对象边界检测使用活动轮廓模型通过Multiswarm算法与基于模糊规则的适应惯性因素

文摘

活动轮廓模型,俗称蛇,非常受欢迎等多个应用程序对象边界检测、图像分割、对象跟踪和分类通过能量最小化。虽然能量最小化可能使用传统的优化方法,完成方法基于自然进化算法近年来开发。一个这样的进化算法已被广泛用于主动轮廓是粒子群优化(PSO)。然而,传统PSO收敛缓慢,很容易陷入局部最小值而导致不准确的检测对象边界的凹陷了。这是通过使用提出multiswarm PSO的照顾一群设置为每个控制点的蛇,然后所有成群寻找最佳点同时通过信息共享。的性能multiswarm PSO-based搜索过程是进一步提高利用惯性因子的动态适应。在本文中,我们提出使用一组模糊规则调整惯性权重的基础上目前的能源和惯性的当前值归一化蛇。实验结果证明了该方法的有效性比传统方法。

1。介绍

活动轮廓变形模型,介绍了通过卡斯等人自动对象边界检测(1]。活动轮廓模型是一个能量最小化问题引起特定的图像特征,如边缘、形状信息。活动轮廓模型逐渐演变的最终轮廓所需的对象通过最小化能量等方面的内部和外部的能量。在数字图像中,这些能源条款计算对象特性在某些离散点称为控制点;轮廓是通过这些控制点样条曲线拟合。随着能源条款计算这些点被最小化,他们逐渐走向所需的对象边界。因此,从一个初始轮廓,轮廓变形迭代最终收缩包装的对象。

活动轮廓模型的许多问题之一是局部最小值的问题。能量最小化过程取决于初始控制点的选择,因此,在不适当的初始化的情况下,很容易陷入局部最小值。有两个问题与初始化和活动轮廓算法的收敛。首先,初始控制点一般必须选择接近真正的边界。否则,轮廓可能收敛于一个错误的结果。第二个问题是,主动轮廓一般很难捕捉凹边界。针对这一点,蛇的实现提出了各种方法的文献,旨在扩大搜索空间,以便活动轮廓进展到凹陷了从而捕捉真实的对象边界。

威廉姆斯和沙阿(2)做了一个早期尝试实施活动轮廓使用贪婪算法收敛更快。另一个早期的工作在这个方向上提出了科恩(3)的外部力量推动的曲线边缘被修改为一个更稳定的结果。模型使曲线表现得像一个气球膨胀的一个额外的力量。王等人。4)提出了多级最优活动轮廓模型通过使用样条表示,并将能量最小化过程划分为多个阶段。Yezzi jr . et al。5)提出了医学图像分割的几何蛇模型。这种方法是基于给定图像定义基于功能的指标。的活动轮廓算法更好的本地化的目标是由徐和王子6]。这个方法使用一个新的活动轮廓外力,称为梯度向量流(预防),计算的扩散的梯度向量地图来自边缘图像。“分段蛇”黄等人提出的方法是在7]。在这方面,全球蛇封闭曲线的优化的问题转化为局部优化的分段曲线蛇开放。提出了一种“定向蛇”模式(8)认为梯度强度和图像的梯度方向指导蛇向适当的边缘。陈和Vese提议没有边缘活动轮廓(9]。这个模型检测对象的边界并不定义为梯度。能量最小化是一个最小的分区使用水平集配方问题。在[10),公园和凯勒提出了一个方法,初始化使用分水岭变换后的蛇而且策略是用来最后捕获对象边界。戈登伯格等人提出了一个快速的测地线活动轮廓模型在11]。这个对象分割方案是有用的跟踪移动物体的序列图像。自适应蛇利用期望最大化(EM)算法被提出12]。EM算法是用于更新的信心度与边缘点和评估对象的轮廓。金等。13]提出了对象轮廓跟踪的插入新的点,删除不必要的点,以更好地描述和跟踪对象的边界。他们使用更多的点在高度弯曲部分的轮廓和更少的点在弯曲部分。马纳尔et al。14]提出多个轮廓提取使用人工神经网络一个轮廓分割到尽可能多的subcontours图像中的对象。

