基于和聲搜索的FCM算法在圖像分割中的應(yīng)用.pdf

1、圖像分割指的是把圖像分解成特性不同的區(qū)域，然后把有用的區(qū)域提取出來的技術(shù)和過程，它是從圖像處理到圖像分析過程中的關(guān)鍵步驟，在圖像工程中占據(jù)著非常重要的地位，并在諸如圖像編碼、模式識別、計算機視覺和醫(yī)學圖像分析等在很多領(lǐng)域有著實際的應(yīng)用。
　　由于圖像本身存在許多不準確性和不確定性，對于圖像的這種不確定性，模糊理論有著非常好的描述能力，而圖像分割問題等同于將圖像的像素點進行分類的問題，近年來，研究者致力于將圖像聚類算法應(yīng)用于圖像分割

2、當中，分割效果要比傳統(tǒng)的圖像分割方法好一些，但是經(jīng)典的模糊聚類分割方法還存在很多問題。針對以上的問題，本文對模糊C-均值聚類算法作了改進。
　　本文把基于模糊C-均值聚類的圖像分割方法作為研究的重點，并分析了該方法的原理和現(xiàn)狀，接著針對模糊C-均值聚類算法在圖像分割時存在的問題提出了如下的改進:
　　首先，本文介紹了和聲搜索算法，它是一種啟發(fā)式優(yōu)化算法，然而該算法在處理復(fù)雜函數(shù)優(yōu)化問題時容易陷入局部極值，并且收斂精度低。為了

3、解決以上問題，本文提出了一種改進的和聲搜索算法，通過測試函數(shù)對兩種算法進行比較，改進的和聲搜索算法具有更優(yōu)越的特性。
　　然后，文本分別把和聲搜索算法(HS)和改進和聲搜索算法(IHS)引入到模糊C-均值聚類算法當中，利用這兩種算法的魯棒性和全局性有效的克服了模糊聚類對初始參數(shù)敏感的問題，通過這兩種算法得出聚類個數(shù)及聚類中心，然后將其作為模糊C-均值聚類算法的初始參數(shù)，從而對圖像進行聚類分割。
　　最后，文本分別使用蟻群聚類