基于人工免疫的图像分割算法详解.ppt

基于人工免疫的图像分割算法 计算机应用技术 实验心理学家赤瑞特拉的心理实验 数字图像处理（Digital Image Processing） 又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。 数字图像处理就是用计算机来代替人脑，对视觉系统获得的图像进行加工处理的一门科学。它的出现使视觉信息的测试和可观化、智能化分析成为可能，并且具有运算速度快、测试精度高、处理数据量大、结果重视性好等特点。 数字图像处理应用（Digital Image Processing） 工业检测、高空侦察、制导、文档处理、动画、虚拟现实、生物医学、远程教育、计算机辅助设计、遥感、航天等方面 也使人们传统的生产手段和生活方式发生了巨大的变化。 图像分割研究 ( Image Segmentation ) 根据需要将图像划分为有意义的若干区域或部分的图像处理技术。 在应用中，当感兴趣的对象己经被分离出来的时候，就停止分割。 图像分割方法 基于区域的分割方法 (a) 阂值化方法 (b) 区域生长合并法 (c) 分类法和聚类法 (d) 随机场法 基于边缘检测的分割方法 (a) 并行微分算子法 (b) 基于曲面拟合方法 (c) 基于边界曲线拟合方法 (d) 基于反应—扩散方程的方法 (e) 串行边界查找方法 基于数学形态学的分割方法 该方法综合利用了图像的边界和区域信息，他结合了几何学、物理学和近似理论。 人工免疫系统（Artificial Immune System，AIS） 人工免疫系统是受免疫学启发，模拟免疫学功能、原理和模型来解决复杂问题的自适应系统。 人工免疫系统是模仿自然免疫系统功能的一种智能方法，他实现一种受生物免疫系统启发，通过学习外界物质的自然防御机理的学习技术，提供噪声忍耐、无教师学习，自组织、记忆等进化学习机理，结合了分类器、神经网络和机器推理等系统的一些优点，因此具有提供新颖的解决问题方法的潜力。 人工免疫系统历史纪实 早在20世纪80年代中期，Farmer等人率先基于免疫网络学说给出了免疫系统的动态模型，并探讨了免疫系统和人工智能方法的联系，并开始了人工免疫系统的研究。 到1996年12月，在日本举行了基于免疫系统的国际专题研讨会，首次提出了“人工免疫系统”的概念。 1997年和1998年的 IEEE System， Man and Cybernetics国际会议组织了相关专题讨论，并成立了“人工免疫系统及其应用分会”。 随后，一些人工智能领域的著名的国际会议也相继开辟了人工免疫系统专题。 从2002年开始，在英国、意大利、加拿大、巴西等地连续召开了六届人工免疫系统国际会议。 经过近十年的发展，有关人工免疫系统的算法研究主要集中在否定选择算法、克隆选择算法和免疫网络算法上，其研究成果主要涉及异常检测、计算机安全、数据挖掘、优化等领域。 人工免疫系统应用领域 研究成果涉及到控制、数据处理、优化学习和故障诊断等许多领域，已成为继神经网络、模糊逻辑和进化计算后人工智能的又一研究热点。虽然人工免疫系统被广大研究者逐渐重视，然而与己经有比较成熟的方法和模型以资利用的人工神经网络相比，不论是对免疫机理的认识、免疫算法的构造，还是工程的应用，人工免疫系统的相应研究都处在一个比较低的水平。 人工免疫系统的模型 Jang-Sung Chu等介绍了免疫算法的数学模型和基本步骤，阐述了它不同于其它优化算法的优点，并将免疫算法、遗传算法和进化策略同时应用于求解Sinc函数的最优值，以进行比较研究，指出免疫算法在求解某些特定优化问题方面优于其它优化算法，有广阔的应用前景。 为了适应环境的复杂性和异敌的多样性，生物免疫系统采用了单纯冗余策略，这是一个具有高稳定性和可靠性的方法。免疫系统是由107个免疫子网络构成的一个大规模网络，机理很复杂，尤其是其所具有的信息处理与机体防御功能，为工程应用提供了新的概念、理论和方法，我们对这些可借鉴的相关机理简要阐述如下： 人工免疫系统的模型-记忆学习 1、记忆学习 免疫系统的记忆作用是众所周知的，如患了一次麻疹后，第二次感染了同样的病毒也不致发病。这种记忆作用是由记忆T细胞和记忆B细胞所承担的。这是因为在一次免疫响应后，如果同类抗原再刺激时，在短时间内，免疫系统会产生比上一次多得多的抗体，同时与该抗原的亲和力也提高了。免疫系统具有识别各种抗原并将特定抗原排斥掉的学习记忆机制，这是与神经网络不同的记忆机制。 人工免疫系统的模型-反馈机制 2、反馈机制 图2.1反映了细胞免疫和体液免疫之间的关系，以及抗原（Ag）、抗体（Ab）、B细胞（B）、辅助T细胞（TH）和抑制T细胞（TS）之间的反应，体现了免疫反馈机理。 人工免疫系统的模型-反馈机制 人工免疫系统的模型-反馈机制 利用这一