尽管上述修改传统的优化程序工作得很好,他们饱受增加计算成本。额外的能源条款和/或这些方法所涉及的复杂流程增加计算成本。这已经积极寻找一些非传统技术优化活动轮廓模型。最近,自然进化算法和粒子群优化(PSO)一样,细菌觅食算法(BFA),蚁群优化(ACO)、遗传算法(GA),等等,已经被应用于解决许多复杂的问题,包括活动轮廓模型。GA活动轮廓的方法(15,16],ACO-based活动轮廓[17),活动轮廓使用动态进化算法(18),并与蜜蜂交配活动轮廓优化(19- - - - - -22]运用PSO的例子。王等人。17)使用算法搜索最佳路径约束区域,达到最好的可行的边界与最小能量函数值。Horng et al。19蜜蜂交配优化用于活动轮廓。每个活动轮廓包含一个染色体,包括多个基因以及活动轮廓的控制点。这些控制点移动迭代通过最小化总能量的活动轮廓。新生et al。23)提出了细分模式,使用微分进化作为一个进化的方法,最大限度地减少设计师的决定。离散粒子群优化算法来解决分支切割相位问题提出的核磁共振数据他et al。24]。Cruz-Aceves et al。25)提出了一个新颖的心脏医学图像分割方法基于多个活动轮廓由粒子群优化。夏et al。26)提出了一种改进的主动轮廓没有边缘检测边界在一个给定的图像,基于曲线演化的技术。一种新颖的混合提出活动轮廓模型提出了(27)部分医学图像与强度不均匀性。Boonnuk et al。28)提出了纹理分割与边缘活动轮廓模型流给更好的质量。Bilqis和Widita29日]研究细分比较快速行进和测地线主动轮廓。结果证明了主动轮廓方法具有更高的精度和灵敏度值比快速行进法。

我们最近提出的活动轮廓模型使用multiswarm PSO惯性因子的自适应不同使用模糊规则[30.]。这最终促进全球逐渐过渡到本地搜索控制点移动靠近物体边界。在本文中,我们给出一个详细描述我们的早些时候提议活动轮廓模型。理论的基本活动轮廓模型给出了部分2其次是现有PSO-based活动轮廓模型部分3。部分4礼物我们multiswarm PSO的方法和基于模糊规则的适应multiswarm PSO的惯性因素的过程。部分5给出multiswarm PSO的实现步骤的详细描述和模糊自适应惯性。实验结果支持的方法和比较给出了部分6当我们得出我们的结论7。

2。活动轮廓模型

基本蛇模型(1)是一种样条的影响下部队内部和外部形象。形象力量推动蛇形象突出的特征,如边缘和线条。蛇是一个封闭的曲线和参数化表示点的位置和能量函数可以写成 在哪里代表花键的内能和生成图像的力量。内花键的能量和外部能量表示为形象 在哪里,,能源组件的重量,图像的梯度强度在哪里,和代表的第一和第二个衍生品,分别。在数字图像的情况下,空间离散化的轮廓不同的控制点是通过标准的有限差分算子。因此,内部和外部能源方面重新定义了在离散域使用这些转换 最后,蛇的离散形式能源被编写为内部和外部能量的总和 在哪里是当地的能源th控制点,定义为

3所示。现有PSO-Based活动轮廓模型

粒子群优化(PSO)是一种基于种群的进化算法进行了肯尼迪和埃伯哈特(31日]。这位候选人的解决方案,称为粒子,探讨了搜索空间彻底达到在搜索空间指向目标函数的最小值。在这个过程中,速度是不断调整根据有关粒子感悟和全球最佳信息可以从相邻的粒子。出于这种想法的PSO,曾庆红和周(20.)提出了一个活动轮廓模型(ACM)是基于不变的蛇拓扑由算法。这种方法使用粒子群在轮廓控制点来捕获对象边界。后,曾等人提出使用multipopulation PSO [21]活动轮廓,提高凹度搜索能力。在另一个的作品,蛇驱动算法用于分割医学图像(22]。围绕感兴趣的对象,蛇运动的指导下修改速度更新方程的算法。

在multipopulation PSO方法活动轮廓模型中,控制点是初始化对象的边界周围的方式一样在任何传统活动轮廓模型方法。让控制点在对象的总数并且每个控制点被指定为。蛇的总能量计算按(6)和(7使用粒子群优化),随后最小化。一群,有初始化粒子数,在控制点。在优化过程中,群参加的能量最小化过程。这是通过在群迭代算法在th控制点对于一些固定数量的后代。

