基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

K-均值聚类算法在海水背景石斑鱼彩色图像分割中的应用

鱼类图像分割是养殖鱼类行为观测和智能化自动投饵系统的关键先决步骤。针对海水背景图像中鱼体分割,提出一种在人工海水环境中获取石斑鱼彩色RGB图像的软硬件系统,并将K-均值聚类算法应用于RGB格式图像的分割实验。观察并分析了彩色图像的三种单色(R、G或B)像素的直方图特征。以RGB三色像素点和三种单色(R、G或B)像素点为聚类数据集,使用K-均值聚类算法进行图像分割,聚类数设定为2,分别代表海水背景和鱼体目标。通过对100幅图像分割结果的观察和统计,可以得出初步结果,即使用蓝色(B)通道聚类分割的结果,最令人满意。     

基于粗糙集的K-均值聚类图象分割方法

粗糙集理论是一种新的处理含糊和不确定性问题的数学工具,该文结合粗糙集理论和K-均值聚类算法,提出了一种图象分割的方法。将原图象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,该文方法是一种有效的图象分割方法,具有良好的鲁棒性。     

基于K-均值与蚁群混合聚类的图像分割

针对单一聚类算法在图像分割中容易陷人局部最优或有过分割现象,造成分割精确度低等问题,文章提出了基于K-均值聚类和蚁群聚类相结合的新算法.新算法先将K-均值算法作快速分类,根据K-均值分类结果更新蚂蚁各路径上的信息素,指导其他蚂蚁选择,以提高蚁群聚类算法的运行效率.实验结果证明,新算法在图像分割处理的精确度上较单一的K均...     

利用Fisher线性判别细化K-均值聚类算法的灰度图像分割

聚类是图像分割的一种通用方法,K-均值法聚类图像分割具有一定的自适应性,但结果易受聚类中心和几何形状的影响。本文引入Fisher线性判别对K-均值分割的结果进行不断的迭代改进。实验结果表明该方法可以提高分割的精度和准确度。     

基于改进K-均值算法在彩色图像分割中的应用

如何对彩色图像中的目标进行有效的分割是计算机视觉和图像分析的重点和难点,文中提出不断对彩色图像采用最优阈值化进行一次粗分割提取最大目标区域,再利用改进的K-均值算法对提取目标子区域进行精确分割。实验结果表明该方法对彩色图像能够有效地提取目标物体,并对噪声图像具有一定的鲁棒性。     

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SOM神经网和K-均值算法的图像分割

提出了一种基于SOM神经网络和K-均值的图像分割算法。SOM网络将多维数据映射到低维规则网格中,可以有效地用于大型数据的挖掘;而K-均值是一种动态聚类算法,适用于中小型数据的聚类。文中算法利用SOM网络将具有相似特征的象素S点映射到一个2-D神经网上,再根据神经元间的相似性,利用K-均值算法将神经元聚类。文中将该算法用于彩色图像的分割,并给出了经SOM神经网初聚类后,不同K值下神经元聚类对图像分割的结果及与单纯K-均值分割图像进行对比。     

动态的K-均值聚类算法在图像检索中的应用

聚类分析技术已经广泛应用于基于内容的图像信息挖掘领域,该技术提高了图像检索的速度和质量。K-均值算法和自适应算法是两个典型的聚类分析算法,但K-均值算法严重依赖于经验参数和阙值的设定;自适应算法得到的聚类个数太多,相应的就是类内的图像个数过少,效率不是很高。从选取初始聚类点是否具有确定性、迭代次数是否过多和聚类个数是否适当等方面考虑,提出了一种新的聚类算法,即动态的K-均值法。模拟实验的结果表明,该算法具有较好的准确性和效率,使检索的质量和速度都得到了很大的提高。     

基于改进的K均值聚类彩色图像分割方法

提出了一种改进的K均值聚类图像分割方法。针对彩色图像的像素特征,利用Ohta等人的研究成果,选取能有效表示彩色像素特征的彩色特征集中的第一个分量作为图像像素的一维特征向量,用来替代经典K均值聚类图像分割中的灰度．大大降低了运算量。基于粗糙集理论的算法,求出初始聚类个数与均值。选用对特征空间结构没有特殊要求的特征距离代替欧氏距离,应用改进的K均值聚类算法对样本数据进行聚类,从而实现对彩色图像的快速自动分割。实验表明,该图像分割算法可有效提高图像分类的精度和准确度,并且运算代价小．收敛速度快。     

基于粗糙集与差分免疫模糊聚类算法的图像分割

提出了基于粗糙集模糊聚类与差分免疫克隆聚类的图像分割算法。该算法在差分免疫克隆聚类算法的基础上,通过引入粗糙集模糊聚类,将差分免疫克隆聚类算法中的硬聚类变成模糊聚类,从而获得更丰富的聚类信息。具体来说,由于粗糙集的优势是处理不确定的数据,因此,加入粗糙集模糊聚类后更有利于算法解决不确定性问题。通过对9幅图像分割实验结果与4种算法的对比,验证了该算法在聚类性能稳定性方面的优越性,结果还同时证明了该算法具有更高的分割正确率和更好的分割结果。     

一种基于粗糙集的K-Means聚类算法

在传统的硬聚类过程中,得到的簇中数据对象是确定的,然而在现实世界,边界数据是不能被准确划分到任何一个簇的。粗糙集是处理这种边界不确定性的工具,基于此提出了一种基于粗糙集的K-Means聚类算法,这种算法生成的簇包括上近似集和下近似集,可以处理边界对象。试验证明,这种算法是有效的。     

K-Means聚类算法和人工鱼群算法应用于图像分割技术

提出一种基于K-Means聚类的人工鱼群算法, 该算法利用人工鱼群算法鲁棒性较强且不易陷入局部最优值的特点, 动态的确定了聚类的数目和中心, 解决了K-Means聚类初始点选择不稳定的缺陷, 在此两种算法融合的基础上进行图像分割处理, 经试验证明该算法效果理想.     

基于K均值聚类的彩色图像快速分割方法

为克服K均值聚类算法大幅图像分割时运算代价太大、耗时长等问题,论文在K均值聚类算法的基础上,结合块矩阵、查找表技术提出了一种快速彩色图像分割方法.对大量彩色图像的分割实验表明,新算法比传统的K均值聚类算法快了一个数量级,并且该算法产生了较好的分割结果.     

Logistics Customer Segmentation Modeling on Attribute Reduction and K-Means Clustering

To develop logistics customers＇ potential demands for logistics services, and raise the level of logistics enterprise services, the research for customer segmentation has become a primitive work of logistics enterprises in order to run a differentiated customers＇ marketing. Through the use of clustering algorithm, this paper presented a segmentation modeling for differentiating customers in logistics industry. Firstly, based on attribute reduction, redundant properties were simplified in the complex data mining under variable parameters in order to improve the quality and efficiency of the modeling, and then the customer segmentation model was constructed through unsupervised clustering K-Means algorithm. It was verified that the logistics users have the obvious differentiation of characteristics by using the cluster model. And a logistics enterprise achieved significant benefits with application of the model in the differentiated data service marketing.     

基于遗传算法的聚类分析在CT图像分割中的应用

针对CT医学图像的特点,本文将遗传算法与聚类分析两种工具相结合,应用到医学CT图像分割中。对K均值聚类做了简要分析和评论,在此基础上将遗传算法引入聚类分析中,利用遗传算法搜索的随机性和并行性,从而克服了K均值聚类的局部性和对初始聚类中心的敏感性;并且可以根据分割的要求,合理地调整聚类时的特征向量和权重。试验结果表明上述方法是可行的,达到了较好的分割效果。