一、基于遗传聚类的彩色图像分割（论文文献综述）
裴少通[1]（2019）在《基于红外紫外成像检测技术的绝缘子运行状态分析与评估》文中研究表明输变电绝缘子在长期的电、热、环境和机械应力的作用下,可能会出现绝缘劣化、老化甚至缺陷等问题,危及电力系统的安全稳定运行。绝缘子的放电或发热现象一定程度上表征着绝缘子的运行状态,因此,以往的研究主要采用紫外成像仪和红外热成像仪对绝缘子开展带电检测试验,通过研究人员设定并提取相关特征参量与试验现象进行数据分析和比对,挖掘相关诊断判据。随着人工智能技术的不断发展,当前以深度学习为典型应用的理论及方法正在引领多个行业突破发展。因此本文在红外和紫外对绝缘子带电检测技术的基础上,研究并应用图像分类、目标识别、图像分割等多个人工智能与深度学习方法。本文的研究成果努力打破红外紫外检测“人工设定复杂算法流程”的困局,实现模型端对端的训练与检测,推动红外紫外成像检测方法的评估诊断智能化。本文研究的主要内容如下:采用BP神经网络、BOA-SVM、卷积神经网络三种算法对劣化绝缘子红外图谱的评估诊断进行研究,开展输电线路劣化绝缘子在多种环境因素影响下的发热红外检测试验,简明分析了劣化绝缘子在不同的湿度、绝缘子串不同位置、不同污秽度等条件下的发热特性,整理构建劣化绝缘子与正常绝缘子的红外热成像检测图像库;采用BP神经网络算法,对比颜色直方图、颜色矩、中心线颜色向量矩阵三种特征参量对劣化绝缘子的模型训练过程及检测效果;采用贝叶斯优化的支持向量机分类评估诊断算法,实现对劣化绝缘子红外图像的分类评估诊断;改进并训练基于深度的监督学习下的机器学习模型——Lenet卷积神经网络模型,以更高的检测准确率实现对劣化绝缘子红外图像的评估诊断,并在章节小节综合分析对比以上三种算法的特点。研究基于深度学习的红外热成像的绝缘子发热目标识别算法,收集整理现场大量的异常发热红外图像,对红外图像中的异常发热点进行逐一人工标注,构建符合目标识别深度学习的可训练图像数据集。采用Faster-RCNN和YOLO-V3目标识别算法,实现对绝缘子异常发热目标点的识别并框选,可有效的屏蔽大部分无须关注的非故障发热点干扰,为红外发热异常带电检测的智能精益化巡检,提供新的思路和实现方法。研究深度卷积神经网络在绝缘子紫外放电图谱分类评估,采用FILIN紫外成像仪对瓷质绝缘子开展绝缘子工频闪络试验,建立紫外成像仪所拍摄的不同放电状态阶段类别的图谱库,改进Alexnet深度卷积神经网络模型,实现对瓷质绝缘子紫外成像检测的高准确率智能化分类评估,为绝缘子紫外闪络评估提供深度学习算法评估诊断的解决方案。研究全卷积神经网络与卷积神经网络针对绝缘子紫外污秽度检测的复合评估诊断模型。利用瓷质绝缘子污秽度紫外成像检测试验建立南非CoroCAM紫外成像仪所拍摄的不同状态类别的紫外图像库,研究全卷积神经网络模型对紫外成像仪图像的预处理算法,实现对紫外成像图谱对主光斑的分割提取以及背景噪声干扰的滤除,而后利用深度卷积神经网络模型对瓷质绝缘子紫外成像污秽度检测评估,最终形成基于全卷积与卷积复合神经网络模型的绝缘子串污秽度评估方法。研发多光路多传感的集成样机,该样机集成紫外成像、红外成像、可见光相机多光路集成一体的设计布局,结合多种微气象环境、激光测距等传感器,为多光路检测的数据修正提供更为全面的单设备多传感样机解决方案。开发绝缘子红外紫外后台诊断软件,可与多光路样机设备配合对接,使多光路检测设备具备初步诊断功能。在软件中部署本文研究的红外紫外评估相关诊断算法,实现红外紫外对绝缘子运行状态的诊断评估算法的应用。
熊璐[2]（2018）在《基于群体智能算法优化的农作物病虫害的识别技术研究》文中提出农作物病虫害分类识别研究既能帮助农民快速预防农作物病虫害,又能减少农药对生态环境的破坏。运用群体智能算法和图像处理技术能够有效解决农作物病虫害分类识别过程中所遇到的关键问题。本文以龙眼病虫害为研究对象,通过对群体智能算法的研究与改进,将群体智能算法应用在彩色病虫害图像预处理、彩色病虫害图像分割、彩色病虫害图像多特征提取以及彩色病虫害图像识别等方面展开研究。本文所做的科研工作总结如下:（1）针对传统粒子群算法应用在图像识别的各个环节目标优化时存在收敛速度慢和易陷入局部最优等问题,提出相应的改进思路。从两个方面来改进混沌粒子群算法:一是提出了一种基于混沌理论的二进制粒子群算法（CBPSO）,通过将混沌变量相互转化离散的二进制向量,改善算法对离散问题处理的局限性,提升算法的处理速度;二是提出了一种基于自适应调整的混沌粒子群算法（ACPSO）,通过对惯性权重的动态调整,提升算法的搜索效率,提高算法的搜索准确性。实验表明改进的算法在精度方面和稳定性方面是有效的。（2）针对彩色病虫害图像存在图像背景较为复杂、后期难以分割等问题,提出了一种基于混沌粒子群算法和模糊聚类的彩色病斑图像分割方法,首先将颜色空间由RGB颜色空间转换成HIS颜色空间,然后提出了一种混沌粒子群算法和模糊聚类相融合的算法（CPSO-FCM）,将每个颜色分量经过算法处理后得到相应的分割图,最后通过颜色空间转换成RGB颜色空间,从而实现分割的效果。（3）针对农作物病虫害彩色图像噪声大,边缘模糊等问题,提出了一种基于Otsu和分水岭算法的彩色病斑图像分割方法,首先提出了一种不受反射亮光影响的因子的新彩色空间,然后采用数学形态学开闭重建技术对图像进行重建,减少和消除因细节和噪声干扰造成的分水线位置偏移,可有效解决分水岭算法过分割问题。与其他的分割方法比较,效果较好,性能有明显的提高。