图像进行分割,并通过实验验证了这种算法在聚类优化性能不变的前提下,可以使运算的开销降低,从而使得分割耗时明显地减少。本文根据Kingsbury提出的具有近似位移不变性和良好方向选择性的Q-shift DTCWT变换理论设计了基于统计性特征和系数特征的提取算法。提取了病斑图像的周长、面积和形状参数等特征,然后对所获得的特征值进行标准化,并进行病害图像的分类判断,以获得病害识别的精确性。对训练样本特征提取阶段的结果进行训练SVM分类器,并应用训练好的SVM分类器进行分类识别检测。在病害图像预处理和特征提取阶段采用了不同的方法并在不同的Video中与SVM分类法进行了大量的组合测试。结果表明,本文提出的病害识别算法不仅具有较好的鲁棒性,而且能有效提高识别率和降低误识别率。采用3层完全结合方式的Bp神经网络来建立农作物病害的诊断模型,同时将模拟退火算法和粗粒度并行遗传算法结合起来,既综合了遗传算法和模拟退火算法的优点,又加快了一般模拟退火遗传算法的搜索速度,对所建立的BP神经网络进行优化。优化完成后,网络的诊断能力和运算速度得到增强。采用VC++程序设计软件编写程序,形成了基于计算机视觉的农作物病害识别系统。本文从算法理论研究入手,以计算机图像处理为技术手段,以VC++语言为编程语言,综合运用计算机视觉技术、人工神经网络、小波变换、支持向量机和统计模式识别方法,对作物病害图像的处理和诊断技术进行了研究。
陈媛[5]（2007）在《基于最大模糊熵和遗传算法的图像分割方法研究》文中进行了进一步梳理图象分割是数字图象处理与机器视觉的基本问题之一,是目标检测和识别过程中的重要步骤。由于待分割图象的可变性比较大,且混有噪声,构成了图象分割所面临的主要困难。到目前为止还不存在一种通用的、能使各种类型的图象达到最优分割质量的图象分割方法。近年来一些学者将模糊理论和遗传算法引入到图象分割中,较传统方法取得了更好的分割效果。本文在研究传统的模糊阈值分割的基础上,提出了一种基于改进的自适应遗传算法的图象分割方法,提高了图象的分割质量和分割效率。本文具体研究工作如下:首先,针对标准遗传算法容易“早熟”的缺点,提出一种改进的自适应遗传算法。该算法引进新的变量来衡量群体适应度的集中程度,从而对交叉概率和变异概率进行自适应调整,提高了算法的收敛率。然后,将模糊理论和遗传算法结合起来应用于图象分割处理。针对目标和背景两类图象分割,考虑二维灰度直方图,采用了一种更符合图象空间分布特点的隶属函数,建立了对应的二维图象模糊熵,分别采用标准遗传算法和改进的自适应遗传算法对二维图象模糊熵的各个参数进行优化,根据最大模糊熵准则,确定目标和背景的最佳分割阈值。实验结果表明,基于改进的自适应遗传算法的二维最大模糊熵阈值分割法具有较好的分割性能和较快的分割速度,对噪声有一定的抑制能力。另外,针对多目标的复杂图象分割问题,本文采用了一种三类阈值分割法,该方法将图象分为暗区、灰度区和亮区,通过建立相应的模糊隶属函数,对图象各个灰度级属于暗区、灰度区和亮区的模糊特性进行描述,并采用改进的自适应遗传算法对模糊熵参数进行优化,根据最大模糊熵准则,确定最佳的分割阈值;实验结果表明,基于改进的自适应遗传算法的三类阈值分割法能快速有效地分割复杂图象。
周代红[6]（2007）在《遗传聚类算法及其在医学图像分割中的应用》文中指出图像分割是从图像处理到图像分析的关键步骤。图像分割最重要的一个应用就是医学图像分割。很多生物医学信息都是以图像形式表现出来的，如X射线图像、断层CT图像以及超声图像，它使人类视觉从表面向内部延伸。人们可以通过他们来获取人体内部器官在解剖形态、生物化学和生理功能上的有用信息。由于医学图像中的病灶有时会与周围的正常组织在灰度、形状上相似，用肉眼不易分辨，所以需要进行图像分割，使病灶明显的呈现出来。遗传算法是一种模拟生物自然选择与进化过程的随机、并行、自适应搜索算法，它是20世纪70年代由美国Michigan大学的John Holland教授创建的。由于它思想简单、易于计算，近年来，已广泛应用于函数优化、组合优化、自动控制、智能控制、图像处理和模式识别、人工生命以及机器学习等领域，并取得了令人鼓舞的成就。聚类分析是一种无导师的学习方法，能够从研究对象的特征数据中发掘关联规则，因而是一种强大有力的信息处理方法。本文通过将遗传算法和聚类分析相结合，从在特征空间内对象素聚类的角度提出了一种遗传聚类分割算法，用遗传算法搜索最优聚类中心，有效的避免了常用算法如C均值聚类算法中初始聚类中心的选取问题。文中以一幅有病变的眼球照片为例，在VC++环境下，编程实现了对图像的分割，得到了比较满意的结果，使病灶明显的呈现出来。
