| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第8-12页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文组织 | 第10-12页 |
| 第二章 群智能优化算法及图像分割基本理论 | 第12-21页 |
| 2.1 群智能优化算法 | 第12-18页 |
| 2.1.1 遗传算法 | 第12-14页 |
| 2.1.2 粒子群算法 | 第14-16页 |
| 2.1.3 人工蜂群算法 | 第16-18页 |
| 2.2 图像分割基本理论 | 第18-20页 |
| 2.2.1 图像分割 | 第18页 |
| 2.2.2 图像分割技术的分类 | 第18-20页 |
| 2.3 小结 | 第20-21页 |
| 第三章 标准萤火虫算法 | 第21-32页 |
| 3.1 萤火虫算法概述 | 第21页 |
| 3.2 萤火虫算法的具体描述 | 第21-23页 |
| 3.3 算法参数分析 | 第23-28页 |
| 3.3.1 种群规模对算法影响 | 第24页 |
| 3.3.2 光吸收系数对算法影响 | 第24-26页 |
| 3.3.3 扰动因子对算法影响 | 第26-27页 |
| 3.3.4 距离r_的幂值对算法影响 | 第27-28页 |
| 3.4 FA算法性能比较 | 第28-30页 |
| 3.4.1 参数设置及测试函数 | 第28-29页 |
| 3.4.2 实验结果与分析 | 第29-30页 |
| 3.5 萤火虫算法的应用 | 第30-31页 |
| 3.6 小结 | 第31-32页 |
| 第四章 基于分簇策略的改进萤火虫算法 | 第32-40页 |
| 4.1 基于分簇策略的萤火虫算法 | 第32-35页 |
| 4.1.1 算法的分簇策略 | 第32-33页 |
| 4.1.2 引入邻域极值的PSO进化策略 | 第33-34页 |
| 4.1.3 引入柯西分布的全局最优个体位移更新 | 第34页 |
| 4.1.4 基于分簇策略的改进萤火虫算法 | 第34-35页 |
| 4.2 基于CBFA算法的图像最大熵分割 | 第35-39页 |
| 4.2.1 最大熵分割原则 | 第35-36页 |
| 4.2.2 基于CBFA算法的图像最大熵分割 | 第36页 |
| 4.2.3 实验方法设计 | 第36-37页 |
| 4.2.4 实验结果及分析 | 第37-39页 |
| 4.3 小结 | 第39-40页 |
| 第五章 基于反向学习策略的改进萤火虫 | 第40-50页 |
| 5.1 基于反向学习策略的改进萤火虫算法 | 第40-44页 |
| 5.1.1 反向学习策略(Opposition-based Learning,OBL) | 第40-41页 |
| 5.1.2 基于自适应交叉率的差分进化算法 | 第41-43页 |
| 5.1.3 基于反向学习策略的改进萤火虫算法 | 第43-44页 |
| 5.2 基于OBLFA算法的图像最大类间方差分割 | 第44-49页 |
| 5.2.1 最大类间方差原则 | 第44-45页 |
| 5.2.2 基于OBLFA算法的图像最大类间方差分割 | 第45页 |
| 5.2.3 实验方法设计 | 第45-46页 |
| 5.2.4 实验结果及分析 | 第46-49页 |
| 5.3 小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-51页 |
| 6.1 总结 | 第50页 |
| 6.2 展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 在校期间发表论文情况 | 第54-55页 |
| 致谢 | 第55页 |