在数学方面,PSO的动力学粒子群的群(对应th控制点)表示如下: 在哪里的惯性因子群,和都是正的常数,和之间的随机数,的位置吗th粒子在th群后th迭代,的速度th粒子在th群在th迭代,表示的最佳位置th粒子在th群直到th迭代,表示的整个人口的最佳位置th群直到迭代。由于群是在二维空间中设置对应于图像平面,群粒子沿着图像平面,因此速度包含两个组件对应位移沿水平(设在)和纵向(设在)在图像平面的方向。相关的成本粒子群的th群()被定义为

一旦群收敛于最后控制点的位置更新这个的位置。这个过程的执行按顺序控制点。也就是说,成群在控制点设置每群重复和算法过程。这样,一轮优化执行。进一步轮重复这个过程进一步能源最小化从控制点并继续在每个圆的。这些轮优化(蛇能源最小化)进行predecided固定数量的轮或直到不再有显著减少总能量蛇。最后得到物体轮廓通过花键的坐标控制点(最后位置对所有)的所有轮优化。

4所示。Multiswarm PSO方法与模糊自适应惯性

曾et al的multipopulation PSO-based方案遇到的问题由于串行算法的本质中控制点的位置更新顺序一个接一个,同时保持其他控制点的位置固定。为了解决这个问题,这似乎是合理的,合理的,有效的,如果控制点同时更新。针对这一点,我们提出一个multiswarm PSO-based活动轮廓模型中多个成群,一群在每一个控制点,控制点的寻找最好的位置同时通过合作和信息共享。

流程图说明我方提出multiswarm PSO-based活动轮廓模型在图给出1,按[32]。

传统活动轮廓模型在寻找边界限制的凹陷了。我们建议PSO-based活动轮廓模型提供了更好的运动的粒子增强搜索能力,但仍然搜索功能受限是由于惯性的非适应自然的价值。惯性在算法实现中扮演关键角色。惯性因素是用来平衡全局和局部搜索能力。高价值的惯性导致粒子群飞/游泳更大距离一代一代的繁衍从而帮助更好的和更广泛的搜索空间的探索。这是特别重要的,搜索空间大。另一方面,它需要群粒子群时做出了非常小的位移非常接近全球最小的点。这保证算法的稳定性和收敛性更好。因此,使用一个固定的高或低惯性因子,用于(21),可能不会导致良好的收敛性。因此,我们建议改进搜索过程的性能通过使用动态适应的惯性因素。我们建议使用一组模糊规则调整惯性权重的基础上目前的能源和当前值归一化蛇群粒子的惯性。这最终促进全球逐渐过渡到本地搜索控制点移动靠近物体边界。

正如上面所讨论的,惯性因素起着至关重要的作用在实现更好的收敛性。高价值的惯性是用来更好的全球勘探寻找最低的能源点。然而,如此高的价值不需要点附近的能量最小化几乎是完整的,为更好地捕捉对象轮廓稳定。另一方面,低惯性值在初始阶段可能导致轮廓陷入局部最小值。因此,需要一个可调的自适应PSO惯性因素。一个普遍使用的策略是减少惯性速度线性搜索进展,因此当地探索是优于全球搜索后期的搜索过程。变化是使用非线性惯性的变化,提出在[33]。然而,变化的速度在惯性再一个适当的值是一个问题。中引入模糊自适应粒子群优化(34,35]使用一组模糊规则动态适应的惯性。这种方式,惯性的所有粒子群()修改动态地根据当前的搜索结果。后的想法34,35),我们提出了一个基于模糊规则的适应multiswarm PSO技术给出了活动轮廓模型(21]。在我们的工作中,我们定义一组模糊规则调整惯性权重的基础上目前的能源和惯性的当前值归一化蛇。

在我们建议的方法,我们首先计算归一化能量控制点和相同的计算在每一轮的生成算法如下: 在哪里计算使用(6每个算法生成和后)是sanke长由于控制点的初始配置。这个能量归一化值和惯性的当前值蜂群会结合使用模糊推理确定必要的改变惯性值用于下一轮的生成算法。为此,我们制定了一套九“如果然后“模糊规则,如下所述。我们提出了模糊自适应PSO方法使用演绎模糊推理系统基于这组9个模糊规则。