（4）针对病虫害识别的问题提出对特征提取的研究,给出了一种颜色、纹理、形状以及局部特征等多特征融合的特征表示方案。为了使得所提取的特征鲁棒可靠,对于颜色特征,给出新彩色空间和颜色矩融合进行特征提取与表示;对于纹理特征,将灰度共生矩阵与局部二进制模式融合进行特征提取与表示;对于形状特征,将Hu不变矩方法进行特征提取与表示;对于局部特征,对原有的SURF方法旋转45度后进行特征检测,并运用金字塔模型对特征进行描述。最后采用多种方法（主成分分析法、二进制混沌粒子群算法）对生成的特征进行优化选择。从实验分析结果可知,基于二进制混沌粒子群算法对生成的特征选择优于主成分分析法,同时说明此方法是一个有效的方法。（5）首先,针对彩色病虫害图像进行识别分类时,由于SVM模型的参数不确定性,分别采用自适应混沌粒子群算法与粒子群算法来获取SVM参数。然后将提取到的图像特征作为模型的原始输入数据,并对其进行分类,可克服传统SVM模型对农作物病虫害分类时所面临的随机性和盲目性。使用交叉验证法对不同的PSO算法参数进行实验,结果表明龙眼病虫害藻斑病ACPSO-SVM方法比PSO-SVM方法分类正确率低一点,其他病虫害的分类准确率均比PSO-SVM方法高,但从运行效率上看,ACPSO-SVM所需处理时间仅为PSO-SVM所需时间的88.94%,同时ACPSO-SVM算法实现起来也相对简单。本章所提出的基于自适应混沌粒子群算法的支持向量机的病虫害识别方法,具有较好的分类准确率,是一种有效的方法。
杨红亚,赵景秀,徐冠华,刘爽[3]（2018）在《彩色图像分割方法综述》文中提出图像分割是图像分析中一个非常重要的预处理步骤,分割效果将直接影响到后续任务的有效性。彩色图像相较于灰度图像更接近人类的视觉特性,因此对彩色图像的研究更为重要。对当前比较常用的一些彩色图像分割方法进行了综述,阐述了基于阈值、基于聚类、基于区域以及基于特定理论的几类分割方法各自的优缺点和应用场景。最后根据基于过完备字典的稀疏表示能够刻画图像细节信息、实现图像最优逼近的特点,提出将其推广至彩色图像分割的研究思路。
吴迪,刘伟峰,胡胜,胡灵芝,胡俊华[4]（2017）在《基于Lab空间的K均值聚类彩色图像分割》文中进行了进一步梳理针对运用RGB和HSV空间进行图像分割时的分割精度低和处理速度慢等问题,提出一种基于Lab颜色空间的K均值聚类彩色图像分割方法。将待分割彩色图像从三通道分量高度线性相关的RGB颜色空间转换到均匀的Lab颜色空间;再将图像的每个像素点视为一个样本点分解得到L,a和b的3个特征分量;并对其进行K均值聚类,将颜色相近的像素点划分到同一类簇中,为每个像素点分配类标签以实现图像分割。通过选取的彩色图像进行分割实验,结果显示文中所提方法能够对复杂场景下的彩色进行有效分割,同时显着提高了分割效率。
吴笑鑫[5]（2017）在《彩色图像分割技术研究》文中进行了进一步梳理将图像中有价值的区块分割出来,这是机器视觉和模式识别技术的基础环节和重要部分。因为彩色图像具有更多的内容,所以其包含的信息量会多于灰度图像,随着彩色图像的多样化,呈现方式的复杂化,彩色图像被人们更多地应用于各种场合。本文提出了一种新的基于HSV彩色空间模型的标记分水岭分割算法,将基于最大梯度值的多尺度结构元素的标记分水岭变换和自动种子区块增长算法结合使用,具体内容如下:首先将原始彩色图像由RGB彩色模型变换为HSV彩色模型,依次针对H、S、V三个分量,选取最大半径为m的“disk”结构元素,采用基于最大梯度值的多尺寸结构元素实现形态学开闭重建,并标记出各梯度图像的深局部极小值,而后进行分水岭变换。改进分水岭方法结合了多尺寸结构元素对图像的影响,如此可以改善过分割现象。通过自动阈值选择种子区块进行区块增长,本文选择的方法是一种基于色调平均值差的方法来选取种子区块,假如当前选定的种子区块与其相邻区块的相对欧式距离不超过一个阂值T,那么将这两个区块实现和并。这不仅使得计算量减轻,还能取得较好的效果。最后进行极小区块的合并。本文方法通过VC++6.0+matlab实现仿真计算,通过和直观定义的分水岭分割方法对比,结论显示本文方法效果更好。为了准确地评价图像分割的有效性,对150幅样本图片进行了分割实验,结果显示分割成功率为92%,说明本文算法是有效可行的。
邓晓政[6]（2014）在《基于免疫克隆选择优化和谱聚类的复杂图像分割》文中提出近年来,数字图像处理已成为信息科学、计算机科学、生物医学、军事学甚至社会科学等领域中各学科竞相学习和研究的对象。图像分割则是数字图像处理和计算机视觉领域的关键技术和经典难题,其质量决定了更高层的图像分析和理解的效果。图像分割问题可以建模为不同的数学模型,借由不同的优化方法求解。免疫克隆选择优化是最近人工智能研究者研究的新热点和新领域,其借鉴了生物免疫系统内部蕴含丰富的信息处理机理和功能,所以可以提供新颖的解决图像分割问题的方法和途径。另外,谱聚类算法目前在模式识别领域得到了重视,与传统的聚类算法相比,可以应用于非凸且交叠严重的数据集上,而且不会陷入局部最优。但是将其应用于图像分割领域仍然存在不少困难。针对目前图像分割技术普遍存在的若干问题,提出了多种新颖有效的算法和实现策略。本论文的主要工作概括如下:1.很多基于聚类的图像分割算法面对大尺寸图像以及其特征空间内含有大量的噪声和异常点时,往往会影响分割的效率和质量。于是,根据免疫克隆选择理论,提出了一个混合免疫克隆k-medoids聚类算法,并将其应用于图像分割中。