pso算法应用于图像处理研究综述论文

《pso算法应用于图像处理研究综述论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于PSO算法的图像处理应用研究现状综述摘要：粒子群优化(PS0)算法是一种源于人工生命和鸟群捕食行为的优化技术，PS0算法通过粒子搜寻自身的个体最好解和整个粒子群的全局最好解来更新完成优化。该算法原理简单、所需参数较少、易于实现，目前已经应用到很多领域，其中就包括应用于图像处理问题。本文在此基础上，总结概括了PSO算法应用于图像处理问题上的研究现状，具体地分为应用于图像分割问题、图像识别问题、图像压缩问题、图像融合问题和其他图像处理领域的一些问题。并简要的展望了关于PSO算法应用于图像处理问题上的若干发

2、展方向，以期可以为以后的学者提供一个值得深入研究探讨的指导。关键词：PSO算法；图像处理；图像分割；图像识别；图像融合1引言Eberhart和Kennedy[1]通过对Heppner鸟类模型进行研宄，认为鸟类寻找栖息地与对一个特定问题寻找解很类似，并通过修正该模型，使其具有社会性和锊能性，以使微粒能够降落在最优解处而不降落在其它解处，提出了粒子群算法。粒子群算法的基木思想是模拟鸟类的群体行为构建的群体模型。粒子群算法作为一种进化计算，同样沿用进化计算中“群体”和“进化”的概念，同样是依据微粒的个体适应值进

3、行计算。在PSO算法中，粒子群中的微粒表示问题的一个候选解，是由速度和位置两部分组成的个体，在n维搜索空间中飞行。微粒一方面具奋自我性，可以根据自我的经验去判断飞行的速度和位置；另一方面具有社会性，可以根据周围微粒的飞行情况去调整自己的飞行速度和位置，不断地寻找个性和社会性之间的平衡。设Xi=(xil，xi2...xin)为微粒i当前位置，Vi=(vil,vi2...vin)为微粒i的当前速度。在进化过程屮，记录微粒到当前为止的历史最好位置为Pi=(pil，pi2...pin),所有微粒的全局最好位置为P

4、g=(pgl，pg2...pgn)。最初始的PSO算法的进化方程可描述为：qxz；x(-4)+w(p扣-4)（1）,（2）为丫改善⑴式的收敛性能，Y.Shi与R.C.Eberhart[21于1998年首次在速度进化方程中引入惯性权重，（1）式变为：+An（P,w—x/W）+c2r2（p纠-xi

5、。基本粒子群算法的流程如下：（1）依照初始化过程，对粒子群算法的随机位置和速度进行初始化；（2）根据定义的适应值，计算每个微粒的适应值；（3）对于每个微粒，根据微粒的适应值与该微粒历史最好位置的适应值相比较，求微粒的历史最好位置；（4）将全局最好位置的适应值与每个微粒的历史最好位置的适应值相比较，求粒子群的全局最好值；（5）根据方程进化每个微粒的速度和位置；（6）判断终止条件是否满足，如果不满足，返回第二步，否则算法结束。PSO算法一提出就吸引了广泛的注意，各种关于PSO算法应用研宂的成果不断涌现，有力地

6、推动了PSO的研宄，其屮PSO应用于图像处理领域的研究逐渐成为热门。在此基础上，本文将对现有的关于PSO算法的应用于图像处理领域的研究现状给予一定的总结和归纳，以期可以给后来的研宄者一个可以值得深入研宄和探讨的方向。2PSO算法在图像处理问题上的应用随着计算机信息技术的高速发展，人们越来越多的利用计算机来获取和处理视觉图像信息，因此对圏像的处理得到了越来越广泛的应用。人类从外界获取的信息中有80%是来自视觉或者说图像信息，这包括图像、图形、视频、文本、数据等，图像是人类最有效的信息获取和交流方式，因此在口

7、常生活屮七据重要的地位。0前，计算机图像处理在生物医学、遥感航天、工业、军事等方面都有着广泛的应用。数字图像处理（DigitalImageProcessing）又称为计算机图像处理，是指将图像信号转换为数字信号并利用计算机对其进行处理的过程。在图像处理领域，图像信息呈现出复杂性和多样性特征，普遍存在着图像信息处理的不完整性、不确定性以及建模困难等问题。因此，锊能优化算法在图像处理领域得到广泛应用，并在某些方面取得了比传统方法更好的效果。其中就包括应用PSO算法于图像处理领域。数字图像处理技术涉及数学、计算

8、机科学、模式识别、人工智能、信息论、生物医学等多门学科，是一门多学科交叉应用的技术。其内容十分丰富，主要包括图像分割、图像识别、图像压缩、图像融合、图像堉强、图像恢复和图像理解等内容。结合本文的主要内容，下面对应用PSO算法于图像分割、图像识别、图像压缩和图像融合的研究现状作一个综述。2.1应用于图像分割问题图像分割是指根据图像的灰度、彩色、几何形状、空间纹理等特征把图像划分成各具特性的若干个互不相交的区域，使得这些特性在同一