任继军[7]（2005）在《彩色图象分割及其在中医舌图象处理中的应用》文中认为随着科学技术和医用科技的不断发展,中医中传统的“望闻问切”四诊法也面临着技术实现的现代化。‘望’诊,尤其是其中的舌珍是中医四诊的重要内容,它通过观察舌象的变化了解机体的生理功能和病理变化,对许多病症的前期确诊有着非常重要的意义。然而传统的舌珍是通过人眼观察舌象,会不可避免地引入人为的、主观的、不利于获取指标精确化的因素,给舌诊的进一步发展带来严重的困难。因此,将现代的信息处理技术和中医专家的临床经验结合起来,实现中医舌珍的定量化、客观化、标准化,是发展中医舌诊的必出之路。 舌诊医疗中,病人的舌图象可以通过数字采集仪器（如数码相机等）获得。获得图象后,必须首先实现对目标区域进行智能化分割,因此,舌图象分割成为连接图象采集和图象处理与分析的重要一环,它的分割质量将直接影响到后续的舌图象分析工作。本文根据舌图象的特点,提出了将感兴趣区域（Region OfInterest ROI）应用在对舌图象分割的预处理中,并使用了一种简单的基于灰度空间图象投影的方法成功地实现了感兴趣区域的自动提取。然后,在经过对许多已有的图象分割算法的学习消化后,结合舌图象本身的一些特点,提出并实现了一种基于RGB空间自动阈值选取和灰度空间分割处理的算法,显着的减少了运算复杂度和数据量,提高了处理速度。另外,在对分割处理后的舌图象进行区域划分的研究中,结合神经网络的一些特点,使用了自组织特征神经网络（SOFMNN）方法在灰度空间进行区域划分,试验证明了该方法的有效性。最后介绍了开源图象处理库OpenCV,使用VC+OpenCV平台,在彩色空间中实现了金字塔结构分裂合并方法和基于区域灰度差生长准则的区域生长法的彩色舌图象分割,降低了处理的复杂度,效果也令人满意。
章毓晋[8]（2004）在《中国图像工程:2003》文中进行了进一步梳理该文是“中国图像工程”的年度文献综述系列之九。为了使国内广大从事图像工程研究和图像技术应用的科技人员能够较全面地了解国内图像工程研究和发展的现状 ,并能够方便地查询有关文献 ,现从国内 15种有关图像工程重要中文期刊 2 0 0 3年出版的共 10 8期上发表的 2 341篇学术研究和技术应用文献中 ,选取出 5 77篇属于图像工程领域的文献 ,然后根据各文献的主要内容将其分别归入图像处理、图像分析、图像理解、技术应用和综述 5个大类 ,再进一步分入 2 1个专业小类。在此基础上进行了文献统计和分析。由统计分析结果可见 ,我国图像工程在2 0 0 3年又有了许多新进展 ,除相关的文献数量继续增加 ,“传统的”图像分割和图像编码领域仍有许多新研究成果外 ,近年来的几个新的研究热点 ,如图像数字水印、人脸和器官检测、图像匹配融合、图像和视频检索等继续“升温”。特别值得指出的是 ,图像工程文献在上述 15种期刊上 2 0 0 3年发表的文献中的比例达到一个新的水平 ,显示了图像工程研究在中国强劲的快速发展势头。
章毓晋[9]（2003）在《中国图象工程:2002》文中研究指明该文是关于中国图象工程的年度文献综述系列之八 .为了使国内广大从事图象工程研究和图象技术应用的科技人员能够较全面地了解国内图象工程研究和发展的现状 ,并能够方便地查询有关文献 ,现从国内 15种有关图象工程重要中文期刊 2 0 0 2年出版的共 10 8期上发表的 2 4 2 6篇学术研究和技术应用文献中 ,选取出 5 4 5篇属于图象工程领域的文献 ,然后根据各文献的主要内容将其分别归入图象处理、图象分析、图象理解、技术应用和综述 5个大类 ,又进一步分入 2 1个小类 ,并在此基础上进行了文献统计和分析 .由统计分析结果可见 ,中国图象工程在2 0 0 2年又有了许多新进展 ,除总的文献数量有较大增加 ,图象分割和图象编码仍有许多研究成果外 ,近年来的几个新的研究热点 ,如成像技术、图象数字水印、人脸和器官检测、图象匹配融合、图象和视频检索等继续保持了快速发展的势头 .