该算法有以下几个特点:首先,使用TurboPixels超像素算法将待分割图像进行过分割,其目的是降低空间和时间复杂度;其次,设计了一个合适的变异策略并结合一个新颖的局部启发式搜索算子,新算法可以较快较好的得到全局最优解;最后,被优化求解的对象是k-medoids聚类问题,因为它对噪声和异常点不敏感。在实验部分,选取多个人工数据集和多幅典型图像,并对比经典的k-means算法、RARWGA算法以及GCA算法,新算法都显示出较优的性能。2.聚类算法在对图像进行分割过程中,通常要面对如何自动确定聚类类别数、如何克服图像特征点分布复杂的流形结构、如何减少算法运行的时间。针对上述迫切需要解决的问题,提出了两个流形距离的自动免疫克隆聚类图像分割算法。这两种算法的优点是:第一,可以自动确定聚类个数,不需要人为事先给定;第二,使用流形距离可以反映空间分布复杂的流形数据;第三,使用SLIC超像素而非像素来降低图像的分割时间。通过对多组人工数据集和复杂自然图像进行测试,并对比着名的k-means算法和GCUK算法,结果表明这两种流形距离的自动免疫克隆聚类图像分割算法优势比较明显,具有一定的实用性和先进性。3.彩色图像分割可以看成是对像素点在颜色特征空间的分类问题。所以彩色图像分割方法有两大关键技术需要解决:第一是如何选取合适的颜色特征空间;第二是如何选取合适的像素点分类器。论文中提出了一个基于克隆选择和多重空间构造的彩色图像分割算法,该方法首先将一些经典的颜色分量分为亮度成分、单频光谱成分、双频光谱成分、多频光谱成分,利用主分量分析（PCA）技术分别对这四组分量进行计算,得到最具有识别能力的颜色分量来构造多重颜色空间;然后,对待分割彩色图像选取训练样本,使用克隆选择算法对每类训练样本进行训练,获得全局最佳的聚类中心;最后,使用这些聚类中心对整幅彩色图像进行分割。由于该方法结合了克隆选择算法的非线性分类能力,通过对彩色图像自适应的构造最佳多重颜色空间,能够快速有效的得到分割结果,克服了传统分割方法的缺点。通过实验表明,新方法对彩色图像同质区的分割均匀,边缘保持度好。此外,新方法对彩色图像的亮度和纹理变化不敏感,鲁棒性较强。4.使用谱聚类算法对SAR图像进行分割,存在几个需要解决的问题:使用逼近的谱聚类算法虽然可以降低计算复杂度,但分割结果会受到随机采样的影响;谱聚类算法对核函数的尺度参数比较敏感;空间信息的权重如何选择。据此,提出了一个基于非负矩阵分解的谱聚类集成SAR图像分割算法。根据集成学习理论,首先按照不同的采样点集合、随机尺度参数、随机空间信息权重等策略产生具有多样性的分割个体,避免了精确人工选择,然后使用具有明确物理意义的非负矩阵分解的方法来合并这些分割结果,得到最终的集成结果。通过对纹理图像和SAR图像的仿真实验表明,该算法无论是定性还是定量分析都是较好的。
张语涵[7]（2010）在《基于区域的彩色图像分割方法研究》文中指出图像分割是图像工程中一项基础而且十分关键的技术,它是图像分析和图像识别过程中首先要面临的问题,随着计算机处理能力的提高及对彩色图像应用的增加,彩色图像分割便受到了研究者们越来越多的关注和青睐。彩色图像的分割方法可以看作是灰度图像分割方法的一种延伸,但是很多原有的灰度图像的分割方法并不能直接应用在彩色图像上,这就需要我们结合彩色图像丰富的信息特征将原有灰度图像分割方法进行改进,或者是研究出一种分割方法专门用于彩色图像的分割。本文的研究工作主要为:将改进的ISODATA算法和K-means聚类算法相结合,提出一种基于区域的彩色图像分割方法。首先选择合适的彩色空间,提取出图像中的每个像素点的颜色、纹理、位置等综合特征,形成特征向量空间;在特征空间中,首先用改进的ISODATA算法求出最佳聚类数目和初始聚类中心,然后利用K-均值聚类算法进行聚类和图像区域分割,最后抽取出图像区域的特征,并与相类似的方法进行了比较实验。为了分析本文所提出的分割方法的性能,我们用多幅图像对其进行验证并对结果进行了分析。实验结果表明,本文所提出的图像分割算法速度较快,分割结果较精确。
谭志存[8]（2009）在《遗传聚类算法及其在图像分割中的应用》文中研究指明图像分割是依据图像的灰度、颜色、或几何性质将图像中具有特殊意义的不同区域分开,而且这些区域互不相交,每个区域都是满足特定区域的一致性。但对图像进行分割在一般意义下十分因难,目前的图像分割算法都是针对分割对象的技术,与具体问题相关。因此,研究有效的图像分割算法至关重要。在图像分割中,由于图像信息本身的复杂性和它们之间有较强的相关性,在处理过程中分割的准确性很可能受到影响,因此将遗传聚类方法应用于图像分割,在一些场合比传统分割方法具有更好的效果。遗传算法作为一种智能优化算法,是借鉴自然界选择和遗传机制的随机化搜索算法,其主要特点是在搜索空间中同时在很多点进行求解,利用随机规则引导搜索,且搜索不依赖于梯度信息,尤其适用于处理传统搜索方法难于解决的复杂和非线性问题。而聚类是一种无监督学习方法,目的是将一个数据集合划分成若干个类,使同一个类中的对象尽可能地相似,而在不同类中的对象间差异尽可能大。图像分割就是将图像中感兴趣部分提取出来,即将图像进行分类,因此可以将图像分割视为一种聚类。K-均值聚类算法具有较强的局部搜索能力,但它对初始聚类中心非常敏感,而且容易陷入局部最小值。将遗传算法和K-均值聚类算法结合起来,利用遗传算法的全局寻优能力和K-均值聚类算法的局部搜索能力,以得到易于处理、分割精度高和实用性强的解决方案,是一种具有发展潜力的图像分割方法。本论文围绕遗传聚类算法的改进及其在图像分割中的应用主要做了以下工作。