基于自适应蚁群的FCM聚类优化算法研究

模糊C均值聚类算法在算法初始化时需要人为设定聚类类别数、随机初始化聚类中心,致使该算法容易陷入局部最优值.为解决此类问题,在蚁群算法中引入信息素更新机制,使其输出的聚类中心更具全局优化的特征和较强鲁棒性的特点;用蚁群算法得到的聚类中心来初始化FCM算法的聚类中心,解决了FCM算法对初始聚类中心敏感的问题;使用结合熵信息与数据几何结构的聚类有效性评价方法对FCM算法和优化FCM算法进行评价,评价结果表明优化的FCM算法性能更优.在仿真实验中,利用提出的优化算法和FCM算法对自然图像、纹理图像和SAR图像进行分割实验,从图像分割的准确性和算法的实时性做对比实验,验证了优化算法的有效性.     

基于改进模糊聚类算法的路面裂纹图像分割

图像分割是路面裂纹识别的关键步骤,图像分割的效果直接影响路面裂纹的识别和分类。针对路面图像模糊核均值聚类算法中迭代结果容易出现局部最优的问题。提出一种改进的模糊核均值聚类算法,利用OTSU算法先获得最佳阈值,再通过该阈值得到各聚类的灰度均值,将这些均值作为聚类中心的初始值以实现模糊聚类算法。路面图像裂纹分割试验结果证明,提出的改进算法实现初始聚类中心的优化,避免算法出现局部最优,提高了分割效果,可以应用到路面裂纹图像分割的工程应用中。     

基于SSCL的模糊C均值图像分类方法

针对传统模糊C均值聚类方法对噪声敏感和过分依赖于初始聚类中心的缺点,提出基于SSCL的模糊C均值图像分类的自适应算法。该算法首先通过SSCL获得初始类别数和类别中心,然后作为模糊C均值聚类的输入,自动对图像进行分割,并对图像分割结果利用空间信息进行后处理。实验结果表明该方法较好地解决了FCM算法中的初始化和噪声敏感问题,具有较好的分类结果。     

一种改进的指纹图像分割算法

指纹图像分割是指纹识别技术中的重要步骤之一。本文在分析了已有分割算法存在的不足的基础上,提出了一种改进的指纹图像分割算法,该算法引入像素聚类的概念,将灰度特性和像素聚类相结合,形成以灰度特性为主、像素聚类为辅的分割算法,该算法克服了前面算法由单一阈值分割的缺陷。实验表明对于背景条件较复杂的指纹图像,本算法也能很准确地实现指纹图像的分割,具有较好的鲁棒性。     

一种鲁棒的彩色地图分割算法

研究了一种按颜色分割彩色地图的新算法。根据人类初级视觉的特性,先大致将图像分割为低频区和高频区,然后进行颜色聚类和区域生长。该方法不需人为指定聚色中心和类数,阈值的选定不对最终分割质量起决定性作用,具有较好的鲁棒性。     

基于改进的FCM算法提取彩色图像有意义区域

针对传统的FCM算法随机获取初始聚类中心与分类类别数的缺陷问题,提出了一种获取初始聚类中心与分类类别数的方法,并采用交叉熵测度准则进行FCM聚类,对彩色图像进行分割,提取有意义区域.实验结果表明,该方法不仅能够提高算法的聚类速度与算法的普适度,而且可以改善图像的聚类效果.与传统的FCM算法相比,该算法更易于实现彩色图像有意义区与背景的分离,分割效果令人满意.     

基于蚁群优化的直觉模糊聚类脑MR图像分割

针对现有模糊C均值(FCM)聚类算法存在的对初始参数敏感、迭代速度慢,以及对噪声鲁棒性差等问题,提出将蚁群优化算法(ACO)与直觉模糊聚类相结合的方法用于分割脑部MR图像.该算法采用自适应蚁群优化算法获取初始聚类中心与聚类个数作为直觉模糊聚类的初始值,将融入了局部空间信息和犹豫度的直觉模糊聚类算法应用于含噪声脑部图像及脑肿瘤图像进行分割.实验结果表明该算法能够有效抑制噪声干扰且保存图像细节,相较于FCM及相关改进算法具有更高的分割精度和分割效率.     

