基于蚁群优化的边缘检测算法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 边缘检测 | 第11-13页 |
| 1.2.2 蚁群算法 | 第13-14页 |
| 1.3 研究内容 | 第14-17页 |
| 2 蚁群优化理论 | 第17-33页 |
| 2.1 优化理论和基本概念 | 第17-21页 |
| 2.1.1 优化问题分类 | 第18页 |
| 2.1.2 最优性条件和优化算法分类 | 第18-19页 |
| 2.1.3 优化算法分类 | 第19-20页 |
| 2.1.4 收敛条件 | 第20-21页 |
| 2.1.5 收敛准则 | 第21页 |
| 2.2 蚁群优化 | 第21-30页 |
| 2.2.1 蚁群觅食行为 | 第21-24页 |
| 2.2.2 简单蚁群优化 | 第24-27页 |
| 2.2.3 蚂蚁系统 | 第27-29页 |
| 2.2.4 蚁群算法的基本特征 | 第29-30页 |
| 2.3 元启发算法 | 第30-33页 |
| 2.3.1 粒子群优化 | 第30-31页 |
| 2.3.2 进化计算 | 第31页 |
| 2.3.3 元启发算法应用 | 第31-33页 |
| 3 蚁群优化边缘检测 | 第33-47页 |
| 3.1 恒定种群数的蚁群优化边缘检测算法 | 第33-39页 |
| 3.1.1 初始化搜索域 | 第33-34页 |
| 3.1.2 构建启发场 | 第34-36页 |
| 3.1.3 方向选择概率 | 第36-37页 |
| 3.1.4 更新信息场 | 第37-39页 |
| 3.1.5 算法步骤 | 第39页 |
| 3.2 自适应种群数量的蚁群优化算法 | 第39-47页 |
| 3.2.1 初始化搜索域并建立能量场 | 第40页 |
| 3.2.2 构建启发场和能量变化规则 | 第40-42页 |
| 3.2.3 蚁群总数变化规则 | 第42-44页 |
| 3.2.4 方向选择概率和更新信息场 | 第44-45页 |
| 3.2.5 算法步骤和流程图 | 第45-47页 |
| 4 仿真实验与结果分析 | 第47-58页 |
| 4.1 实验准备 | 第47页 |
| 4.2 性能评价方法 | 第47-48页 |
| 4.3 实验设计与结果 | 第48-58页 |
| 4.3.1 定性评价 | 第49-52页 |
| 4.3.2 车牌识别 | 第52-53页 |
| 4.3.3 高分遥感图像边缘检测 | 第53-58页 |
| 5 总结及展望 | 第58-60页 |
| 5.1 研究工作总结 | 第58页 |
| 5.2 今后工作展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 附录A 符号表 | 第66-68页 |
| 附录B 缩略语 | 第68-70页 |
| 作者简历 | 第70-72页 |
| 学位论文数据集 | 第72页 |