（1）针对传统遗传算法早熟收敛或不收敛现象,提出一种基于改进遗传算法最大类间方差的图像分割算法,把类间方差作为适应度函数,利用遗传算法的全局搜索性来寻找最大类间方差而实现图像分割。该算法首先将每一代种群中的局部最优个体都保存起来,作为全局最优解的候选解,同时也将它无条件进入下一代,并不替换当前种群中适应度最低的个体。然后利用待分割图像的直方图作为先验知识,缩小初始种群的选取范围,避免了传统遗传算法因缺少先验知识而盲目地随机产生初始种群的缺点。最后采用“双自适应交叉概率”进行交叉操作,即利用基于染色体的交叉概率和基于基因位的交叉概率实现交叉概率自适应地变化,并且每迭代一次都对其概率值进行归一化,不但有效地保护优秀个体、及时淘汰劣势个体,而且充分体现了各个基因位的重要性不是等同的。（2）为了克服上述最大类间方差图像分割方法的局限性以及实现对噪声图像的分割,将K-均值聚类算法和改进的遗传算法结合起来,提出一种改进的遗传K-均值聚类算法实现图像分割。像素的特征向量充分考虑了灰度信息和空间信息,根据需要可以方便地对像素的特征向量进行扩充。算法对特征分量设定权系数,实现其可调性,以增强分割效果和实用性。利用二进制编码的染色体与隶属矩阵之间的相互关系,得到隶属矩阵的快速计算方法,避免传统聚类算法求解隶属矩阵速度慢的缺点。实验结果表明改进后的遗传K-均值聚类算法能快速收敛到全局最优,取得了较好的分割结果,同时算法对加有高斯噪声的图像也具有较好的抗噪能力。
谈蓉蓉[9]（2009）在《利用颜色和形状特征的杂草识别方法研究》文中进行了进一步梳理随着计算机技术的普及推广,精准农业模式的提出,应用计算机视觉、图像处理技术进行农作物中的杂草识别与控制成为可能。而对除草剂的变量喷洒技术而言,首要问题就是如何准确地采集田间杂草分布信息,并确定田间杂草的情况（位置、密度或种类等）从而实现精细喷洒。本文在总结国内外相关研究的基础上,以农田杂草为研究对象,重点研究杂草的颜色特征、颜色与形状特征相结合的提取及识别方法,实现对田间杂草的有效识别。为去除噪声的影响,首先对自然光照条件下采集的原始农田杂草图像进行图像预处理。针对麦田苗期的杂草与小麦相互交杂生长特点,本文提出一种基于遗传聚类和形态滤波识别杂草的方法。文中选取颜色空间OHTA中I2′分量作为特征量;利用基于遗传算法的自动阈值选取方法对特征分量I2′进行阈值分割初步分离杂草与小麦;通过颜色聚类和形态滤波获得准确的杂草区域。试验结果表明:直接在彩色空间进行分割,可提高彩色图像的分割效果,利用该方法获得的杂草平均正确识别率达到90.47%。根据棉花苗期的田间情况,发现棉花与常见杂草颜色相近,仅利用颜色特征不容易有效识别。本文综合颜色和形状特征对棉花田的杂草作初步研究,计算棉花田常见杂草的形状特征参数,为建立杂草特征数据库做准备。主要计算常见杂草的圆形度、伸长度、离散度和圆度四个具有RST不变性形状特征参数,与面积、周长等其他参数。可利用该数据库提供的特征数据进行组合分类训练,实现杂草的有效识别。本课题研究的田间杂草特征提取及识别方法,对实现杂草的准确定位与除草剂的变量喷洒提供了可行方案,对开发基于机器视觉的田间自动除草系统,提高我国农业生产自动化水平,具有重要的学术意义和实用价值。
张学习,杨宜民[10]（2008）在《混合智能算法在彩色图像分割中的应用研究》文中认为对颜色空间做了全面地介绍,对当前传统的彩色图像分割技术进行了较为系统的论述,通过比较发现传统的单一分割算法在彩色图像分割中都不可避免地存在一定的不足与缺陷。而以神经网络、遗传算法和蚁群算法等智能算法进行图像分割时,由于从不同侧面反映了人类视觉感知的智能性、并行性,取得了较好的效果,推动了图像分割向智能化方向发展,但其在理论和实践上都没有达到让人满意的程度。因此,可以根据实际情况组合不同的算法,分层次地分割图像,寻找符合人类视觉感知特性的有效的彩色图像分割混合智能算法,从而弥补单一算法对彩色图像分割的不足。
二、基于遗传聚类的彩色图像分割（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于遗传聚类的彩色图像分割（论文提纲范文）
（1）基于红外紫外成像检测技术的绝缘子运行状态分析与评估（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外成像检测技术研究现状 |
| 1.2.2 紫外成像检测技术研究现状 |
| 1.2.3 深度学习算法研究进展及现状 |
| 1.2.4 深度学习在电力行业研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 劣化绝缘子红外成像智能评估诊断方法 |
| 2.1 不同因素影响下的劣化绝缘子发热红外检测试验 |
| 2.1.1 试验平台及步骤 |
| 2.1.2 不同因素影响下的试验结果分析 |
| 2.1.3 劣化绝缘子红外图像库的构建 |
| 2.2 基于BP神经网络的劣化绝缘子诊断方法 |
| 2.2.1 BP神经网络模型的构建 |
| 2.2.2 BP神经网络拓扑结构的确定 |
| 2.2.3 三种特征量下的故障诊断模型分析评估 |
| 2.3 基于BOA-SVM分类器的劣化绝缘子诊断方法 |
| 2.3.1 贝叶斯优化支持向量机模型 |
| 2.3.2 BOA-SVM分类评估算法模型分析评估 |
| 2.4 基于卷积神经网络的劣化绝缘子诊断方法 |
| 2.4.1 卷积神经网络模型的结构与原理 |
| 2.4.2 卷积神经网络算法实现及结果分析 |
| 2.5 本章小结 |