张笃振[10]（2003）在《遗传算法及其在彩色图象分割中的应用研究》文中研究表明遗传算法是一种模拟生物自然选择、进化过程的随机、并行搜索算法，该算法广泛应用于解决工程技术问题。遗传算法是通过下面简要步骤的循环最终获得优化问题的解的：随机生成一定数目的个体构成初始群体，计算群体中每个个体的适应度，使用遗传操作即选择、交叉、变异算子产生新一代群体然后代替上—代群体并迭代执行。 本篇论文比较详细地论述了遗传算法的基本理论、方法，指出了算法的研究现状，由于图象分割的重要性，提出了两种基于遗传算法的彩色图象分割方法，即阈值曲面分割方法和最佳熵阈值分割方法，通过VC++6.0编程得到了实验验证，比较了两种算法的性能，证明遗传算法完全适用于图象的优化问题。
二、遗传算法及其在彩色图象分割中的应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、遗传算法及其在彩色图象分割中的应用研究（论文提纲范文）
（1）基于MeanShift聚类分割的显着性检测算法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 生物学模型 |
| 1.2.2 基于对比度分析模型 |
| 1.2.3 基于空间频域分析模型 |
| 1.2.4 基于低秩矩阵恢复理论的显着性检测模型 |
| 1.2.5 基于机器学习的模型 |
| 1.3 本文主要工作 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 显着性检测理论和本文相关算法 |
| 2.1 显着性检测常用特征 |
| 2.1.1 颜色空间 |
| 2.1.1.1 RGB颜色空间 |
| 2.1.1.2 Lab颜色空间 |
| 2.1.1.3 HVS颜色空间 |
| 2.1.2 纹理特征 |
| 2.1.3 方向特征 |
| 2.1.4 亮度特征 |
| 2.1.5 轮廓特征 |
| 2.1.6 频域特征 |
| 2.2 显着性计算模型的主要评价指标 |
| 2.2.1 PR曲线 |
| 2.2.2 F-measure |
| 2.2.3 EER |
| 2.2.4 MAE |
| 2.2.5 ROC曲线 |
| 2.3 本文相关算法基础 |
| 2.3.1 频域调谐算法 |
| 2.3.2 BM3D |
| 2.3.2.1 自适应图像块的选取 |
| 2.3.2.2 非局部均值去噪理论 |
| 2.3.2.3 块匹配三维协同滤波(BM3D) |
| 2.4 本章小结 |
| 第三章 典型的显着性检测和分割算法及性能分析 |
| 3.1 典型显着性检测算法 |
| 3.1.1 Itti显着性检测算法 |
| 3.1.2 HC显着性检测算法 |
| 3.1.3 SR模型 |
| 3.1.4 低秩矩阵恢复模型 |
| 3.1.5 基于深度学习 |
| 3.2 典型图像分割算法 |
| 3.2.1 基于阈值的分割方法 |
| 3.2.1.1 直方图阈值法 |
| 3.2.1.2 迭代最佳阈值法 |
| 3.2.1.3 最大类间方差法 |
| 3.2.2 基于聚类的分割方法 |
| 3.2.2.1 K-均值聚类 |
| 3.2.2.2 模糊C均值聚类 |
| 3.2.2.3 Meanshift聚类分割 |
| 3.2.3 基于区域的分割方法 |
| 3.2.3.1 区域生长法 |
| 3.2.3.2 分水岭分割算法 |
| 3.2.4 基于边缘的分割方法 |
| 3.2.5 基于特定理论的分割方法 |
| 3.2.5.1 人工神经网络 |
| 3.2.5.2 遗传算法 |
| 3.2.5.3 基于颜色模型的方法 |
| 3.3 本章小结 |
| 第四章 基于Meanshift聚类分割的显着性检测 |
| 4.1 算法思想 |
| 4.2 初步显着图的获取 |
| 4.3 Meanshift聚类图像分割 |
