改进人工蜂群优化的K均值图像分割算法

K均值聚类在图像分割时精度较低且缺乏稳定性.人工蜂群算法在对K均值聚类进行优化后存在算法效率不高的缺点.针对以上问题,提出一种改进人工蜂群和K均值聚类的图像分割算法IABC-K.根据人工蜂群算法在蜜源更新和蜜源开采阶段的不同特点,对人工蜂群算法进行了改进.在蜜源更新阶段,采用了最优适应度关联的自适应邻域搜索机制,提高了蜜源更新速度;在蜜源开采阶段,采用了最优适应度关联的线性递减邻域搜索策略,提高了蜜源开采质量.实验结果表明:IABC-K算法在质量、效率和稳定性方面均优于其它类似算法.IABC-K算法可应用在质量和性能要求较高的图像处理领域.     

改进粒子群结合K 均值聚类的图像分割算法

K 均值聚类的分类结果过分依赖于初始中心的选择且容易陷入局部最优。文中针对K 均值的缺陷,提出了一种基于随机权重粒子群和K 均值聚类的图像分割算法RWPSO KM。在算法开始,利用随机权重粒子群算法的全局搜索能力避免算法陷入局部最优。然后根据公式计算种群多样性执行K 均值算法,利用K 均值算法的局部搜索能力实现算法的快速收敛。实验结果表明, RWPSO KM与K 均值聚类和PSOK相比具有更好的分割效果和更高的分割效率。     

基于模糊C均值聚类的作物病害图像分割方法研究

图像分割是指将人们感兴趣的目标从背景中分割出来,分割结果的好坏直接影响后期的图像分析和识别.基于作物病害图像的分割技术就是将病斑从病害图像中分割出来,以便于后期病害的诊断和识别.模糊C均值聚类是一种重要数据分析和建模的无监督方法,为提高作物病害图像的分割效果,根据作物病害图像的特点,提出一种基于模糊C均值聚类算法的作物病害图像自适应分割方法,并与K均值聚类算法进行比较,结果显示本文算法在进行图像分割方面表现出明显优势.     

基于PSO优化K均值聚类的葡萄果穗图像分割算法

针对复杂背景下现实葡萄果穗图像分割问题,本文提出了一种基于粒子群优化K均值聚类的分割算法,利用粒子群算法的全局搜索能力,优化初始聚类中心的选择,根据得到的聚类中心进行聚类,可以有效改善K均值聚类算法易受初始化聚类中心影响的问题.实验表明,该算法分割准确率较高,分割得到的葡萄轮廓完整,可以有效的将葡萄从复杂背景中识别出来...     

非局部模糊C均值聚类图像分割

改进的广义模糊C均值聚类分割算法(GIFP_FCM)是一种新型的模糊聚类算法。然而,GIFP_FCM对噪声很敏感,这是因为该算法忽略了图像的空间信息。为了解决这一问题,本文提出一种新算法,即非局部自适应空间约束聚类算法(FCA_NLASC)。在该方法中,一种新的非局部自适应空间信息被引入到改进的GIFP_FCM的目标函数。该算法的特点是控制每个像素在非局部空间信息图像中的噪声。对于合成图像和真实图像,与GIFP_FCM算法比较,实验结果表明,FCA_NLASC算法能够较好地保持图像细节特征,并且对噪声具有较强的鲁棒性。     

基于粗糙集的图像聚类分割方法研究

结合粗糙集理论和K2均值聚类算法,提出了一种图像分割方法。将原图像按等价关系进行划分,基于属性约简的概念对不同区域按照不可分辨关系分类。分割结果表明,文中方法是一种有效的图像分割方法,具有良好的鲁棒性。     

改进人工蜂群算法在图像分割中的应用

作为图像处理技术的一个分支,多阈值图像分割技术已经越来越吸引人们的注意.然而,很多阈值分割技术计算时间较长,且其随着维数的增加而呈指数性增长.因此,为了提高分割的效率,引入基于改进人工蜂群优化算法的多阈值图像分割技术.在分析了标准人工蜂群算法缺陷的基础之上,从雇佣蜂和观察蜂的搜索公式进行改进,使其能够更有效率地收敛至全局最优,同时采用最大类间方差法(Otsu)作为测试改进算法性能好坏的标准.实验证明,改进后的算法更好地平衡了全局搜索和局部寻优能力,在加快收敛速度的同时提高了寻优精度,获得了良好的图像分割效果.     

一种改进的核可能性C-均值聚类图像分割算法

可能性C-均值聚类(PCM)算法比传统模糊C-均值聚类算法具有更好的鲁棒性,但其应用于图像分割时没有充分考虑图像的局部空间信息。基于PCM算法,提出一种核空间与自适应中值滤波相结合的改进算法。算法利用自适应中值滤波获得像素的局部空间信息,并由此生成一种新的模糊因子加入到目标函数中,然后在核空间中对目标函数进行优化求解,得到最优聚类中心和隶属度。由实验结果可知,所提算法对被高椒盐噪声污染的图像具有较高的准确性和鲁棒性。     

基于改进的模糊C均值聚类图像分割新算法

模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感。为了克服上述问题,提出了一种新的基于改进的FCM图像分割算法。该方法将空间的信息融入到标准的FCM算法中,通过引入表征邻域像素对中心像素作用的先验概率来重新确定当前像素的模糊隶属度值,该概率在算法执行过程中根据模糊隶属度值自动地予以确定。算法中使用基于统计直方图的快速FCM算法进行初始化,收敛速度大大提高。人造图像和实际图像的实验结果表明该方法的有效性和对噪声具有较强的鲁棒性。     