| 第3章 基于深度学习的红外热成像的绝缘子异常发热目标识别算法研究 |
| 3.1 绝缘子红外异常发热图像库的构建 |
| 3.1.1 绝缘子异常发热原理 |
| 3.1.2 绝缘子异常发热数据集构建 |
| 3.2 FASTER-RCNN发热目标识别检测算法 |
| 3.2.1 Faster-RCNN损失函数介绍 |
| 3.2.2 Faster-RCNN模型网络综合训练 |
| 3.3 FASTER-RCNN发热目标识别结果分析 |
| 3.3.1 Faster-RCNN检测误差分析 |
| 3.3.2 Faster-RCNN模型训练过程分析 |
| 3.3.3 Faster-RCNN深度学习算法与传统发热检测算法对比分析 |
| 3.4 YOLO-V3发热目标识别检测算法 |
| 3.4.1 YOLO-V3算法基本原理 |
| 3.4.2 YOLO-V3算法实现及结果分析 |
| 3.4.3 YOLO-V3应用测试和效果比对 |
| 3.5 本章小结 |
| 第4章 基于深度卷积神经网络模型的瓷质绝缘子紫外成像闪络评估方法研究 |
| 4.1 构建紫外放电图谱的样本库 |
| 4.1.1 瓷质绝缘子闪络试验方法 |
| 4.1.2 紫外闪络样本图片库的构建 |
| 4.2 卷积神经网络模型的结构与原理 |
| 4.2.1 卷积神经网络的原理结构 |
| 4.2.2 卷积神经网络的训练方法 |
| 4.3 深度卷积神经网络紫外图谱放电程度评估分类算法实现 |
| 4.3.1 卷积神经网络对紫外图谱放电程度评估算法实现 |
| 4.3.2 卷积神经网络的特征提取可视化分析 |
| 4.3.3 卷积神经网络训练过程及准确率分析 |
| 4.4 本章小结 |
| 第5章 基于FCN-CNN模型的瓷质绝缘子紫外成像污秽度评估算法研究 |
| 5.1 不同污秽度的瓷质绝缘子串紫外成像检测试验 |
| 5.1.1 试验平台的搭建 |
| 5.1.2 试验方法及步骤 |
| 5.1.3 紫外图像特征参量的提取 |
| 5.2 基于全卷积神经网络的紫外成像预处理方法 |
| 5.2.1 紫外放电光斑样本训练数据集构建 |
| 5.2.2 全卷积神经网络算法理论 |
| 5.2.3 紫外放电光斑分割模型测试试验 |
| 5.2.4 试验结果分析 |
| 5.3 基于深度卷积神经网络的绝缘子污秽度评估方法 |
| 5.4 本章小结 |
| 第6章 红外紫外成像检测技术的绝缘子运行状态综合检测系统 |
| 6.1 红外紫外可见光多光路成像检测设备的研制 |
| 6.1.1 整体架构介绍 |
| 6.1.2 光学系统 |
| 6.1.3 整机集成 |
| 6.2 红外紫外图片后台诊断软件的开发 |
| 6.2.1 系统简介 |
| 6.2.2 主要技术简介 |
| 6.2.3 界面介绍及功能说明 |
| 6.3 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（2）基于群体智能算法优化的农作物病虫害的识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 前言 |
| 1.1 课题来源 |
| 1.2 研究背景与意义 |
| 1.3 研究现状分析 |
| 1.3.1 粒子群算法 |
| 1.3.2 病虫害图像分割方法 |
| 1.3.3 病虫害图像特征提取方法 |
| 1.3.4 病虫害图像识别方法 |
| 1.4 研究目标与内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 论文结构 |
| 第2章 粒子群算法 |
| 2.1 粒子群算法相关理论 |
| 2.1.1 粒子群算法基本形式 |
| 2.1.2 粒子群算法基本流程 |
| 2.1.3 粒子群算法的改进 |
| 2.2 基于混沌理论的粒子群算法 |
| 2.2.1 混沌的定义 |
| 2.2.2 基于混沌理论的改进思路 |
| 2.2.3 CPSO算法描述 |
| 2.2.4 CPSO算法分析 |
| 2.3 混沌二进制粒子群算法 |
| 2.3.1 CBPSO算法描述 |
| 2.3.2 CBPSO算法分析 |
| 2.4 自适应混沌粒子群算法 |
| 2.4.1 ACPSO算法描述 |
| 2.4.2 ACPSO算法分析 |
| 2.5 本章小结 |
| 第3章 图像采集与图像预处理 |
| 3.1 图像获取 |
| 3.1.1 研究对象的主要病害 |
| 3.1.2 图像获取 |
| 3.2 彩色图像预处理 |
| 3.2.1 高斯滤波 |
| 3.2.2 直方图均衡 |
| 3.2.3 中值滤波 |
| 3.2.4 图像锐化 |
| 3.3 预处理结果与分析 |
| 3.4 本章小结 |
| 第4章 彩色病虫害图像分割方法 |
| 4.1 图像分割技术 |
| 4.1.1 图像分割技术概述 |
| 4.1.2 彩色图像分割算法分析 |
| 4.2 彩色空间 |
| 4.2.1 彩色空间分析 |
| 4.2.2 基于新彩色空间的选择 |
| 4.3 基于Otsu和分水岭算法的彩色病斑图像分割方法 |
| 4.3.1 算法描述 |
| 4.3.2 梯度计算 |
| 4.3.3 开闭重建标记提取 |
| 4.3.4 Otsu阈值处理 |
| 4.3.5 分水岭分割 |
| 4.4 基于混沌粒子群算法和模糊聚类的彩色病斑图像分割方法 |
| 4.4.1 算法描述 |
| 4.4.2 模糊聚类分析 |
| 4.4.3 特征距离 |