| 4.3.1 Meanshift聚类基本形式 |
| 4.3.2 Meanshift算法扩展形式 |
| 4.3.3 Meanshift聚类算法的步骤 |
| 4.3.4 区域合并 |
| 4.4 实验结果与分析 |
| 4.5 客观评价 |
| 4.6 本章小结 |
| 第五章 总结展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 申请学位期间的研究成果及发表的学术论文 |
| 致谢 |
（2）蚁群优化算法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 蚁群算法理论研究现状 |
| 1.2.2 蚁群算法的应用研究现状 |
| 1.3 本文研究内容及研究成果 |
| 第二章 蚁群算法综述 |
| 2.1 蚁群算法基本原理 |
| 2.2 基本蚁群算法的模型及在TSP问题中的实现 |
| 2.3 蚁群算法求解TSP问题的算法流程图 |
| 2.4 基本蚁群算法的优点与不足之处 |
| 2.4.1 蚁群算法的优点 |
| 2.4.2 蚁群算法的不足 |
| 2.5 本章小结 |
| 第三章 蚁群算法的改进 |
| 3.1 几种改进的蚁群算法 |
| 3.1.1 最优解保留策略蚂蚁系统 |
| 3.1.2 Ant Colony System |
| 3.1.3 Max-Min Ant System |
| 3.1.4 Rank-based Version of Ant System,As-rank |
| 3.1.5 具有变异特征的蚁群算法 |
| 3.1.6 其他改进蚁群算法 |
| 3.2 几种蚁群算法的比较 |
| 3.3 人工蚂蚁与真实蚂蚁的异同 |
| 3.3.1 人工蚂蚁与真实蚂蚁的共同点 |
| 3.3.2 人工蚂蚁与真实蚂蚁的不同点 |
| 3.4 本章小结 |
| 第四章 蚁群算法参数设置及与FCM算法的融合 |
| 4.1 基本蚁群算法参数设置 |
| 4.1.1 参数α和β对算法性能的影响分析 |
| 4.1.2 参数m对算法性能的影响分析 |
| 4.1.3 参数ρ对算法性能的影响分析 |
| 4.1.4 参数Q对算法性能的影响分析 |
| 4.2 ACO与FCM的混合 |
| 4.2.1 模糊集基本知识 |
| 4.2.2 K均值聚类算法(HCM)介绍 |
| 4.2.3 模糊C均值聚类 |
| 4.2.4 FCM算法的应用 |
| 4.2.5 ACO-FCM混合算法 |
| 4.2.6 算法流程 |
| 4.3 本章小结 |
| 第五章 蚁群算法在多机器人协作路径规划中的应用 |
| 5.1 多机器人系统 |
| 5.1.1 多机器人技术研究意义 |
| 5.1.2 多机器人协作 |
| 5.2 多机器人路径规划 |
| 5.2.1 路径规划定义 |
| 5.2.2 多机器人路径规划 |
| 5.2.3 常用路径规划方法 |
| 5.3 基于ACS算法的多机器人协作路径规划 |
| 5.4 仿真研究 |
| 5.5 本章小结 |
| 第六章 蚁群算法在彩色图像分割中的应用 |
| 6.1 图像分割简介 |
| 6.2 彩色图像分割 |
| 6.3 经典彩色图像分割方法 |
| 6.3.1. 颜色空间的选择 |
| 6.3.2 分割策略 |
| 6.4 与其它理论结合的分割技术 |
| 6.4.1 基于随机场模型的技术 |
| 6.4.2 基于模糊集合理论的彩色图像分割技术 |
| 6.4.3 基于小波的彩色图像分割技术 |
| 6.4.4 基于神经网络的技术 |
| 6.4.5 基于物理模型的方法 |
| 6.4.6 混和技术 |
| 6.5 基于ACO-FCM算法的彩色图像分割 |
| 6.5.1 蚁群聚类 |
| 6.5.2 FCM算法 |
| 6.5.3 ACO-FCM彩色图像分割流程 |
| 6.5.4 仿真结果分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