规则1。如果是低和是低然后是零。

规则2。如果是低和是媒介然后是负。

规则3。如果是低和是高然后是负。

规则4。如果是媒介和是低然后是积极的。

规则5。如果是媒介和是媒介然后是零。

规则6。如果是媒介和是高然后是负。

规则7。如果是高和是低然后是积极的。

规则8。如果是高和是媒介然后是零。

规则9。如果是高和是高然后是负。

因此,我们的模糊推理系统是两个输入和一个输出系统:两个输入变量(前期条款)归一化能量术语和当前惯性;和合成输出变量(顺向条款)所需的惯性值的变化。先前的条款被模糊和运营商联系。三个先例和三个模糊集的模糊集的使用条款,作为代表人物2,3,4。模糊集的祖先被标记为“低,”“介质,”和“高。顺向条款的“模糊集”负的,”“零,”和“积极的“代表惯性值相应变化。所有三个模糊集的范围值已经被按[35]。归一化能量代表0和1之间和惯性值表示在0.4和1.0之间。输出变量的形式是惯性值变化,这变化是之间完成的和+ 0.1。因此,惯性值的程度需要更新估计的基础上目前的蛇能源和惯性值。因此,这种策略不同的惯性值自适应了全球和本地探索之间的权衡。上面的一组模糊规则最终结合使用Mamdani不等式性质的演绎模糊推理机制紧随其后centroid-based去模糊化以获得所期望的价值。详细描述的推理机制可以在36]。流程图的使用multiswarm PSO和活动轮廓模型提出的模糊自适应惯性因素是画在图5。

5。实现步骤Multiswarm PSO的模糊自适应惯性

(1)设置算法参数。在每个像素位置计算图像梯度利用拉普拉斯算符。这给外部蛇的价值能量在每个像素位置,定义在(5)。(2)初始化顺时针的顺序和数量的控制点数量这些相应的控制点。这些控制点声明为原价点对应的群,。(3)计算初始能量蛇根据(6)和(7)。(4)一群(包含在每个控制点粒子数)以这样一种方式的位置th群粒子相关的群充分接近以确保控制点不跨越蛇在下一步举措。在我们的算法中,为了确保不发生交叉,每个粒子群的拍摄,满足以下条件: 在哪里表示之间的欧几里得距离向量和。这种情况基本上整个屏分为不重叠的泰森多边形法区域,每个区域对应于每一个控制点,。因此,所有的粒子th群总是限制在吗泰森多边形法区域还包含th控制点。因为,群的粒子的位置的候选人是新的控制点的位置吗在下一步中,它是保证没有交叉将随着蛇从一步到下一步。(5)运行算法对于第一代所有初始粒子的位置和更新价值观和控制点的位置。(6)计算速度,然后将群粒子为下一代,从第一个群与第一个控制点和继续,直到最后一个控制点,根据(8)。基于这些粒子的新位置,检查所有粒子的健身使用(9)和相应的更新和值。声明的位置粒子的位置更新控制点。(7)计算能量蛇控制点(点),所有的控制点。接下来,使用和值和模糊规则的集合一起,如上所述,更新所有的控制点。这些群惯性的新值用于下一代的算法。(8)开始第二轮算法生成控制点,回到步骤和运行算法利用粒子的速度和位置在前面的一代。重复直到最大数量的代完成或者直到总蛇能量稳定。

6。实验结果和比较

在我们的实验中,我们应用提出了模糊自适应multiswarm PSO方法四个图片和我们的方法比传统的蛇1),multipopulation PSO-based方法,如在[21),我们建议multiswarm PSO方法。在第一组实验中,四个图像。“明星”和“花瓶”图像是锋利的边界。“辣椒”和“核磁共振”图像作为复杂的真实图像。最后的蛇在所有这些情况下获得能量列在下表中1。就结果而言,该方法能够取得更好的能量最小化相比其他方法。这个验证我们提出的方法的有效性赶上凹图像边界。结果表明,我们建议的multiswarm PSO方法比传统的蛇和multipopulation PSO-based方法。我们建议multiswarm PSO有助于更稳定的收敛性和更好的蛇能量最小化由于并行算法的本质。

