论文网
关于算法论文范文集,与自然计算在图像分割方面的应用相关毕业论文致谢
本论文是一篇关于算法毕业论文致谢,关于自然计算在图像分割方面的应用相关函授毕业论文范文。免费优秀的关于算法及图像及自然方面论文范文资料,适合算法论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
摘 要：自然计算是一种表示由自然启发的计算的一般性术语.图像分割就是把图像分成具有不同特性的区域并提取出感兴趣目标的技术和过程.由于图像分割实质上是一个组合优化问题,而自然计算算法在解决组合优化问题时有超越传统计算方法的性能.基于自然计算算法的图像分割技术成为图像分割领域的研究热点.
关 键 词：自然计算；图像分割；混合算法；蚁群算法；粒子群算法；化学反应算法
中图分类号：TN911文献标识码：A文章编号：1009-3044（2013）32-7319-02
| 有关论文范文主题研究: | 关于算法的论文范文集 | 大学生适用: | 学位论文、专科毕业论文 |
|---|---|---|---|
| 相关参考文献下载数量: | 74 | 写作解决问题: | 毕业论文怎么写 |
| 毕业论文开题报告: | 标准论文格式、论文目录 | 职称论文适用: | 期刊发表、职称评初级 |
| 所属大学生专业类别: | 毕业论文怎么写 | 论文题目推荐度: | 经典题目 |
自然界不只为人类提供了丰富的物质能源,还是人类社会智能化发展的源泉.人类对自然智能的最早学习和利用是仿生学,研究生物体的结构、功能和工作原理,并应用于工程技术.随着科技的发展,人工智能诞生,形成了计算机科学的新领域,它主要是利用人工机器模仿人的智能.自然计算理论的出现将人类对自然智能的研究推向了更广阔的领域,自然计算是继传统人工智能之后出现的一种全新的思维与智能计算模式,开辟了智能科学新的前沿.
1自然计算
自然计算（NatureComputation,NC）是一种表示由自然启发的计算[1]的一般性术语,是仿生学和人工智能的进一步发展.一般而言,自然计算是指以自然界中物种进化原理、生物生存方式、物理化学现象、人类社会等自然中存在的一切事物作为可能的研究对象,通过研究它们的运作模式,分析其中所蕴含的丰富的信息处理机制,抽取计算模型,设计算法,并探索应用领域加以应用[2].计算是自然的一种固有机制,是智能的基础.自然计算的特征就是比喻性地使用自然系统潜在的概念、原理和机制.通过研究自然现象,建立计算模型,应用于工程技术,进而服务于社会,这是自然计算的宗旨.
由于自然计算的本质是模仿自然界信息处理机制抽象出计算模型,其研究涉及现代自然科学的多个领域及近百种算法与计算框架,并且不断有新的算法和计算机制涌现.为了明确自然计算算法研究范畴和学科内涵,需要对其进行分类.根据各自然计算算法基于的不同的学科知识基础,可以将自然计算算法分为四类：基于物理学的自然计算算法、基于化学的自然计算算法、基于生物学的自然计算算法、基于人文社会学的自然计算算法.基于物理学的自然计算算法有：模拟退火算法（SimulatedAnnealing,SA）、量子计算（QuantumComputation,QC）、混沌优化、晶体生长算法（Crystal-Growth-Inspiredalgorithms,CGI）等.基于化学的自然计算算法有：化学反应优化（ChemicalReactionOptimization）.基于生物学的自然计算算法（一般称为仿生智能计算算法）又分为基于生物个体的算法（遗传算法、人工神经网络、免疫计算、内分泌计算、DNA计算、膜计算）和基于生物种群的算法（蚁群算法、粒子群算法、蜂群算法、人工鱼群算法等）.基于人文社会学的自然计算算法有文化算法、社会认知算法、Memetic计算、情感计算等.这些领域均以自然界中有益的信息处理机制为研究对象,具有模仿自然界的特点,通常具有自学习、自组织和自适应的特征,能够为传统算法难以解决的各类复杂问题提供新的解决方向,具有很好的应用前景.
