深空探测任务中,探测器需要在复杂的地形区域着陆,因此在轨障碍的快速检测至关重要,而图像分割是在轨检测的关键过程之一。鉴于此,提出一种基于粒子群和灰狼混合优化的多级阈值图像分割算法。在寻优过程中,所提算法在考虑图像能量分布的情况下,针对不同场景通过改变种群初始条件来自定义阈值级数。在位置更新过程中,所提算法增加扰动算子来扩大全局搜索的范围,引入动态权重来平衡群体的全局搜索能力与局部搜索能力,从而提高寻优的速度和精度,完成图像分割。实验结果表明,相较于传统的群智能算法,所提算法表现出较好的搜索能力,在处理灰度直方图不呈现双峰的复杂图像问题上有明显改善。

针对无人机群自主编队飞行中存在的执行任务单一、链数据交互量大的问题, 提出了一种以分布式通信为基础的多Swarm中心的无人机群编队模型。首先, 根据涌现计算思想构建四项飞行规则以建立无人机群编队模型, 将Lyapunov稳定性理论和单架无人机运动模型相结合, 为每一架无人机独立设计速度控制器, 并证明控制器的稳定性。仿真结果表明, 不同属性的无人机在混乱的初始条件下能够自动分类、聚集并形成不同形状的稳定队形飞向各自目标执行任务, 从而提高了无人机群的飞行效率。

为了解决基于深度学习的网格分割方法在训练分割分类器过程中时间消耗大的问题,提出了一种基于蚁狮优化的极限学习机的网格分割方法。利用蚁狮优化算法中蚂蚁种群受精英蚁狮与轮盘赌策略的双重影响,迭代更新蚂蚁种群,将蚁狮种群与蚂蚁种群进行降序全排列,取最优的N个更新蚁狮种群,采用最优蚁狮更新精英蚁狮,保持精英蚁狮为最优解,从而优化极限学习机随机生成的输入权值矩阵与隐层偏置。采用改进的极限学习机方法训练得到一个高精度的分割分类器。以普林斯顿数据集中的6类模型进行实验,结果表明,对于Airplane、Ant、Chair、Octopus、Teddy和Fish模型数据集中训练面片数目为200000~300000的模型,所提方法的训练耗时约为1000 s,且获得了较高的分割精确度,最高分割精确度可达99.49%。

为提高联合变换相关器的性能，将群体智能理论应用于联合变换相关器输入面图像的预处理。介绍了群体智能的概念，阐述了其潜在的分布式特征及符合自组织生物学过程的特点，在此基础上提出了一种基于群体智能的联合变换相关器输入面图像特征提取方法。介绍了经典联合变换相关器的工作原理并分析了其优缺点，对群体智能的预处理方法与几种常用的输入面图像预处理方法在联合变换相关器中的应用效果进行了比较研究。结果显示，输入面图像经灰度变换后对相关结果的改善并不明显，而sobel梯度处理、形态学方法和群体智能特征提取方法都有效改善了联合变换相关器的相关结果。针对所处理的联合图像，基于群体智能的联合变换相关器的输出面互相关峰值为4 240，比sobel梯度处理联合变换相关器的互相关峰值高2 906，比形态学联合变换相关器的输出面互相关峰值高1 616，表明用群体智能理论处理联合变换相关器输入面图像，效果优于传统方法。

针对传统分水岭分割算法对噪声敏感和易于产生过分割问题，提出一种新的基于分水岭和蚁群智能聚类的图像分割方法(CWAC，Combining watersheds and ant colony clustering)。CWAC方法首先用分水岭变换对图像做初分割，然后用蚁群方法在区域之间进行聚类合并，获得最终的分割结果。CWAC不但成功地解决了分水岭存在的过分割问题，还大大提高了蚁群聚类算法的搜索效率；本文利用分水岭变换后的灰度信息和空间信息，定义了一种新的引导函数，可更准确有效引导蚁群聚类。实验结果表明CWAC可以快速准确地分割出目标，是一种有效的图像分割方法。