K-均值聚类算法在电容器外观图像分割中的应用

电容器是电子整机产品的必要器件。由于制造工艺及设备水准的限制,露白是一种常见的电容器外观缺陷。基于K-均值聚类算法,结合露白电容器外观图像的特点,提出了电容器露白区域分割算法。根据Ohta等人的研究成果,选取能有效表示彩色特征的彩色特征集中的第一个分量,用来替代K-均值聚类图像分割中的灰度;确定分类类别数为两类,采取了粗糙集理论的算法,求出初始聚类中心和间距阈值。实验表明,该图像分割算法能有效分割出电容器图像的露白区域,具有较好的精确度和准确度。     

基于模糊熵和RPCL的彩色图像聚类分割

提出了一种基于模糊熵和RPCL(rival penalized competitive learn ing)的彩色图像聚类分割算法。该算法可以自动确定图像的颜色类数目和初始类中心,从而提高了聚类的收敛速度,并且能够解决模糊熵阈值化分割算法所造成的过度分割问题。首先,计算彩色图像各颜色分量的模糊熵,获得分量模糊熵曲线,并根据模糊熵原理确定各分量的分割区域及聚类中心;然后,对各分量的聚类中心进行组合,形成彩色图像可能的聚类中心。但是,组合的聚类中心数目会多于实际的聚类数目,造成过度分割。因此,本文采用RPCL算法,对这些组合的聚类中心颜色进行学习来确定实际的颜色类数目以及聚类中心,并用学习后的聚类中心对原图像进行聚类分割。实验结果表明,该算法能有效地分割彩色图像,无需事先给定聚类数目和初始类中心。     

结合[k]-means的自动FCM图像分割方法

针对图像分割中模糊C均值算法（FCM）无法自动确定聚类中心,不考虑像素邻域信息的问题,提出一种结合[k]-means的自动FCM图像分割方法。该方法先由图像的灰度直方图确定聚类数目,使用一种改进的快速FCM方法产生初始聚类中心。即通过一步[k]-means算法对大隶属度灰度更新模糊聚类中心,同时仅对小隶属度灰度使用快速FCM?方法进行隶属度更新,迭代后得到初始聚类中心。利用改进隶属度的FCM算法进行最终聚类。实验表明,该方法获取初始聚类中心接近最终值,加速图像分割,并对噪声具有一定的鲁棒性。     

融合模糊Histon阈值和FCM的Lab空间色彩分割算法

提出了一种简单有效的自适应无监督方法。在CIELab空间中利用模糊Histon阈值技术获得图像中所有可能的均匀区域,即通过寻找峰值,区域初始分割和区域颜色相似性合并,获得由聚类中心标注的均匀区域,提出自适应FCM聚类算法以提高均匀区域之间的紧密度,最终完成色彩分割。该算法已成功应用到伯克利图像库,相比当前一些无监督色彩分割算法,例如：Mean-Shift、NCuts取得了合理更好的划分,视觉上有效提取目标物体,具有一定鲁棒性。     

一种有效抑制噪音的模糊C均值图像分割算法

提出一种能够有效抑制噪音的模糊C均值聚类算法,通过构造基于灰度-中值的空间信息和塔形结构减少噪音对聚类中心的影响,塔形结构的引入缩短了运算时间,通过自适应地选取隶属度阈值避免人为设定阈值的不灵活性,在图像分割时用中值图像代替源图像消除噪声点。仿真实验表明,该方法更加适合处理受噪音污染的图像,分割结果更加精确。     

自动确定聚类中心的快速搜索和发现密度峰值的聚类算法

快速搜索和发现密度峰值的聚类算法(CFSFDP)具有不能自动确定聚类中心的缺点,文中提出自动确定聚类中心的CFSFDP.首先针对变量分布不均匀的问题,将密度和距离进行归一化处理.再通过切比雪夫不等式确定归一化后的密度阈值上限,利用标准差确定归一化后的距离阈值上限.最后根据决策函数确定决策阈值上限,统筹考虑两种决定因素,避免中心点选取遗漏,自动确定聚类中心.实验表明,文中算法可以有效地自适应选择聚类中心,具有较好的鲁棒性和有效性.     

