基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域。但K-均值 聚类容易陷入局部最优,影响图像分割效果。针对K-均值的缺点,提出一种基于随机权重粒子 群优化(RWPSO)和K-均值聚类的图像分割算法RWPSOK。在算法运行初期,利用随机权重粒 子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部 搜索能力,实现算法快速收敛。实验表明：RWPSOK 算法能有效地克服K-均值聚类易陷入局 部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法(PSOK) 相比,RWPSOK 算法具有更好的分割效果和更高的分割效率。     

基于PSO与K-均值聚类算法优化结合的图像分割方法

为了提高图像分割的质量和效率,同时,针对粒子群优化算法（Particle Swarm Optimization, PSO）容易陷于局部最优和K-均值算法对初始聚类中心敏感的问题,本文将PSO和K-均值算法相结合,提出一种通过调整惯性权重和学习因子的优化算法。首先,对图像进行去噪预处理,并将处理后的颜色图像转换到HSV空间,以提高色彩质量。然后,改进粒子群算法中的惯性权重和学习因子公式及参数,避免陷入局部最优。最后,根据粒子的适应度切换到K-均值算法执行局部搜索,使聚类中心不断更新实现快速收敛。实验结果表明,在图像分割的过程中,改进的算法具有全局搜索能力强的优点,能够实现更快的收敛速度和更高的分割精度。     

基于距离和权重改进的K-means算法

K-means聚类算法简单高效,应用广泛。针对传统K-means算法初始聚类中心点的选择随机性导致算法易陷入局部最优以及K值需要人工确定的问题,为了得到最合适的初始聚类中心,提出一种基于距离和样本权重改进的K-means算法。该聚类算法采用维度加权的欧氏距离来度量样本点之间的远近,计算出所有样本的密度和权重后,令密度最大的点作为第一个初始聚类中心,并剔除该簇内所有样本,然后依次根据上一个聚类中心和数据集中剩下样本点的权重并通过引入的参数[τi]找出下一个初始聚类中心,不断重复此过程直至数据集为空,最后自动得到[k]个初始聚类中心。在UCI数据集上进行测试,对比经典K-means算法、WK-means算法、ZK-means算法和DCK-means算法,基于距离和权重改进的K-means算法的聚类效果更好。     

基于免疫K-means聚类的无监督SAR图像分割

利用图像纹理的信息熵特征,并结合空间矩阵的概念,提出一种基于免疫K-means聚类的无监督SAR图像分割算法.免疫规划的K-means聚类克服收敛结果易陷于局部极值的缺点,且保持K-means算法快速收敛的特点.信息熵的应用可有效抑制相干斑噪声的影响,空间矩阵的引入实现聚类过程中类别的自动合并.该算法执行复杂度不高,对噪声的影响有较强的鲁棒性,分割结果较好,是一种实用的SAR图像分割算法.     

改进的谱聚类算法在图像分割中的应用

为了消除传统的谱聚类图像分割算法存在的缺陷,提出一种改进的谱聚类图像分割算法.该算法提出余弦相似性加权矩阵,充分利用图像的纹理信息和空间临近信息构造相似性矩阵.在谱映射过程中,利用Nystr(o)m逼近策略估计相似性矩阵及其主特征向量.最后利用优化的K-means算法与优化的粒子群算法相结合的算法对得到的低维向量子空间进行聚类,避免直接采用K-means算法对初始值敏感,易陷入局部最优的缺点.实验证明该算法在运行时间和分割精度方面较传统谱聚类算法均有明显的提高.     

结合ECM和FCM聚类的遥感图像分割新方法*

模糊C均值算法(FCM)具有良好的聚类性能从而被广泛应用于图像分割领域,但其存在距离测度鲁棒性差、需预先给出初始聚类数目、未考虑图像局部相关特性等问题。本质上讲,FCM算法是一种局部搜索优化算法,如果初始值选择不当,不仅需要更多的迭代次数,而且会收敛到局部最优解。针对上述问题,结合进化聚类(ECM)和FCM算法,提出了一种遥感图像分割的新方法。利用ECM解决模糊C均值聚类算法的初始化中心选择问题,再利用FCM算法对获得的聚类中心进行优化,完成模糊聚类划分,通过去模糊化转换为确定性分类,实现聚类分割。实验结     

新的鲁棒模糊C-均值聚类分割算法及其应用

针对Krinidis和公茂果等提出的系列鲁棒模糊局部C-均值聚类算法存在聚类中心迭代公式缺乏严格数学理论基础的不足,于是将其聚类目标函数及其约束条件采用拉格朗日乘子法进行严格数学推导,从而获得最优解逼近的隶属度和聚类中心迭代表达式,并通过多次循环迭代实现图像聚类分割。实验结果表明,本文所建议的鲁棒模糊局部C-均值聚类分割算法是有效的,相比现有鲁棒模糊局部C-均值聚类分割算法更适合复杂遥感等图像的分割需要。     

基于自适应初始值的FCM聚类图像分割

FCM聚类算法对初始值敏感,不良的初始值会导致算法的收敛速度过慢和收敛到局部极值。将FEM算法用于图像分割处理时,初始值的选择是一个难点。文中提出了一种使用自适应初始值的FCM聚类图像分割算法,该方法利用图像的直方图特性建立候选聚类中心集,通过初始化准则函数检验候选集得到合适的聚类中心和聚类数目,并根据最大隶属度原则分割图像,得到了较好的分割效果。理论分析和实验表明文中方法收敛速度快,分割准确,自适应性很强。     

基于自适应初始值的FCM聚类图像分割

FCM聚类算法对初始值敏感,不良的初始值会导致算法的收敛速度过慢和收敛到局部极值。将FEM算法用于图像分割处理时,初始值的选择是一个难点。文中提出了一种使用自适应初始值的FCM聚类图像分割算法,该方法利用图像的直方图特性建立候选聚类中心集,通过初始化准则函数检验候选集得到合适的聚类中心和聚类数目,并根据最大隶属度原则分割图像,得到了较好的分割效果。理论分析和实验表明文中方法收敛速度快,分割准确,自适应性很强。     

一种利用花粉算法优化的遥感图像分割方法

为提高遥感图像分割的准确性与抗噪性,以学生t分布混合模型为基础,结合K-means与花粉算法的特点,将K-means算法局部寻优能力强以及花粉算法全局寻优能力强的优点相结合,提出一种基于K-means的学生t分布混合模型,用于遥感图像分割。该方法中,根据学生t分布与高斯分布以及柯西分布比较接近的特点,对花粉算法的执行过程进行改进。将K-means算法与改进后的花粉算法结合以提高聚类效果,从而快速确定混合模型参数初始值。混合模型最终参数的求解主要采用EM算法,以提高算法最终的图像分割效果。仿真图像和实际图像实验结果显示,该研究得到了比对比方法分割精度更高、稳定性更好的分割结果。