K-均值聚類算法的改進及其應(yīng)用.pdf

1、隨著計算機視覺技術(shù)的發(fā)展，圖像分割已成為圖像工程中的一個研究熱點，基于聚類分析的圖像分割算法也得到了長足發(fā)展。K-均值聚類是一種常見的重要聚類算法，其原理簡單，易于實現(xiàn)，對于結(jié)果密集且簇之間區(qū)別明顯的聚類有較好的效果；但它需要依據(jù)先驗知識提前設(shè)定聚類數(shù)和聚類中心初值，對聚類中心初值敏感，容易陷入局部極值。動態(tài)K-均值聚類算法在K-均值聚類算法的基礎(chǔ)上，引入適應(yīng)度函數(shù)，能有效地避免陷入局部極值，且分割速度快；但它強制分配部分樣本給具有最小

2、適應(yīng)度聚類中心會降低聚類的準確性，且對噪聲敏感。
　　本文在深入研究K-均值(KM)聚類和動態(tài)K-均值(MKM)聚類算法的基礎(chǔ)上，以提高分割結(jié)果的準確性和算法的抗噪能力為目標，對算法進行了改進與實驗仿真。本文完成的主要工作如下：
　　(1)提出兩種改進算法：
　　自適應(yīng)動態(tài)K-均值聚類：改變強制分配部分樣本給具有最小適應(yīng)度的聚類中心的做法，按最小距離原則來分配這些樣本，減少對噪聲數(shù)據(jù)的錯誤分類。
　　自適應(yīng)模糊動

3、態(tài)K-均值聚類：將模糊C-均值聚類與動態(tài)K-均值聚類方法將結(jié)合，減小了噪聲數(shù)據(jù)的影響。
　　(2)對改進算法的分割結(jié)果進行了定性和定量的評價。分別用改進算法與傳統(tǒng)的KM算法和MKM算法對原始圖像和噪聲圖像進行分割，通過主觀評價和F、F’、Q三種無監(jiān)督性能指標比較，表明改進算法更準確、實時性較好。
　　(3)分別用FCM算法和改進算法對采集于現(xiàn)場的回轉(zhuǎn)窯視頻圖像進行熟料區(qū)分割，然后對分割出的熟料區(qū)進行特征提取與燒結(jié)狀態(tài)分類。通