混合迁移的高效BBO算法及其在图像分割中的应用

TP18%TP391.41; 针对高维多阈值分割由于维数增加带来的优化难度加大的问题以及标准生物地理学优化(biogeography-based optimization,BBO)算法效率不高的问题,提出了一种用于高维OTSU多阈值分割的高效生物地理学优化(efficient BBO,EBBO)算法.首先构建新型随机扰动变异算子,然后将此变异算子融合到启发式迁移算子中形成一种高性能的混合迁移算子,去掉了计算变异概率和设置变异参数等环节,以便提高算法的效率;其次将基于迁出率的赌轮选择方式改成无需迁出率的榜样学习选择方案,并将迁入率的多次计算变成一次计算,进一步提高算法的效率;然后将BBO算法中的...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 10; no. 10; pp. 1459 - 1468
Main Authors 张新明, 涂强, 尹欣欣
Format Journal Article
LanguageChinese
Published 河南师范大学计算机与信息工程学院,河南新乡453007 2016
河南省高校计算智能与数据挖掘工程技术研究中心,河南新乡453007%河南师范大学计算机与信息工程学院,河南新乡,453007
Subjects
生物地理学优化算法
intelligent optimization algorithm
image segmentation
智能优化算法
maximal between-cluster variance
图像分割
biogeography-based optimization algorithm
multilevel thresholding
多阈值分割
最大类间方差法
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1508028

Cover

More Information
Summary:TP18%TP391.41; 针对高维多阈值分割由于维数增加带来的优化难度加大的问题以及标准生物地理学优化(biogeography-based optimization,BBO)算法效率不高的问题,提出了一种用于高维OTSU多阈值分割的高效生物地理学优化(efficient BBO,EBBO)算法.首先构建新型随机扰动变异算子,然后将此变异算子融合到启发式迁移算子中形成一种高性能的混合迁移算子,去掉了计算变异概率和设置变异参数等环节,以便提高算法的效率;其次将基于迁出率的赌轮选择方式改成无需迁出率的榜样学习选择方案,并将迁入率的多次计算变成一次计算,进一步提高算法的效率;然后将BBO算法中的精英保留方案换成贪婪选择方法,以加快算法的收敛速度;最后将这种EBBO算法应用到高维OTSU多阈值分割中.实验结果表明,与当前的EBO算法、BDE算法、MKTO算法以及BBO算法相比,EBBO算法在高维多阈值分割中不仅有更好的优化性能和更快的运行速度,而且减少了参数设置.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1508028