| 4.4.4 CPSO-FCM算法设计 |
| 4.5 结果与分析 |
| 4.6 本章小结 |
| 第5章 彩色病虫害图像的多特征提取方法 |
| 5.1 颜色特征提取 |
| 5.1.1 颜色特征提取方法 |
| 5.1.2 基于新颜色空间和颜色矩的颜色特征提取方法及分析 |
| 5.2 纹理特征提取 |
| 5.2.1 纹理特征提取方法 |
| 5.2.2 基于GLCM和LBP的纹理特征提取方法及分析 |
| 5.3 形状特征提取 |
| 5.3.1 形状特征提取方法 |
| 5.3.2 基于Hu不变矩的形状特征提取方法及分析 |
| 5.4 局部特征提取 |
| 5.4.1 局部特征提取方法 |
| 5.4.2 基于改进的SURF的局部特征提取方法及分析 |
| 5.5 特征选择 |
| 5.5.1 基于主成分分析法的多特征选择算法 |
| 5.5.2 基于二进制混沌粒子群算法的多特征选择算法 |
| 5.6 结果与分析 |
| 5.6.1 样本数据的选择 |
| 5.6.2 结果分析 |
| 5.7 .本章小结 |
| 第6章 彩色病虫害图像识别方法 |
| 6.1 支持向量机 |
| 6.1.1 概述 |
| 6.1.2 支持向量机参数优化选择 |
| 6.2 基于PSO-SVM的农作物病虫害识别方法 |
| 6.2.1 PSO-SVM分类算法 |
| 6.2.2 结果与分析 |
| 6.3 基于ACPSO-SVM的农作物病虫害识别方法 |
| 6.3.1 ACPSO-SVM分类算法 |
| 6.3.2 结果与分析 |
| 6.4 有效支持向量机参数选择方法分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读博士学位期间的科研成果 |
（3）彩色图像分割方法综述（论文提纲范文）
| 0 引言 |
| 1 基于阈值的分割方法 |
| 1.1 直方图阈值法 |
| 1.2 最大类间方差法 |
| 2 基于聚类的分割方法 |
| 2.1 K-均值聚类 |
| 2.2 模糊C均值聚类 |
| 3 基于区域的分割方法 |
| 3.1 区域生长与区域合并 |
| 3.2 分水岭分割方法 |
| 4 基于特定理论的分割方法 |
| 4.1 人工神经网络 |
| 4.2 遗传算法 |
| 4.3 基于颜色模型的方法 |
| 5 图像稀疏表示理论研究 |
| 6 总结展望 |
（4）基于Lab空间的K均值聚类彩色图像分割（论文提纲范文）
| 1 Lab颜色空间转换 |
| 2 彩色图像的K均值聚类 |
| 3 K均值聚类彩色图像分割 |
| 4 实验结果与分析 |
| 5 结束语 |
（5）彩色图像分割技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 图像分割的概念 |
| 1.3 彩色图像分割的研究现状 |
| 1.4 研究内容的组织和安排 |
| 2 彩色图像分割概述 |
| 2.1 常用的颜色空间介绍 |
| 2.2 颜色空间的选择 |
| 2.3 常用的彩色图像分割方法 |
| 2.3.1 阈值化分割方法 |
| 2.3.2 基于边缘的分割方法 |
| 2.3.3 基于区块的分割方法 |
| 2.3.4 基于聚类的分割方法 |
| 2.3.5 基于模型的分割方法 |
| 2.3.6 基于特定理论工具的分割方法 |
| 3 分水岭分割算法 |
| 3.1 分水岭算法的原理 |
| 3.2 常用的分水岭分割算法 |
| 3.3 形态学梯度及重建 |
| 3.3.1 形态学梯度 |
| 3.3.2 形态学重建 |
| 3.4 标记的提取 |
| 3.5 基于HSV彩色空间的改进分水岭分割算法详述 |
| 4 基于自动种子区块增长的算法 |
| 4.1 区块增长算法 |
| 4.1.1 自动阈值的选取 |
| 4.1.2 种子区块的自动选取 |
| 4.1.3 自动种子区块增长方法介绍 |
| 4.1.4 算法详述 |
| 4.2 极小区块消除算法 |
| 5 结合分水岭与区块增长算法的实现 |
| 5.1 算法实现 |
| 5.2 实验结果与比较 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（6）基于免疫克隆选择优化和谱聚类的复杂图像分割（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 数字图像处理的研究背景与意义 |
| 1.2 数字图像处理的概念与步骤 |
| 1.2.1 数字图像处理的概念 |
| 1.2.2 数字图像处理的基本步骤 |
| 1.3 图像分割的研究意义 |
| 1.4 图像分割方法 |
| 1.4.1 图像分割定义 |
| 1.4.2 图像分割方法分类 |
| 1.5 图像分割评价 |
| 1.5.1 定性分析准则 |
| 1.5.2 定量分析准则 |
| 1.5.3 定量实验准则 |
| 1.6 人工免疫系统 |
| 1.6.1 人工智能与人工免疫系统 |
| 1.6.2 人工免疫系统算法的研究与应用 |
| 1.7 谱聚类 |
| 1.7.1 谱图划分 |
| 1.7.2 谱聚类算法的实现 |
| 1.7.3 谱聚类研究与应用 |
| 1.8 本论文的内容安排 |
| 第二章 基于混合免疫克隆k-medoids聚类的图像分割算法 |
| 2.1 引言 |
| 2.2 划分式聚类算法 |
| 2.2.1 k-means算法 |
