智能优化方法及其应用讲稿.ppt

Intuitive Description Distribution of identical billiard balls Region of interest Center of mass Mean Shift vector Objective : Find the densest region Intuitive Description Distribution of identical billiard balls Region of interest Center of mass Mean Shift vector Objective : Find the densest region Intuitive Description Distribution of identical billiard balls Region of interest Center of mass Objective : Find the densest region Parametric Density Estimation Assumption : The data points are sampled from an underlying PDF Assumed Underlying PDF Estimate Real Data Samples Kernel Density EstimationVarious Kernels A function of some finite number of data points x1…xn Examples: Epanechnikov Kernel Uniform Kernel Normal Kernel Data Kernel Density Estimation Gradient Give up estimating the PDF ! Estimate ONLY the gradient Using the Kernel form: We get : Size of window Kernel Density Estimation Gradient Computing The Mean Shift Computing The Mean Shift Yet another Kernel density estimation ! Simple Mean Shift procedure: Compute mean shift vector Translate the Kernel window by m(x) * 基于混合粒子群算法的自适应均值漂移 均值漂移算法中，由于带宽的大小对算法的收敛速度和准确性都会产生较大的影响，因此需要根据采样点的局部结构，自适应地计算带宽的大小。也就是在区域密度大时采用小带宽，区域密度小时采用大带宽。本节利用粒子群优化算法自适应的计算带宽，然后将均值漂移算法用于图像分割，取得了较好的图像分割效果。然而粒子群算法对其参数依赖性较大，并且容易过早收敛。为提高算法性能，我们利用混合粒子群算法自适应的计算带宽，进行均值图像分割，近一步改进经典均值漂移算法的性能。 * 实验结果分析 为验证本节方法的有效性，对经典的mean shift算法、基于粒子群的均值漂移图像分割算法（PSO-MS）和基于混合粒子群算法的自适应均值漂移算法（HPSO-MS）进行实验，用于实验的图像为rice图、lena图及cameraman图。 * rice图实验结果对比（a）原始图像 （b）MS分割结果 （c）PSO-MS分割结果 (d) HPSO-MS分割结果 * lena图实验结果对比（a）原始图像 （b）MS分割结果 （c）PSO-MS分割结果 (d) HPSO-MS分割结果 * cameraman图实验结果对比（a）原始图像 （b）MS分割结果 （c）PSO-MS分割结果 (d) HPSO-MS分割结果 * 从视觉分析的角度来看，三种算法的图像分割结果没有大的不同。然而，与原始图像相比较，基于混合粒子群算法的自适应均值漂移算法的分割结果更自然，与原始图像更接近。而且，用该算法进行图像分割时更多的图像细节被保留，算法区分图像中物体的能力强，具有较好的图像分割能力。例如rice图中利用基于混合粒子群算法的自适应均值漂移算法的图像分割结果更自然；lena图中使用该算法时，帽子和头发被清楚地分割显示，而用传统的MS算法未能清晰地分割出帽子和头发；在cameraman图中，当使用新算法时，远处景物细节被保留。 * 几种算法的运行时间比较 图像 方法 运行时间 单位（秒） lena图 mean shift 1.54