（3）基于模糊聚类分析的彩色图象分割算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 模糊聚类分割的原因 |
| 1.2 FCM 算法的图象分割研究综述 |
| 1.2.1 图象分割面临的问题 |
| 1.2.2 图象的模糊 C-均值聚类分割的应用和发展 |
| 1.3 图象分割的原理 |
| 1.4 本文研究目标和主要研究内容 |
| 1.5 本文的组织结构 |
| 2 彩色图象分割的研究 |
| 2.1 引言 |
| 2.2 彩色空间的表示 |
| 2.2.1 色彩模型 |
| 2.2.2 彩色坐标变换 |
| 2.2.3 线性彩色空间和非线性彩色空间的比较 |
| 2.3 彩色图象分割的方法 |
| 2.3.1 直方图阈值法 |
| 2.3.2 色彩空间聚类 |
| 2.3.3 基于区域的分割方法 |
| 2.3.4 边缘检测的分割方法 |
| 2.3.5 基于模糊集理论的方法 |
| 2.3.6 基于神经网络的方法 |
| 2.4 本章小结 |
| 3 模糊聚类（FCM）算法及其改进算法 |
| 3.1 引言 |
| 3.1.1 数据集 X 的 C-划分 |
| 3.1.2 硬 C-均值聚类算法 |
| 3.1.3 模糊 C 均值聚类算法 |
| 3.2 FCM 算法 |
| 3.2.1 标准的 FCM 算法 |
| 3.2.2 加权 FCM 算法 |
| 3.2.3 带有惩罚项的 FCM 算法 |
| 3.2.4 全局 FCM 算法 |
| 3.2.5 快速全局 FCM 聚类算法 |
| 3.3 本章小结 |
| 4 基于改进的 FCM 算法的彩色图象分割 |
| 4.1 引言 |
| 4.2 基于 FCM 聚类的图象分割算法的描述 |
| 4.2.1 图象的二维灰度特征空间 |
| 4.2.2 基于 FCM 聚类的图象分割算法 |
| 4.3 改进的 FCM 聚类算法 |
| 4.3.1 EFCM 图象分割算法 |
| 4.3.2 EFCM 分割算法参数的初始化 |
| 4.4 灰度图象中的 EFCM 分割算法 |
| 4.4.1 灰度图象的去噪处理 |
| 4.4.2 灰度图象的边缘检测 |
| 4.4.3 EFCM 聚类迭代 |
| 4.4.4 灰度图象分割算法对比 |
| 4.5 彩色图象的 EFCM 分割算法 |
| 4.5.1 彩色空间的选择 |
| 4.5.2 彩色图象的边缘检测 |
| 4.5.3 彩色图象的 EFCM 分割 |
| 4.5.4 彩色图象分割算法的对比 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 创新点和主要工作 |
| 5.2 今后的研究工作 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
| 参考文献 |
（4）基于计算机视觉的农作物病害识别方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 数字图像处理与模式识别的应用 |
| 1.2 计算机视觉系统 |
| 1.2.1 计算机视觉的发展 |
| 1.2.2 计算机视觉研究状况 |
| 1.2.3 人类视觉与计算机视觉 |
| 1.2.4 视觉信息系统模型 |
| 1.2.5 计算机视觉的应用领域 |
| 1.2.6 计算机视觉在农业中的应用 |
| 1.3 课题意义及国内外研究现状 |
| 1.3.1 课题背景及研究意义 |
| 1.3.2 国内外研究现状 |
| 1.4 课题研究主要内容 |
| 第二章 农作物病害图像预处理算法的研究 |
| 2.1 图像采集 |
| 2.2 彩色图像灰度化处理 |
| 2.3 颜色空间及其特点 |
| 2.3.1 CIE1931-RGB颜色空间 |