| 2.2.2 k-medoids算法 |
| 2.3 TurboPixels超像素算法 |
| 2.4 免疫克隆选择算法 |
| 2.4.1 算法术语定义 |
| 2.4.2 算法基本操作定义 |
| 2.5 算子设计 |
| 2.5.1 抗体编码 |
| 2.5.2 变异算子 |
| 2.5.3 局部启发式算子 |
| 2.6 算法实现策略 |
| 2.7 实验结果对比分析 |
| 2.7.1 人工数据集实验 |
| 2.7.2 图像分割实验 |
| 2.8 本章小结 |
| 第三章 流形距离的自动免疫克隆聚类图像分割算法 |
| 3.1 引言 |
| 3.2 流形距离 |
| 3.3 超像素算法 |
| 3.3.1 超像素算法对比 |
| 3.3.2 SLIC超像素算法 |
| 3.4 非自动(已知聚类类别数)的流形距离免疫克隆聚类 |
| 3.5 聚类有效性指标 |
| 3.5.1 经典的聚类有效性指标 |
| 3.5.2 流形距离的聚类有效性指标 |
| 3.6 AICCMD_1 算法实现策略 |
| 3.7 AICCMD_2 算法实现策略 |
| 3.7.1 抗体设计 |
| 3.7.2 算法流程 |
| 3.8 实验对比分析 |
| 3.8.1 人工数据集聚类实验 |
| 3.8.2 图像分割实验 |
| 3.9 本章小结 |
| 第四章 基于克隆选择和多重空间构造的彩色图像分割 |
| 4.1 引言 |
| 4.2 颜色空间 |
| 4.3 主分量分析技术 |
| 4.4 方法实现策略 |
| 4.5 实验结果分析 |
| 4.5.1 实验对比方法 |
| 4.5.2 实验参数设置 |
| 4.5.3 结果对比分析 |
| 4.6 算法的计算复杂度分析 |
| 4.7 本章小结 |
| 第五章 基于非负矩阵分解的谱聚类集成SAR图像分割 |
| 5.1 引言 |
| 5.2 谱聚类算法 |
| 5.3 基于Nystrom&&逼近的谱聚类算法 |
| 5.4 基于非负矩阵分解的合并方法 |
| 5.5 方法实现策略 |
| 5.6 实验结果分析 |
| 5.6.1 纹理图像分割实验 |
| 5.6.2 SAR图像分割实验 |
| 5.7 算法时间复杂度分析 |
| 5.8 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于区域的彩色图像分割方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 图像分割的应用领域 |
| 1.3 彩色图像分割技术的现状 |
| 1.4 论文的组织结构 |
| 2 彩色图像分割基础 |
| 2.1 引言 |
| 2.2 颜色的基本特征 |
| 2.2.1 彩色三要素 |
| 2.2.2 三基色表示原理 |
| 2.3 颜色空间及分析 |
| 2.3.1 颜色空间 |
| 2.3.2 RGB 彩色空间 |
| 2.3.3 由RGB 空间线性变换得到的空间 |
| 2.3.4 由RGB 空间非线性变换得到的空间 |
| 2.4 纹理特征及提取方法 |
| 2.4.1 统计法 |
| 2.4.2 频谱法 |
| 2.4.3 结构法 |
| 2.5 彩色图像分割方法 |
| 2.5.1 直方图阈值法 |
| 2.5.2 特征空间聚类 |
| 2.5.3 边缘检测 |
| 2.5.4 基于区域的分割 |
| 2.5.5 模糊方法 |
| 2.5.6 人工神经网络 |
| 2.5.7 基于物理模型的方法 |
| 2.6 本章小结 |
| 3 聚类技术 |
| 3.1 聚类概述 |
| 3.2 主要的聚类方法 |
| 3.2.1 划分方法 |
| 3.2.2 层次方法 |
| 3.2.3 局部方法 |
| 3.2.4 模型方法 |
| 3.2.5 迭代最优化方法 |
| 3.3 本章小结 |
| 4 基于区域的图像分割方法 |
| 4.1 颜色空间的选择 |
| 4.2 特征点的提取及特征空间的构造 |
| 4.2.1 颜色特征的提取 |
| 4.2.2 纹理特征的提取 |
| 4.2.3 空间位置关系特征的提取 |
| 4.2.4 特征空间的构造 |
| 4.3 改进的ISODATA 算法与 K-means 算法的结合 |
| 4.4 基于区域的图像分割 |
| 4.5 实验结果及分析 |
| 4.5.1 图像分割实现流程 |
| 4.5.2 实验结果分析 |
| 4.5.3 实验结论 |
| 结论 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（8）遗传聚类算法及其在图像分割中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 图像分割算法的发展和研究现状 |
| 1.2 智能算法在图像分割中的应用 |
| 1.3 本文的研究目的和内容安排 |
| 第二章 应用遗传聚类算法进行图像分割的基本理论 |
| 2.1 图像分割算法的基本理论 |
| 2.1.1 图像分割的基本概念 |
| 2.1.2 图像分割的基本方法 |
| 2.2 图像分割的定量评价 |
| 2.3 遗传算法的基本原理 |
| 2.3.1 遗传算法的发展历程 |
| 2.3.2 遗传算法的基本流程 |
| 2.3.3 遗传算法的理论基础 |
| 2.3.4 遗传算法的优点 |
| 2.3.5 遗传算法的不足之处 |
| 2.4 聚类分析理论概述 |
| 2.4.1 聚类分析的起源与发展 |
