基于动态小生境的人工鱼群聚类算法及其在目标分割中的应用
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 目录 | 第8-10页 |
| 1 绪论 | 第10-16页 |
| 1.1 智能优化算法 | 第10-11页 |
| 1.2 人工鱼群算法 | 第11-12页 |
| 1.3 聚类分析研究现状 | 第12-13页 |
| 1.4 图像分割 | 第13-15页 |
| 1.5 本文内容和结构安排 | 第15-16页 |
| 2 小生境的人工鱼群聚类算法 | 第16-44页 |
| 2.1 基本鱼群算法原理 | 第16-22页 |
| 2.1.1 人工鱼模型 | 第16-17页 |
| 2.1.2 算法描述 | 第17-19页 |
| 2.1.3 鱼群行为描述 | 第19-22页 |
| 2.2 基于动态小生境的人工鱼群聚类算法 | 第22-26页 |
| 2.2.1 动态小生境算法描述 | 第23-24页 |
| 2.2.2 食物浓度函数 | 第24-26页 |
| 2.3 实验结果与分析 | 第26-42页 |
| 2.3.1 人工数据实验 | 第26-32页 |
| 2.3.2 算法收敛性能分析 | 第32-38页 |
| 2.3.3 图像分割 | 第38-42页 |
| 2.4 总结 | 第42-44页 |
| 3 改进的人工鱼群聚类算法 | 第44-56页 |
| 3.1 鱼群行为分析 | 第44页 |
| 3.2 具备记忆功能的人工鱼行为 | 第44-45页 |
| 3.3 鱼群记忆功能 | 第45-46页 |
| 3.4 基于鱼群记忆的动态小生境算法 | 第46-47页 |
| 3.5 算法性能分析 | 第47-55页 |
| 3.5.1 人工数据集实验 | 第47-52页 |
| 3.5.2 基于DNAFAM算法的图像分割 | 第52-54页 |
| 3.5.3 DNAFAM算法的时间复杂度 | 第54-55页 |
| 3.6 总结 | 第55-56页 |
| 4 基于鱼群算法的目标分割系统 | 第56-70页 |
| 4.1 图像目标分析 | 第56-57页 |
| 4.2 分割预处理 | 第57-60页 |
| 4.2.1 去除纹理影响 | 第57-59页 |
| 4.2.2 空间区域标记 | 第59-60页 |
| 4.3 空间加权的区域显著性检测 | 第60-64页 |
| 4.3.1 显著性概念和研究 | 第60-61页 |
| 4.3.2 基于直方图加速的颜色对比度 | 第61-63页 |
| 4.3.3 空间加权的区域颜色对比度 | 第63-64页 |
| 4.4 自适应目标分割 | 第64-69页 |
| 4.5 总结 | 第69-70页 |
| 5 结论 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第75-77页 |
| 学位论文数据集 | 第77页 |
