基于K均值聚类和粒子群优化的多核SVM图像分割

图像分割是图像理解和计算机视觉的重要内容.针对单核SVM在进行图像分割过程中不能兼顾分割精度高和泛化性能好的问题,提出一种基于K均值聚类和优化多核SVM的图像分割算法.该算法首先运用K均值聚类算法自动选取训练样本,然后提取其颜色特征和纹理特征作为训练样本的特征属性,并使用其对构造的多核SVM分割模型进行训练,最后用粒子群优化算法对多核核参数、惩罚因子以及核权重系数联合寻优,使生成的多核SVM具有更好的分割性能.实验结果表明,本文方法在有效提取图像目标细节的同时,获得了更高的分割精度,与基于单核的SVM分割模型相比,具有更强的泛化能力.     

基于PSO优化SVM的纹理图像分割

针对传统纹理图像分割方法运行时间长,分割准确率较低,提出基于粒子群优化算法(PSO)优化支持向量机(SVM)的纹理图像分割方法。首先在自适应调整惯性权重λ的控制策略中加入PSO中的当前迭代次数和种群数,改进PSO的惯性权重λ的性能;接着运用PSO寻找最优惩罚系数C和高斯核函数中参数γ,然后运用SVM方法对训练样本综合训练建立最佳分类模型,并对纹理图像分割测试。结果表明:对比传统方法,该方法不仅缩短运行时间,分割准确率也得到了提高。同时,对比传统惯性权重对分割结果的影响,改进后的方法使得平均收敛代数减少,寻优时间缩短。     

基于 PSO的快速模糊 C均值图像分割算法 *

利用粒子群算法全局性和鲁棒性的特点 ,可以解决模糊 C均值算法 ( FCM)用于图像分割时对初始值敏感、容易陷入局部极小值的问题。但是设定粒子群算法的初始搜索范围依赖于人的经验 ,并且所设范围往往过大,影响算法的执行速度 ,为此提出用收敛速度快的 K均值聚类法得到的聚类中心作为粒子群算法初始搜索范围的参考 ,缩小粒子群算法的搜索范围 ,提高算法执行速度。实验表明该算法具有较高的分割速度和良好的抑制噪声的能力。     

样本驱动的半自动图像集前背景分割

图像集的前背景分割是近年来图像处理与图形学领域的一项热点研究工作.针对图像集中的图像逐个进行交互分割会涉及大量的用户操作,导致效率低下,而联合分割方法通常局限于处理具有相似前景的图像集,且因需求解大规模的优化问题较为耗时的问题,提出一种样本驱动的半自动图像集分割方法.首先选取若干图像作为样本进行手动交互分割,训练基于样本图像超像素特征描述的支持向量机分类器;对于其余待分割图像,根据其超像素特征描述到支持向量机分隔超平面的距离计算基于双弯曲Sigmoid函数映射的前景置信度,再采用图切割的算法实现目标图像的快速自动分割.对于包含错误分割的个别图像,进一步提出一种交互式局部修正方法修复错误分割区域,并获得最终的精确分割结果.在2个标准数据集上进行算法有效性验证和对比实验的结果表明,与联合分割算法相比,文中方法能更好、更快地实现在线分割;与逐个交互分割算法相比,文中方法能以相对较小的交互量实现对目标图像集的精确分割.     

基于训练样本自动选取的SVM彩色图像分割方法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容。基于支持向量机((Support Vcctor Ma- chine, SVM)的方法现已广泛应用于图像分割,但其在训练样本的选取上大多是人工选择,这降低了图像分割的自适 应性,且影响了SVM的分类性能。提出一种基于训练样本自动选取的SVM彩色图像分割方法,算法首先使用模糊 C均值(Fuzzy C-Mcans, FCM)聚类算法自动获取训练样本,然后分别提取图像颜色特征和纹理特征,将其作为SVM 模型训练样本的特征属性进行训练,最后用训练好的分类器对图像进行分割。实验结果表明,提出的方法可取得很好 的分割结果。     

基于PSO算法的支持向量机核参数选择问题研究

核函数中的参数选择是支持向量机中的一个非常重要的问题,它直接影响到模型的推广能力.本文提出了采用粒子群算法搜索支持向量机最优核参数的方法,并在Checker数据集上进行了实验,实验结果表明,通过这种方法选择出来的核参数能够提高分类正确率以及预测正确率,具有一定的实用性.     

