基于差分粒子群和模糊聚類的圖像分割研究.pdf

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)