在第二组实验中,我们将演示的有效性提出了基于模糊的惯性适应计划。为此,我们比较建议PSO-based活动轮廓模型与multipopulation PSO方法(21)使用六种不同的惯性因素变化的情况下,如下所列。

案例1。固定的低惯性值()。

例2。固定高惯性值()。

例3。使用指数线性变化的惯性在(12)。

例4。非线性惯性变异,指数在(12)。

例5。非线性惯性变异,指数在(12)。

例6。模糊自适应惯性变化。

非线性变化的惯性因素动态适应算法一直在讨论(33)惯性因子的适应 在线性或非线性变化决定的正确选择指数价值””。在我们的实验中,,,iter PSO算法的迭代次数。这一意味着一个完整的一轮PSO优化算法迭代通过所有控制点multiswarm实现。在multiswarm PSO的情况下,在每个迭代中,算法运行一代只在每个控制点。维护公平的比较,区域群初始化以及控制点的数量和每个群粒子数是相同的在所有前面列出的情况下为一个形象。

实验一直在执行相同的四个图像通过使用三种方法,即multipopulation算法,提出multiswarm算法,并提出了模糊自适应multiswarm PSO-based方法,惯性与上述所有6例。最终轮廓能量中获得这些方法给出了表2- - - - - -3。总轮廓能量和计算时间的情节为上述6例三个图像绘制在图6- - - - - -11。结果通过multipopulation PSO-based方法如图12- - - - - -15和结果由我们提出multiswarm PSO-based方法如图16- - - - - -19。

高或低惯量值在某种程度上能够捕获的凹陷了。结果通常是更好当惯性因素是不同的线性或非线性相比固定低或高价值。结果表明,我们建议的模糊自适应multiswarm PSO-based方法总是比multipopulation能够提供更好的能量最小化算法的方法。我们提出了模糊自适应multiswarm PSO方法能够捕获的真实边界包括凹陷了代价增加计算时间。

当我们观察轮廓能源和计算时间的情节中给出的数据6- - - - - -11,我们提出了模糊自适应multiswarm PSO-based方法需要更多数量的迭代收敛,收敛轮廓较小的能量。轮廓能量和计算时间的情节由选择算法轮数(用于不同情况下的比较)以这样一种方式,所有实验的情况下运行的能量最小化过程中几乎同样的时间。

算法参数用于我们的实现如下:(我)人口规模(在每个群粒子)= 20。(2)一代又一代的数量= 10。(3)加速常数。

7所示。结论

PSO-based活动轮廓模型已被广泛用于图像分割。然而,现有的multipopulation PSO-based活动轮廓模型得到很容易陷入局部最小值。局部最小值的问题导致不准确的检测对象边界的凹陷了。在我们建议的活动轮廓模型中,我们使用multiswarm PSO的一群在二维图像空间中设置为每个控制点的蛇,然后同时成群寻找最好的位置和它们之间通过信息共享合作的整个过程中保持所有群活跃的能量最小化。拟议中的multiswarm PSO-based活动轮廓模型减轻收敛问题中遇到以前现有multipopulation PSO-based方法在两个方面:算法的并行实现多个成群,一群在每一个控制点,控制点位置的连续更新算法的每一代。结果表明,我们建议的multiswarm PSO-based方法能够在大多数情况下提供最小轮廓能源。这验证效率的方法对图像有凹陷了。

活动轮廓模型使用惯性multiswarm PSO与基于模糊规则的适应。该方法能够提供更好的能源比其他算法实现最小化由于两个因素:multiswarm优化和惯性适应。Multiswarm PSO有助于更稳定收敛由于并行算法的本质。同时,惯性更新当前状态的基础上,该算法给出了一个很好的全球和本地搜索之间的妥协,是必要的。该方法不仅能够更准确地捕捉凹陷了,还免费从手动调整惯性权重。然而,该方法在计算上更为复杂。然而,由于这种方法提供了更好的活动轮廓能量最小化,这是有用的,需要更多的精度等的医学图像分割。

