基于混沌粒子群和模糊聚類的圖像分割算法研究.pdf

1、圖像分割是圖像分析的重要前期過程,同時也是整個圖像處理工程中最基本的技術(shù)之一。由于圖像本身存在著很多的不確定性及復雜性,而模糊聚類理論對圖像的這種特性具有很好的表述能力。近年來,許多學者努力將模糊聚類理論應用到圖像分割當中,事實證明,用該方法處理得到的分割效果要明顯好于傳統(tǒng)的圖像分割方法。
　　模糊C均值聚類算法(Fuzzy C Means clustering,FCM)是基于目標函數(shù)中最經(jīng)典的一種算法,同時也是理論最為完善、應用

2、最為廣泛的一種算法。它通過把聚類問題轉(zhuǎn)化為一個帶約束的非線性規(guī)劃問題,采用內(nèi)外迭代的方式來不斷更新模糊隸屬度矩陣和聚類中心,從而獲得聚類目標函數(shù)的最小值。將FCM算法應用于圖像分割,可以巧妙的避免傳統(tǒng)算法中的多分支分割難題,同時其作為一種無監(jiān)督的聚類分析算法,不需要人工設(shè)定閾值,適合于實際應用自動化操作。因此,將FCM算法應用于圖像分割已成為圖像處理工程領(lǐng)域內(nèi)的研究焦點,并具有一定的實用價值。
　　本文圍繞FCM聚類算法在圖像分割

3、中的應用以及算法改進進行了深入研究,其主要工作和創(chuàng)新點可概括為以下幾點:
　　(1)總結(jié)了模糊聚類算法應用于圖像分割的研究現(xiàn)狀,并對常用的分割算法(閾值法、邊緣檢測法、區(qū)域生長及分裂合并法、結(jié)合其他特定理論的分割算法)的理論及其基本思想進行了介紹。
　　(2)針對FCM算法對初值很敏感,很大程度上依賴于初始聚類中心的選擇。當初始聚類中心嚴重偏離全局最優(yōu)聚類中心時,或因某些粒子在迭代過程中出現(xiàn)停頓而造成算法早熟,都很可能使算法

4、陷入局部最優(yōu)值。本文借助混沌運動具有遍歷性、隨機性等特點,結(jié)合粒子群的尋優(yōu)特性,通過采用混沌初始化粒子群來改善個體質(zhì)量,并利用混沌擾動避免某些粒子在迭代過程中因停頓而使算法陷入局部最優(yōu)值,提出了基于混沌粒子群模糊C均值聚類算法(Fuzzy C Means clustering based on Chaos Particle Swarm Optimization,CPSO-FCM)。實驗證明,用該算法分割圖像可得到很好的分割效果,并具有很