基于差分粒子群和模糊聚類的圖像分割研究.pdf_第1頁
已閱讀1頁,還剩66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

文檔簡介

1、圖像分割是圖像處理的基本技術(shù)之一,由于圖像本身伴隨著模糊性,因此基于模糊聚類的圖像分割算法逐漸受到人們的重視。模糊C均值聚類算法(Fuzzy C Mean clustering)是模糊聚類中最為完善和常用的,它以非線性規(guī)劃的方式將傳統(tǒng)的聚類轉(zhuǎn)化為帶約束的數(shù)學優(yōu)化問題,以梯度下降的迭代方式獲取最佳的聚類中心值?;贔CM的圖像分割采用一種無監(jiān)督的學習方式對于圖像數(shù)據(jù)進行分割,可以實現(xiàn)圖像數(shù)據(jù)的自學習和自動分割,減少了人為的干涉對于分割的影

2、響,然而 FCM本身受初始聚類中心影響而且會陷入局部極值。
  隨著智能計算的發(fā)展,越來越多的智能優(yōu)化算法被應用于圖像分割領域,其中差分演化算法(Differential Evolution)和粒子群算法(Particle Swarm Optimization)是兩種很好的全局優(yōu)化算法,但是兩種算法都具有局限性,因此本文嘗試將兩種算法進行集成并用于對FCM算法進行優(yōu)化并對圖像進行分割。文章將FCM算法置于DE和PSO兩種智能優(yōu)化算

3、法下研究,并分別對灰度和彩色圖像進行分割,其內(nèi)容概況如下:
  (1)總結(jié)了FCM圖像分割的主要優(yōu)缺點和改進的主要策略。并對智能計算中的模糊聚類、DE、PSO三種算法的起源、優(yōu)缺點、改進策略以及應用作了詳細的介紹。
  (2)針對FCM易受初始聚類中心影響陷入局部極值的問題,提出了利用DE和PSO集成優(yōu)化的方式對于 FCM算法進行改進,并提出了 DEPSO-FCM的圖像分割算法。該算法一方面集成了DE算法的全局搜索能力,另一

4、方面又借助于PSO算法的局部搜索能力對于DE算法末期收斂慢的問題進行優(yōu)化;同時也借助于DE的快速收斂性對于PSO的早熟進行優(yōu)化。以兩種算法優(yōu)勢互補的方式實現(xiàn)更好的尋優(yōu),并對于FCM圖像分割算法進行優(yōu)化,以達到最佳優(yōu)化的目標。實驗證明,該方法具有很好的全局搜索能力和收斂性,對于含有模糊噪聲的灰度圖像也可以達到很好的分割效果,其抗噪聲干擾能力優(yōu)于FCM算法。
  (3)通過對于彩色圖像的幾種色彩空間(主要是 RGB、HSV和 HSI)

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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 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。
  • 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