相互竞争的利益

作者宣称没有利益冲突。

引用

1. m·卡斯a,却和d . Terzopoulos“蛇:活动轮廓模型,”国际计算机视觉杂志》上,1卷,不。4、321 - 331年,1988页。视图:出版商的网站|谷歌学术搜索
2. d·威廉姆斯和m .沙“主动轮廓的快速算法,”第三届国际会议上计算机视觉学报》上大阪,页592 - 595年,日本,1990年12月。视图:谷歌学术搜索
3. l·d·科恩,”活动轮廓模型和气球。”CVGIP:图像理解,53卷,不。2、211 - 218年,1991页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
4. 哈塞布鲁克l . j . m . Wang Evans, c·克纳普“多级、最佳的活动轮廓模型”IEEE图像处理,5卷,不。11日,第1591 - 1586页,1996年。视图:出版商的网站|谷歌学术搜索
5. A Yezzi Jr . s . Kichenassamy A·库马尔·Olver和A·坦南鲍姆,双重“几何蛇模型分割医学图像,”IEEE医学成像,16卷,不。2、199 - 209年,1997页。视图:出版商的网站|谷歌学术搜索
6. c .徐和j·l .王子”蛇,形状,和梯度向量流”,IEEE图像处理,7卷,不。3、359 - 369年,1998页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学|MathSciNet
7. p c . y . y . Wong袁,c . s .通“分段蛇轮廓检测,”模式识别没有,卷。31日。11日,第1679 - 1669页,1998年。视图:出版商的网站|谷歌学术搜索
8. t·h·公园Schoepflin, y金”活动轮廓模型和梯度方向信息:定向蛇,”IEEE电路和系统视频技术,11卷,不。2、252 - 256年,2001页。视图:出版商的网站|谷歌学术搜索
9. t·f·陈,洛杉矶Vese主动轮廓没有边缘,”IEEE图像处理,10卷,不。2、266 - 277年,2001页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
10. j .公园和j·m·凯勒“蛇分水岭,”IEEE模式分析与机器智能,23卷,不。10日,1201 - 1205年,2001页。视图:出版商的网站|谷歌学术搜索
11. r·戈登伯格Kimmel r、大肠Rivlin和m . Rudzsky“快速测地线主动轮廓,”IEEE图像处理,10卷,不。10日,1467 - 1475年,2001页。视图:出版商的网站|谷歌学术搜索|MathSciNet
12. j . c . Nascimento和j·s·品牌”,使用EM算法自适应蛇。”IEEE图像处理,14卷,不。11日,第1686 - 1678页,2005年。视图:出版商的网站|谷歌学术搜索
13. 工程学系。金、a . Alattar和j . w .张成泽“对象轮廓跟踪使用蛇的数量的优化点,”程序计算情报与安全国际会议(ICCIAS 06年),页1591 - 1596,广州,中国,2006年11月。视图:出版商的网站|谷歌学术搜索
14. y v Venkatesh来说,s . k . Raja, n . Ramya”多个轮廓提取灰度图像使用人工神经网络,”IEEE图像处理,15卷,不。4、892 - 899年,2006页。视图:出版商的网站|谷歌学术搜索
15. l . MacEachern和t . Manku”为活动轮廓优化遗传算法,”诉讼IEEE国际研讨会的电路和系统4卷,第232 - 229页,蒙特利,加州,美国,1998年5月- 6月。视图:谷歌学术搜索
16. A . Mishra p·k·杜塔,m·k·戈什“基于遗传算法的方法边界与超声心动图检测左心室图像序列,”图像和视觉计算,21卷,不。11日,第976 - 967页,2003年。视图:出版商的网站|谷歌学术搜索
17. X.-N。王,Y.-J。冯,Z.-R。冯,“蚁群优化图像分割,”国际会议的程序在机器学习和控制论(ICMLC ' 05),页5355 - 5360,广州,中国,2005年8月。视图:谷歌学术搜索
18. d .王、李y和l .王”活动轮廓的新动态进化算法优化”学报》第三届国际会议上自然计算(ICNC ' 07)5卷,第575 - 571页,IEEE,海口,中国,2007年8月。视图:出版商的网站|谷歌学术搜索
19. M.-H。Horng J.-Y。陈,R.-J。Liou”,蜜蜂交配活动轮廓模型的优化方案,”学报》2009年第九届国际会议上混合智能系统(他的“09年),1卷,页174 - 179,沈阳,中国,2009年8月。视图:出版商的网站|谷歌学术搜索
