改進(jìn)的微粒群優(yōu)化算法及在Shearlet圖像去噪中的應(yīng)用.pdf

1、微粒群優(yōu)化算法（Particle Swarm Optimization，PSO）源自對鳥群覓食行為的研究，是一種基于群體智能的隨機(jī)搜索算法。PSO算法概念簡單、參數(shù)設(shè)置少、計算速度快、魯棒性好，短短十幾年便獲得巨大發(fā)展，并在一些領(lǐng)域取得較好應(yīng)用，已成為一個新的研究熱點。
　　微粒群優(yōu)化算法對簡單問題優(yōu)化效果良好，但對一些復(fù)雜、高維、多極值點的問題進(jìn)行優(yōu)化時，容易“早熟”收斂于局部最優(yōu)點。所以，如何避免微粒陷入局部最優(yōu)，是微粒群優(yōu)化

2、算法研究的重要課題。
　　本文首先對微粒群算法的原理、流程、參數(shù)進(jìn)行研究，介紹了幾種常用的改進(jìn)PSO算法；其次對圖像的噪聲模型、圖像質(zhì)量評價、常用去噪方法與Shearlet變換進(jìn)行介紹；最后提出幾種改進(jìn)的微粒群優(yōu)化算法，并將其應(yīng)用于Shearlet圖像去噪，具體的創(chuàng)新點和研究內(nèi)容如下：
　?。?）為防止粒子“早熟”收斂，借鑒多模型思想，提出多階段多模型的改進(jìn)微粒群優(yōu)化算法。算法將尋優(yōu)過程分成三階段，各階段采用具有不同探測與開

3、發(fā)能力的模型進(jìn)行進(jìn)化，為保證種群多樣性和精細(xì)搜索局部最優(yōu)點，后兩階段迭代一定次數(shù)，重復(fù)后兩階段直到找到最優(yōu)解。實驗結(jié)果表明：該算法更容易找到全局最優(yōu)解，比雙群微粒群算法優(yōu)化效率高。
　?。?）對兩群微粒群優(yōu)化算法（TS-PSO）與基于不同進(jìn)化模型的兩群交換微粒群優(yōu)化算法（TSE-PSO）的研究，提出一種改進(jìn)的雙群交換微粒群優(yōu)化算法（MTSE-PSO）。算法中各分群采用不同的模型進(jìn)化，當(dāng)各分群進(jìn)化到穩(wěn)定狀態(tài)后，隨機(jī)抽取第一分群一部分

4、粒子與第二分群適應(yīng)值最差粒子交換，重復(fù)上述操作直到找到最優(yōu)解。仿真實驗顯示：MTSE-PSO比PSO和TSE-PSO算法有更好的全局尋優(yōu)能力和達(dá)優(yōu)率。
　?。?）傳統(tǒng)的閾值選取策略，過度“扼殺”了圖像系數(shù)，丟失了圖像的細(xì)節(jié)信息，為此提出了基于粒子群優(yōu)化算法的Shearlet自適應(yīng)圖像去噪方法。該方法根據(jù)Shearlet變換域不同尺度和方向系數(shù)的分布特性，采用多階段多模型的改進(jìn)微粒群優(yōu)化算法自適應(yīng)地確定各尺度和方向的最優(yōu)閾值，實現(xiàn)基