| 2.3.2 YCbCr颜色空间 |
| 2.3.3 HSI颜色空间 |
| 2.3.4 HSV颜色空间 |
| 2.4 图像去噪 |
| 2.4.1 图像噪声分析 |
| 2.4.2 图像颜色空间的选择 |
| 2.4.3 Winer滤波原理 |
| 2.5 传统图像增强算法分析 |
| 2.5.1 图像的平滑与锐化 |
| 2.5.2 中值滤波 |
| 2.5.3 灰度直方图均衡和高维直方图 |
| 2.6 空域对比度增强处理 |
| 2.6.1 多尺度 Retinex灰度图像增强算法 |
| 2.6.2 多尺度 Retinex彩色复原图像增强算法 |
| 2.7 频域对比度增强 |
| 2.7.1 小波变换与傅立叶变换 |
| 2.7.2 小波滤波器基本原理 |
| 2.7.3 小波边界延拓 |
| 2.7.4 小波灰度图像增强算法 |
| 第三章 农作物病害图像的分割算法研究与实现 |
| 3.1 图像分割概述 |
| 3.2 图像分割算法 |
| 3.3 聚类分析 |
| 3.3.1 聚类分析简介 |
| 3.3.2 聚类分析在图像分割中的应用 |
| 3.4 C—均值聚类算法 |
| 3.4.1 硬C—均值(HCM)算法 |
| 3.4.2 模糊C—均值(FCM)算法 |
| 3.4.3 硬C均值算法与模糊C—均值算法的比较 |
| 3.5 模糊 C—均值聚类分割算法 |
| 3.5.1 标准模糊 C—均值聚类分割算法 |
| 3.5.2 快速FCM分割算法 |
| 3.6 实验结果与分析 |
| 第四章 农作物病害图像的特征提取 |
| 4.1 特征提取概述 |
| 4.1.1 图像的特征描述 |
| 4.1.2 特征提取的步骤 |
| 4.2 特征归一化处理 |
| 4.3 小波农作物病害图像特征提取算法 |
| 4.3.1 小波农作物病害图像特征提取算法 |
| 4.3.2 农作物病害图像纹理特征提取 |
| 4.3.2.1 概述 |
| 4.3.2.2 空间灰度层共现矩阵 |
| 4.3.2.3 提升小波 |
| 4.3.2.4 特征提取过程 |
| 4.4 二分树复数小波变换(DT CWT)算法 |
| 4.4.1 DT CWT的提出 |
| 4.4.2 DT CWT原理 |
| 4.4.3 DT CWT滤波器 |
| 4.4.4 Q-shift DT CWT作物病害统计特征提取的设计 |
| 4.5 农作物病害图像的特征选择 |
| 第五章 农作物病害识别分类器的设计与实现 |
| 5.1 概述 |
| 5.1.1 统计模式识别方法 |
| 5.1.2 统计学习理论原理 |
| 5.2 支持向量机原理 |
| 5.2.1 最优分类超平面 |
| 5.2.2 广义的最优分类超平面 |
| 5.2.3 高维空间的最优分类面 |
| 5.2.4 最优分类超平面的构造 |
| 5.3 核函数 |
| 5.4 支持向量机参数的选择 |
| 5.5 作物病害分类器泛化性能分析 |
| 5.6 训练样本的选择 |
| 5.7 实验结果与分析 |
| 第六章 农作物病害诊断模型的建立与分析 |
| 6.1 几何距离相似性度量 |
| 6.2 BP神经网络相似性度量 |
| 6.2.1 BP神经网络及其改进 |
| 6.2.1.1 遗传算法的改进 |
| 6.2.1.2 并行模拟退火算法 |
| 6.2.1.3 并行模拟退火遗传算法优化3层BP网络的实现 |
| 6.3 实验结果与分析 |
| 第七章 系统设计与实现 |
| 7.1 开发环境 |
| 7.2 系统硬件组成 |
| 7.3 系统工作流程的建立 |
| 7.4 程序执行的部分界面 |
| 总结 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文 |
| 附录 |
（5）基于最大模糊熵和遗传算法的图像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 图象分割技术简介及其意义 |
