K-均值聚類算法的改進及其應(yīng)用.pdf_第1頁
已閱讀1頁,還剩97頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論