20. d .曾庆红和z周”,不变的拓扑蛇由粒子群优化器,”诉讼第三届国际会议上创新计算的信息和控制(ICICIC ' 08),页38-42,大连,中国,2008年6月。视图:出版商的网站|谷歌学术搜索
21. c c。曾,J.-G。谢长廷,黄永发。刘正,“通过multi-population粒子群优化活动轮廓模型”,专家系统与应用程序,36卷,不。3、5348 - 5352年,2009页。视图:出版商的网站|谷歌学术搜索
22. 大肠Shahamatnia和m . m . Ebadzadeh”,应用粒子群优化和蛇模型混合在医学成像,”IEEE学报》3日国际研讨会上计算智能在医学成像(CIMI 11),页1 - 8,巴黎,法国,2011年4月。视图:谷歌学术搜索
23. j .新生,j·桑托斯和m . g . Penedo“模型与差分进化优化拓扑活跃,”专家系统与应用程序,39卷,不。15日,第12176 - 12165页,2012年。视图:出版商的网站|谷歌学术搜索
24. l . w .他y Cheng夏,f·刘,“一个新的粒子群核磁共振数据的相位解,文中针对方法”计算和数学方法在医学ID 475745条,卷。2012年,9页,2012。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. Cruz-Aceves, j·g . Avina-Cervantes j . m . Lopez-Hernandez和s e . Gonzalez-Reyna”多个活动轮廓由粒子群优化的心脏医学图像分割,“计算和数学方法在医学文章ID 132953卷,2013年,13页,2013。视图:出版商的网站|谷歌学术搜索|MathSciNet
26. h·夏y燕、美国黄和w·肖”边界检测使用一种改进的主动轮廓模型没有边缘,”计算信息系统杂志》上,10卷,不。24日,第10609 - 10603页,2014年。视图:出版商的网站|谷歌学术搜索
27. h . t . Liu, w·金,赵y, z . Liu和w·田,“医学图像分割混合提出活动轮廓模型的基础上,“计算和数学方法在医学文章ID 890725卷,2014年,10页,2014。视图:出版商的网站|谷歌学术搜索
28. t . Boonnuk s Srisuk, t . Sripramong”纹理分割与边缘流矢量,利用活动轮廓模型”国际信息与电子工程》杂志上,5卷,不。2、107 - 111年,2015页。视图:谷歌学术搜索
29. a . Bilqis和r . Widita比较使用快速行进和测地线活动轮廓分割方法,”物理学杂志》:会议系列,卷694,不。1,文章ID 012044, 2016。视图:出版商的网站|谷歌学术搜索
30. a Khunteta和d·戈什”,活动轮廓模型通过multi-swarm算法与模糊规则适应惯性因子,”国际会议信号处理和通信学报》(ICSC的13)诺伊达,页191 - 196年,印度,2013年12月。视图:出版商的网站|谷歌学术搜索
31. 进行j·肯尼迪和r·埃伯哈特,“粒子群优化”《IEEE国际会议上神经网络,西澳大利亚大学4卷,第1948 - 1942页,1995年12月,西澳大利亚珀斯。视图:谷歌学术搜索
32. h·陈,朱y和k .胡“基于共同进化multi-swarm离散和连续优化”,自然计算,9卷,不。3、659 - 682年,2010页。视图:出版商的网站|谷歌学术搜索
33. a . Chatterjee和p . Siarry非线性惯性权重粒子群优化的动态适应变化,“电脑和运筹学,33卷,不。3、859 - 871年,2006页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
34. y史进行r·c·埃伯哈特,“模糊自适应粒子群优化,”美国国会在进化计算,1卷,页101 - 106,首尔,韩国,2001年5月。视图:谷歌学术搜索
35. p .亚太区和s . n .辛格”模糊自适应粒子群优化竞价策略在现货市场统一价格,”IEEE电力系统,22卷,不。4、2152 - 2160年,2007页。视图:出版商的网站|谷歌学术搜索
36. t·j·罗斯,模糊逻辑与工程应用约翰·威利& Sons,纽约,纽约,美国第3版,2010年版。

版权

版权©2016 Ajay Khunteta和d·戈什。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。