| 1.2 遗传算法发展简介 |
| 1.3 模糊理论简介 |
| 1.4 本文的研究内容和拟解决的关键问题 |
| 1.5 本文的章节安排 |
| 第二章 图象分割原理和方法 |
| 2.1 图象分割的理论基础 |
| 2.2 图象分割的基本方法 |
| 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 |
| 3.3 遗传算法的基本定理 |
| 3.4 遗传算法的特点 |
| 3.5 遗传算法的理论及应用研究现状 |
| 第四章 模糊理论基础与应用 |
| 4.1 模糊理论的提出 |
| 4.2 模糊集基础 |
| 4.3 模糊理论在图象处理中的应用 |
| 4.4 图象分割中的模糊技术 |
| 第五章 基于最大模糊熵和遗传算法的图象阈值分割 |
| 5.1 引言 |
| 5.2 阈值分割原理 |
| 5.3 基于一维最大模糊熵的图象分割算法 |
| 5.4 基于二维最大模糊熵的图象分割算法 |
| 5.5 遗传算法的改进 |
| 5.6 利用遗传算法优化二维最大模糊熵进行图象分割 |
| 5.7 基于最大模糊熵和改进的自适应遗传算法的三类阈值分割 |
| 第六章 结束语 |
| 6.1 论文的主要工作 |
| 6.2 论文的创新点 |
| 6.3 展望 |
| 参考文献 |
| 研究生期间发表的论文 |
| 致谢 |
| 详细摘要 |
（6）遗传聚类算法及其在医学图像分割中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 遗传算法 |
| 1.1.1 遗传算法的基本概念 |
| 1.1.2 遗传算法的特点 |
| 1.1.3 遗传算法的构成要素 |
| 1.2 聚类算法 |
| 1.2.1 聚类的定义 |
| 1.2.2 聚类准则 |
| 1.2.3 常见的聚类算法 |
| 1.3 数字图像处理的有关知识 |
| 1.3.1 数字图像处理概述 |
| 1.3.2 图像分割的概念 |
| 1.3.3 图像分割的基本方法 |
| 1.3.4 图像分割目前的一些主要应用场合 |
| 1.4 医学图像分割的现状 |
| 1.5 课题的提出 |
| 1.6 本文所作的主要工作 |
| 第二章 遗传聚类分割算法的设计与实现 |
| 2.1 遗传聚类分割算法的设计 |
| 2.2 遗传聚类分割算法的实现 |
| 2.2.1 构造自己的DIB函数库 |
| 2.2.2 遗传聚类分割算法的编程原理 |
| 2.2.3 遗传聚类分割算法的实现程序 |
| 第三章 遗传聚类算法在医学图像分割中的应用 |
| 3.1 软件设计 |
| 3.2 界面设计 |
| 3.3 程序运行结果 |
| 3.4 实验结果分析 |
| 3.5 图像分割进一步应用的探讨 |
| 第四章 结束语 |
| 4.1 遗传聚类分割算法的特点 |
| 4.2 需要进一步研究的问题 |
| 参考文献 |
| 致谢 |
（7）彩色图象分割及其在中医舌图象处理中的应用（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 该领域目前的研究状况 |
| 1.3 本文的主要工作和内容安排 |
| 第二章 舌图象分割基础 |
| 2.1 图象分割概述 |
| 2.2 舌图象获取平台 |
| 2.3 舌图象分割的研究内容 |
| 第三章 灰度空间舌图象分割方法研究 |
| 3.1 舌图象ROI自动提取研究 |
| 3.2 自动阈值选取的舌图象分割方法 |
| 3.3 基于自组织特征映射神经网络的舌图象区域分割方法 |
| 第四章 彩色空间舌图象分割方法研究 |
| 4.1 OPENCV特点简介 |
| 4.2 基于金字塔结构的分裂—合并方法实现舌图象分割 |
