针对医学图像具有较大的相似性和交叉性，易造成归属类别混乱的问题，提出了一种基于粒子群算法的医学图像分类方法。该方法使用形态学滤波和阈值法进行预处理；使用SIFT特征描述子来提取图像的局部特征，并使用聚类的方法得到SIFT特征的“视觉词汇”；使用粒子群算法选出一些列多样性和精度更高的SVM、KNN和AdaBoost分类器对特征进行分类。对15种不同类型的医学图像进行分类的结果表明，所提出的方法取得了94.72%的分类精度，且相比于单个分类器的方法具有较大的性能提升。
2021-05-06 15:26:31
1.54MB
1
为提高量子粒子群算法的寻优能力，文中提出一种新的正态云模型自适应变异量子粒子群算法。该方法采用正态云模型优化策略，引入自身最差粒子和全局最差粒子，结合自身最优粒子和全局最优粒子自适应调整势阱中心位置与收缩-扩张系数， 每次迭代后生成的新粒子，以一定概率采用正态云模型对粒子进行变异操作。最后标准函数极值优化的实验结果表明，该算法的单步迭代时间较长但优化能力较同类算法有大幅度提高。
2021-01-28 02:33:26
1.01MB
1