改进的K均值聚类算法彩色图像分割的研究

针对传统K均值聚类算法在彩色图像分割中受K值和初始聚类中心影响较大等问题。在基于图像子块划分的基础上给出了一种k值和初始聚类中心确定方法,并用区域生长算法对聚类后的子块进行块后处理,利用提出的算法对多幅自然图像进行了分割实验,并与相似的分割方法进行了比较实验,给出了详细的实验结果与分析。实验表明该方法分割速度快,效果好,具有较高的实用价值。     

融合直方图阈值和K-均值的彩色图像分割方法

提出了一种简单有效的彩色图像分割方法。应用直方图阈值技术获得彩色图像中所有可能的均匀区域,即通过寻找主峰值,对区域作初始化和合并,获得由相应的聚类中心标注的均匀区域,提出自适应K均值算法以提高已经形成的均匀区域间的紧密度。实验结果表明,该方法与IAFHA方法比较,分割的区域数较少,且分割速度较快,具有一定鲁棒性。     

基于模糊率的FCM自适应图像分割方法

提出一种基于模糊率的模糊C均值自适应图像分割方法。该方法根据波谷波峰梯度检测法自动确定模糊聚类数目,利用模糊阈值法快速确定较为准确的初始聚类中心,建立包含特征信息和空间信息的新目标函数,实现图像的自动分割。实验结果表明,该方法的分割速度快、精度较高,具有较强的鲁棒性。     

基于AP聚类算法的图像分割应用与研究

针对传统聚类算法在图像分割中对聚类中心选择敏感,可靠性差的缺点,本文采用AP聚类算法研究图像分割问题。AP(Affinity propagation)聚类算法是通过数据点之间的信息传递产生高质量的聚类中心,避免了聚类初始中心选择难的问题。本文通过与K均值算法和模糊C均值算法在图像分割中的实验比较,得出本算法优于其他两种算法,对图像可取得良好的分割效果。     

基于加权共享近邻与累加序列的密度峰值算法

密度峰值聚类（DPC）算法在对密度分布差异较大的数据进行聚类时效果不佳,聚类结果受局部密度及其相对距离影响,且需要手动选取聚类中心,从而降低了算法的准确性与稳定性。为此,提出一种基于加权共享近邻与累加序列的密度峰值算法DPC-WSNN。基于加权共享近邻重新定义局部密度的计算方式,以避免截断距离选取不当对聚类效果的影响,同时有效处理不同类簇数据集分布不均的问题。在原有DPC算法决策值的基础上,生成一组累加序列,将累加序列的均值作为聚类中心和非聚类中心的临界点从而实现聚类中心的自动选取。利用人工合成数据集与UCI上的真实数据集测试与评估DPC-WSNN算法,并将其与FKNN-DPC、DPC、DBSCAN等算法进行比较,结果表明,DPC-WSNN算法具有更好的聚类表现,聚类准确率较高,鲁棒性较强。     

融合全局最好和声搜索算法的模糊C均值聚类图像分割

针对传统模糊C均值(FCM)聚类算法聚类数目难以确定,迭代速度慢,易陷入局部最优以及对聚类中心初始值的设置敏感等问题,提出一种融合全局最好和声搜索模糊C均值(GBHS-FCM)聚类算法。首先,利用全局最好和声搜索(GBHS)算法的全局性和鲁棒性的优点,得到初始聚类中心和聚类个数,再将其作为传统FCM聚类算法的初始聚类中心和聚类个数;其次,提出一种新颖的模糊聚类目标函数,将图像像素点邻域依赖特性考虑进来,与像素点灰度信息共同作用,增强了分割结果空间的连续性;此外,还采用了一种新颖的距离公式代替欧氏距离公式,增强了新算法对噪声的鲁棒性。仿真结果表明,新算法有效避免了传统FCM算法因初始聚类中心设置敏感而收敛到局部最优解,在聚类精度、速度和鲁棒性上均比传统FCM算法有所提高,针对具有不同特征的图像分割取得了较好的结果。     

一种基于激光传感器的自适应直线提取算法

针对Split-and-Merge直线提取算法对参数敏感和运算效率低的问题,提出一种基于该算法的自适应直线提取方法,根据自适应阈值对激光数据进行邻近点簇分割,基于Prototype-based fuzzy clustering算法对邻近点簇进行线段分割,利用最小二乘拟合直线参数。实验结果证明,该方法显著提高了线段分割的鲁棒性和线段提取的精度,以及算法的运算效率。