| 4.3 基于区域生长法实现的舌图象分割 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 进一步的研究方向 |
| 参考文献 |
| 硕士期间撰写的论文 |
| 致谢 |
（8）中国图像工程:2003（论文提纲范文）
| 1 引 言 |
| (1) 概括我国图像工程发展现状 |
| (2) 便利从事图像工程研究和图像技术应用的人员查阅有关文献 |
| (3) 为期刊编者和文献作者提供有用的参考信息 |
| 2 刊物选取原则 |
| 3 文献选取和分类 |
| 4 文献分类统计结果和讨论 |
| 4.1 近9年图像工程文献选取和分类概况比较 |
| 4.2 2003年各刊图像工程文献刊载情况 |
| 4.3 2003年各刊图像工程文献详细分类情况 |
| 5 结 论 |
（9）中国图象工程:2002（论文提纲范文）
| 0 前 言 |
| (1) 概括我国图象工程发展现状 |
| (2) 便利从事图象工程研究和图象技术应用的人员查阅有关文献 |
| (3) 为期刊编者和文献作者提供有用的参考信息 |
| 1 刊物选取原则 |
| 2 文献选取和分类 |
| 3 文献分类统计结果和讨论 |
| 3.1 近8年图象工程文献选取和分类概况比较 |
| 3.2 2002年各刊图象工程文献刊载情况 |
| 3.3 2002年各刊图象工程文献详细分类情况 |
| 4 结束语 |
（10）遗传算法及其在彩色图象分割中的应用研究（论文提纲范文）
| 摘要 |
| 昆明理工大学学位论文原创性声明 |
| 目录 |
| 第一章 绪论 |
| 1.1 遗传算法的产生与研究现状 |
| 1.2 遗传算法的基本思路 |
| 1.3 遗传算法的特点 |
| 1.4 遗传算法与图象处理及本文的工作 |
| 第二章 遗传算法的基本理论和方法 |
| 2.1 编码 |
| 2.2 群体设定 |
| 2.3 适应度函数 |
| 2.4 遗传操作 |
| 2.5 遗传算法的几个重要定理 |
| 2.6 对遗传算法的方法论思考 |
| 第三章 关于图象分割 |
| 3.1 图象分割的重要性 |
| 3.2 图象分割的主要方法 |
| 3.3 对图象分割算法及分割结果的评价 |
| 第四章 基于遗传算法的真彩色图象分割(一) |
| 4.1 算法主要步骤 |
| 4.2 算法流程图 |
| 4.3 实验结果 |
| 4.4 对算法和实验结果的评价 |
| 第五章 基于遗传算法的真彩色图象分割(二) |
| 5.1 算法主要步骤 |
| 5.2 实验结果 |
| 5.3 对算法和实验结果的评价及与方法一的比较 |
| 结论和下一步的工作 |
| 附录1 参考文献 |
| 附录2 研究生期间的主要工作 |
| 致谢 |
四、遗传算法及其在彩色图象分割中的应用研究（论文参考文献）
- [1]基于MeanShift聚类分割的显着性检测算法[D]. 王先贺. 桂林理工大学, 2019(05)
- [2]蚁群优化算法及其应用研究[D]. 张频捷. 中南大学, 2010(02)
- [3]基于模糊聚类分析的彩色图象分割算法的研究[D]. 李岩. 辽宁工程技术大学, 2008(09)
- [4]基于计算机视觉的农作物病害识别方法的研究[D]. 宋凯. 沈阳农业大学, 2008(01)
- [5]基于最大模糊熵和遗传算法的图像分割方法研究[D]. 陈媛. 武汉科技大学, 2007(03)
- [6]遗传聚类算法及其在医学图像分割中的应用[D]. 周代红. 曲阜师范大学, 2007(03)
- [7]彩色图象分割及其在中医舌图象处理中的应用[D]. 任继军. 西北工业大学, 2005(04)
- [8]中国图像工程:2003[J]. 章毓晋. 中国图象图形学报, 2004(05)
- [9]中国图象工程:2002[J]. 章毓晋. 中国图象图形学报, 2003(05)
- [10]遗传算法及其在彩色图象分割中的应用研究[D]. 张笃振. 昆明理工大学, 2003(01)