| 2.4.2 聚类的定义 |
| 2.4.3 聚类算法的种类 |
| 2.4.4 聚类算法的基本数据结构类型 |
| 2.4.5 聚类中的距离公式 |
| 2.5 本章小结 |
| 第三章 基于改进遗传算法最大类间方差的图像分割 |
| 3.1 最大类间方差阈值分割原理 |
| 3.2 基于改进遗传算法最大类间方差的图像分割 |
| 3.3 实验结果与分析 |
| 3.4 本章小节 |
| 第四章 改进的遗传K-均值聚类算法在图像分割中的应用 |
| 4.1 K-均值聚类算法描述 |
| 4.2 遗传K-均值聚类算法 |
| 4.2.1 遗传算法和K-均值聚类算法的结合 |
| 4.2.2 基于遗传算法的K-均值聚类目标函数 |
| 4.3 改进的遗传K-均值聚类算法在图像分割中的应用 |
| 4.4 实验结果及分析 |
| 4.5 本章小节 |
| 第五章 总结与进一步研究工作 |
| 参考文献 |
| 致谢 |
| 在学期间所发表的文章 |
（9）利用颜色和形状特征的杂草识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 颜色特征识别方法 |
| 1.2.2 形状特征识别方法 |
| 1.2.3 纹理特征识别方法 |
| 1.2.4 多特征融合识别方法 |
| 1.3 主要研究内容和方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 实验设计方案 |
| 1.4 本章小结 |
| 第二章 实验系统的构成及图像采集 |
| 2.1 实验系统的硬件构成 |
| 2.2 图像采集 |
| 2.3 图像的色彩模式 |
| 2.4 彩色空间的选择 |
| 2.5 本章小结 |
| 第三章 图像预处理以及图像算法的选择 |
| 3.1 图像预处理 |
| 3.1.1 邻域平均滤波法 |
| 3.1.2 中值滤波法 |
| 3.2 图像阈值化处理 |
| 3.2.1 直方图法 |
| 3.2.2 最大熵阈值分割法 |
| 3.2.3 最大类间方差法 |
| 3.3 图像的分割后续处理 |
| 3.4 本章小结 |
| 第四章 利用颜色特征进行图像分割及杂草识别 |
| 4.1 利用颜色特征分割作物与背景 |
| 4.2 利用颜色特征分割作物与杂草 |
| 4.2.1 基于改进的多层同质性方法分割作物与杂草 |
| 4.2.2 基于遗传聚类和形态滤波分割作物与杂草 |
| 4.3 试验与评价系统 |
| 4.3.1 杂草的正确和错误识别率 |
| 4.3.2 试验结果 |
| 4.4 本章小结 |
| 第五章 综合利用颜色、形状等多特征融合的杂草识别方法 |
| 5.1 形状特征及其参数 |
| 5.2 杂草形状特征提取方法 |
| 5.3 分割方法一:利用形态学运算分割 |
| 5.4 分割方法二:利用分水岭技术分割 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 后续工作与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
（10）混合智能算法在彩色图像分割中的应用研究（论文提纲范文）
| 0 引言 |
| 1 颜色空间 |
| 2 传统的彩色图像分割方法 |
| 2.1 直方图阈值法 |
| 2.2 聚类法 |
| 2.3 基于区域的方法 |
| 2.4 基于模糊技术的方法 |
| 3 混合智能算法分割技术 |
| 3.1 基于SOFM神经网络的彩色图像模糊聚类分割 |
| 3.1.1 SOFM神经网络 |
| 3.1.2 基于SOFM神经网络的彩色图像模糊聚类分割算法 |
| 3.2 基于SOFM神经网络和K-均值算法的彩色图像分割 |
| 3.2.1 K-均值算法 |
| 3.2.2 基于SOFM神经网络和K-均值的图像分割算法 |
| 3.3 基于遗传聚类的彩色图像分割 |
| 3.3.1 遗传算法 |
| 3.3.2 基于遗传算法的二维熵彩色图像阈值分割 |
| 3.4 基于蚁群模糊聚类的彩色图像分割 |
| 3.4.1 蚁群算法 |
| 3.4.2 蚁群模糊聚类算法 |
| 4结束语 |
四、基于遗传聚类的彩色图像分割（论文参考文献）
- [1]基于红外紫外成像检测技术的绝缘子运行状态分析与评估[D]. 裴少通. 华北电力大学(北京), 2019(01)
- [2]基于群体智能算法优化的农作物病虫害的识别技术研究[D]. 熊璐. 华南农业大学, 2018(08)
- [3]彩色图像分割方法综述[J]. 杨红亚,赵景秀,徐冠华,刘爽. 软件导刊, 2018(04)
- [4]基于Lab空间的K均值聚类彩色图像分割[J]. 吴迪,刘伟峰,胡胜,胡灵芝,胡俊华. 电子科技, 2017(10)
- [5]彩色图像分割技术研究[D]. 吴笑鑫. 北京林业大学, 2017(04)
- [6]基于免疫克隆选择优化和谱聚类的复杂图像分割[D]. 邓晓政. 西安电子科技大学, 2014(03)
- [7]基于区域的彩色图像分割方法研究[D]. 张语涵. 辽宁工程技术大学, 2010(05)
- [8]遗传聚类算法及其在图像分割中的应用[D]. 谭志存. 西南大学, 2009(09)
- [9]利用颜色和形状特征的杂草识别方法研究[D]. 谈蓉蓉. 江苏大学, 2009(09)
- [10]混合智能算法在彩色图像分割中的应用研究[J]. 张学习,杨宜民. 计算机工程与设计, 2008(16)