模糊聚類與粒子群算法在圖像分割中的應(yīng)用研究.pdf

1、圖像分割是數(shù)字圖像處理的一個重要組成部分,也是圖像處理當(dāng)中一個最基本的技術(shù)。圖像分割的目的就是將人們所需要的目標(biāo)區(qū)域從背景中分割出來。聚類分析是一種常見的數(shù)據(jù)分析工具,是將數(shù)據(jù)集分為由類似數(shù)據(jù)組成的多個簇的過程。聚類分析被廣泛應(yīng)用于圖像分割、數(shù)據(jù)挖掘、模式分類、醫(yī)學(xué)診斷和機器學(xué)習(xí)等方面。在眾多的圖像分割算法中,基于聚類分析的圖像分割算法是圖像分割領(lǐng)域中一類極其重要和應(yīng)用相當(dāng)廣泛的算法,其中,使用得最普遍的算法是模糊C均值聚類算法(Fuz

2、zy C-Meansclustering,FCM)。FCM算法在模糊聚類理論中占有重要的地位,作為一種無監(jiān)督聚類算法,它具有很好的收斂性。但是,FCM算法也存在許多不足之處,比如受噪聲影響比較大,對初始值有較大的依賴性,容易收斂于局部極值,特別是在聚類樣本數(shù)量較大的情況下更為突出。因此,對FCM算法中的隸屬度函數(shù)進行改進,并且引入全局尋優(yōu)能力強大的粒子群算法可以解決這方面的問題。
　　1.聚類技術(shù)被廣泛應(yīng)用于圖像分割,但由于基于聚

3、類技術(shù)的圖像分割常常是對單個像素點的分割,并沒有考慮到空間信息特征,所以分割后的圖像常常帶有很多噪聲點,影響圖像的分割效果;另一方面,由于圖像的不確定性,很多時候不能確定像素點到底屬于哪一類,具有相當(dāng)?shù)哪：浴鹘y(tǒng)的聚類技術(shù)屬于硬聚類,某一個像素點對于某一類別的隸屬度不是0就是1,這并不符合實際情況。FCM算法主要是針對硬聚類的不足而提出的新的聚類算法,結(jié)合FCM算法和空間信息技術(shù)能夠較好解決這兩方面的問題。FCM算法雖然受噪聲影響較小

4、,有良好的魯棒性,但是由于它沒有考慮到像素的空間信息,在含有大量噪聲的情況下,分割性能會大大降低。本文基于FCM算法,提出了一種IPCM算法(Improve Possibilistic C-Meansclustering,IPCM)。該算法改進了隸屬度函數(shù),新的像素點隸屬度被更新為其鄰域隸屬度的幾何均值。實驗結(jié)果顯示新的算法能夠更有效的分割圖像,并顯示出良好的抗噪能力。
　　2.FCM算法具有很好的收斂性,但是容易陷入局部極小值。

5、本文考慮將全局尋優(yōu)能力強大的粒子群優(yōu)化算法應(yīng)用到FCM算法中,并引入混沌技術(shù),形成新的基于混沌粒子群的快速模糊C均值聚類算法(Fast Fuzzy C-Meansclusteringbasedon Chaos Particle Swarm Optimization,CPSO_FFCM)。本算法能夠較快的搜索全局最優(yōu)解,避免收斂于局部極值,得到全局最佳聚類結(jié)果。為了避免粒子在迭代過程中停滯,算法引入了混沌變量,在當(dāng)前全局最優(yōu)位置的基礎(chǔ)上產(chǎn)