基于粒子群模糊C均值聚类的快速图像分割

模糊C-均值聚类算法是一种无监督图像分割技术,但存在着初始隶属度矩阵随机选取的影响,可能收敛到局部最优解的缺点。提出了一种粒子群优化与模糊C-均值聚类相结合的图像分割算法,根据粒子群优化算法强大的全局搜索能力,有效地避免了传统的FCM对随机初始值的敏感,容易陷入局部最优的缺点。实验表明,该算法加快了收敛速度,提高了图像的分割精度。     

基于改进人工蜂群算法的多阈值红外图像分割

针对传统的多阈值红外图像分割中多阈值选取存在的效率低、计算重复等问题,提出了一种基于改进人工蜂群算法的多阈值红外图像快速分割算法.首先,在阈值选取时引入人工蜂群算法,实现多阈值的选取.然后,针对原始人工蜂群算法存在的收敛速度慢、容易陷入局部最优的缺点,分别从引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,使其更快、更准地收敛于最优解.实验表明,相比于原始人工蜂群算法,改进后的算法在精度相同时速度更快,迭代次数相同时结果更接近最优解.该算法能够在保证精度的前提下高效地对红外图像进行多阈值分割,是一种可行的红外图像分割方法.     

最小属性约简问题的一个有效的组合人工蜂群算法

粗糙集理论中的最小属性约简（MAR ）问题是一个NP-难的非线性约束组合优化问题。本文提出一个新的求解MAR问题的组合蜂群算法,其中,引领蜂、跟随蜂和侦察蜂采用基于变异运算的搜索模式,在邻域候选蜜源的生成中引入与属性子集相关的两个度量,并且跟随蜂采用与引领蜂不同的局部搜索策略以提高搜索多样性。此外,在本文算法中,角色分工不同的蜂群以不同的方式利用迄今最好蜜源的信息进行搜索。在若干UCI数据集上的实验及其统计检验结果表明,本文算法在求解质量上优于其他的元启发式属性约简算法,因而可有效地应用于最小属性约简问题的求解。     

基于改进人工蜂群正余弦优化的红外图像分割方法

针对红外图像背景复杂且分割难度较大等问题,提出了一种改进人工蜂群正余弦优化的红外图像阈值分割方法.首先是将二维Otsu函数作为蜂群算法的适应度函数;其次采用混沌对立的学习方法和差分进化的方法改进了初始化种群和蜜蜂搜索方程;然后利用改进的蜂群算法优化阈值,缩小阈值的搜索区域;最后利用正余弦法计算出全局最优解,该最优解即为...     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

基于蜂群优化模糊聚类的遥感图像变化检测

针对模糊聚类算法容易陷入局部最优,结合人工蜂群算法的全局最优性,提出一种基于蜂群优化模糊C均值聚类的新算法,并将此算法应用到遥感图像的变化检测中。利用差值图和比值图融合的方法得出多时相遥感图像的差异图,在对差异图像进行模糊聚类生成变化类和未变化类的同时,利用人工蜂群算法对差异图进行全局搜索,较大程度地避免FCM算法陷入局部最优,也降低了FCM算法对初始解的敏感度。实验结果表明,新算法比FCM分类准确、效率更高。     

人工蜂群聚类在雷达信号分选中的应用

针对传统的 K-Means 聚类雷达信号分选算法对初始聚类中心敏感和易陷入局部最优解的缺点,将改进的人工蜂群算法和 K-Means 迭代相结合,提出了一种混合聚类雷达信号分选算法,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

一种基于Levy-人工蜂群的三维Otsu阈值分割算法

针对图像分割过程中三维Otsu算法运算时间长、计算量大的问题,提出了一种基于Levy-人工蜂群算法的三维Otsu阈值分割算法。首先,以像素灰度值-邻域均值-邻域中值的三维类间方差作为人工蜂群算法的适应度函数;其次,采用Levy飞行模式评价像素的适应度,对其种群更新及邻域搜索过程进行优化,以增强其全局搜索能力;最后,利用改进后的算法得到的分割阈值对图像进行分割。仿真实验结果表明,与传统三维Otsu阈值分割算法相比,所提算法能够有效降低图像存储空间,处理时间降低了30.8%,具备更好的抗噪性能,分割效果也更为理想。     

改进的蜂群算法评定空间直线度误差

建立了直线度误差的最小区域评定模型,提出了一种改进的蜂群算法并将其应用到直线度误差评定中。阐述了基本蜂群算法的原理,给出了评定直线度的目标函数,利用混沌序列的全局遍历性,混沌初始化蜜源位置,以期提高蜂群算法的鲁棒性。比较改进蜂群算法与两种典型群智能算法的实例计算结果,证明该算法评定球度误差时不仅收敛速度快、评价精度高,而且鲁棒性高,适用于形位误差的优化评定。     

基于全局无偏搜索策略的精英人工蜂群算法

针对精英人工蜂群算法（ABC_elite）加速收敛和早熟停滞现象的矛盾,提出一种改进算法（EABC_elite）.该算法通过在雇佣蜂阶段引入全局最优解加速收敛,同时通过普通个体平衡全局最优解过大的引导作用,因此全局最优解与普通个体的信息都能得到利用而算法仍能较好平衡.在观察蜂阶段引入普通个体避免算法早熟收敛.改进算法在加速收敛与防止早熟之间取得很好的平衡,总体上没有偏向任何方向,增强了ABC_elite的全局搜索能力.实验表明,改进算法的性能显著好于ABC_elite以及最近提出的几种较高水平的改进人工蜂群算法.