2图像分割
人类通过听觉、触觉、味觉、嗅觉和视觉感知周围事物.图像信息是视觉感知的主要内容,图像信息直观丰富,但人们往往只对其中的部分信息感兴趣,这些信息代表了人们观察图像的目标,这些目标通常占据一定的区域,并且在某些特性上（如灰度、轮廓、颜色、纹理等）和周围的图像有差别.图像分割就是把图像分成具有不同特性的区域并提取出感兴趣目标的技术和过程.图像分割是图像识别和图像理解前提和基础,图像分割质量的高低直接影响图像处理的效果.但没有一种通用的方法可以适用于所有的图像分割任务.图像分割是图像分析和计算机视觉中的经典难题.
3基于自然计算算法的图像分割
3.1可行性分析与研究意义
图像分割的性能易受多种因素影响,如图像的物理视觉特性、空间结构特性、纹理等,因此尚无普适的图像分割算法.为了提高图像分割算法的性能和普适性,在原有算法中融入新理论是图像分割发展的必然趋势.由于图像分割实质上是一个组合优化问题,而自然计算算法在解决组合优化问题时有超越传统计算方法的性能,基&
关于算法论文范文集
3.2国内外研究现状
自然计算涉及算法较多,下面仅对蚁群算法、粒子群算法、化学反应算法在图像分割中的研究现状作代表性的阐述.
蚁群算法具有离散性和并行性特点,因而适用于数字图像处理.近年来,许多国内外研究者将蚁群算法应用于图像分割、特征提取、图像匹配、纹理分析等取得了丰富的研究成果.在图像分割领域,国内最初是韩艳芳和施鹏飞[3]从模糊聚类角度出发,综合考虑像素的灰度、梯度及邻域特性进行特征提取,将蚁群算法成功应用于图像分割.之后,研究者们尝试将蚁群算法与其他理论工具结合进行图像分割,常用的理论工具有Snake模型（主动轮廓模型）、遗传算法、混沌优化、形态学、Gabor滤波器、支持向量机、小波变换、最大熵、分水岭算法、模糊聚类等；并尝试应用于不同类型图像的分割,如台风、道路、磁共振脑部图像、红外图像、MRI图像等.
和蚁群算法类似,粒子群算法应用于图像分割时,也常与其他的理论工具结合,以提高算法的效率和图像分割的效果.常结合的理论工具有：模糊熵、交叉熵、量子计算、Otsu、粗糙集、模糊聚类等；应用的图像分割类型有：红外图像、燃气轮叶片、农业超绿图像、遥感图像、医学图像等.
化学反应优化算法2010年才被提出,很多研究都处于起步阶段,在图像分割领域的研究还需探索.郑肇葆等[4]通过分析化学反应优化算法生成生成物的过程与图像分割求最优解的过程具有相似性,建立了图像分割与CRO的对应关系,并进一步阐述了化学反应算法应用于图形分割的具体过程.这为化学反应优化应用于图像分割提供了有益的借鉴.值得关注的是,将自然计算算法与Otsu法结合是一个可行而有效的图像分割方法.2007年唐英干等提出了基于粒子群和二维Otsu方法的快速图像分割方法[5],针对二维Otsu方法计算量大的问题,用粒子群算法来搜索最优二维阈值向量.每个粒子代表一个可行的二维阈值向量,通过粒子间的协作来获得最优阈值.实验证明该方法优于传统一维Otsu法和二维Otsu法.2009年谭枫等提出了基于文化算法和二维Otsu法的快速图像分割算法[6].利用文化算法的全局寻优能力,对图像的二维最大类间方差进行优化,通过文化算法的种群空间和信念空间的相互协作来获取二维Otsu的最佳二维阈值向量.2009年潘等提出了二维Otsu图像分割的人工鱼群算法[7],将群智能中的人工鱼群算法应用到阂值分割算法中.实验证明了该算法不仅能够对图像进行更准确的分割,而且收敛的速度更快.2012年梁建慧等提出了将人工蜂群算法应用于图像分割[
关于算法论文范文集,与自然计算在图像分割方面的应用相关毕业论文致谢参考文献资料：