EM聚类和SVM自动学习的白细胞图像分割算法

白细胞图像分割是白细胞自动识别的关键环节,其分割效果直接影响后续步骤.为提高光照、颜色不稳定情况下的分割精度,提出一种基于期望最大化(Expectation maximization,EM)聚类和支持向量机(Support vector machine,SVM)自动采样-学习的彩色白细胞图像分割方法.首先采用EM算法对CIELUV颜色空间的L分量聚类得到细胞核区域.在细胞浆分割阶段,先利用EM过分割和膨胀的细胞核区域获取正负样本候选区域;接着用基于EM的分层抽样得到正负样本;再提取颜色特征自动对正负样本训练获得SVM模型;最后科用SVM分类模型得到整个细胞区域.与传统的白细胞图像分割算法相比,本文方法更能适应图像光照和颜色的变化;与同类的分割算法相比,本文方法提高了分割精度.相关实验结果表明,本文算法具有良好的精度和鲁棒性.     

基于PSO的模糊C-均值聚类算法的图像分割

根据粒子群优化算法（PSO）强大的全局搜索能力,提出了用PSO算法优化模糊C均值聚类（FCM）的聚类中心的方法,有效地避免了传统的FCM对初始值及噪声数据敏感,容易陷入局部最优的缺点,同时图像分割的效果也得到了提高,性能也比传统的FCM方法更加稳定。实验结果反映了该方法的有效性。     

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.     

基于灰度重构和PSO的FCM分割MRI

为解决模糊C均值(FCM)模型对噪声敏感和随机初始聚类中心影响分割结果的问题,提出一种基于灰度重构和自适应粒子群优化的FCM算法.使用图像中每两个像素的空间和灰度信息,构造一种加权方式对灰度进行加权和,进行Top-hat和Bottom-hat变换,得到灰度重构图像;对粒子群算法的惯性权重进行改进,使其根据迭代情况自适应...     

结合模糊聚类与支持向量机的图像分割（英文）

提出一种新的混合的图像分割方法,利用模糊C均值聚类与支持向量机两种方法相结合。此方法首先将图像的空间分布信息作为支持向量机的特征分量,再用模糊C均值聚类获得的分类结果作为支持向量机所需的初始训练样本,并对图像的所有像素点进行分类,同一类中的像素点形成一个分割区域,以此获得图像分割。实验表明,此将模糊C均值与支持向量机结合的新方法获得的图像分割效果较好,在一定程度上解决了支持向量机特征维数过大所导致的维数灾难问题。     

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。     

一种改进彩色图像分割方法

文章首先通过非线性变换把RGB彩色图像转换为HSV彩色图像,然后和构造的一个卷积模板相乘,将相乘结果用于文中提出的改进粒子群优化算法中,将图像分割出来,从而文章提出了一种新的彩色图像分割方法。经过仿真实验表明,文中提出的方法不仅图像分割效果好,而且运算时间也有明显减少,改进粒子群优化算法收敛快且稳定,从而证明了该方法是可行和有效的。     

基于粒子群算法与方向图法的指纹图像分割

指纹识别作为生物识别技术最为成功的应用之一,近年来已得到快速发展和普及．而指纹图像分割技术是指纹处理特征点提取的基础,同时也是高效识别指纹的关键,直接影响整个指纹识别系统的性能．本文在对相关的指纹图像分割方法分析的基础上,利用粒子群算法的阈值分割方法和方向图的指纹图像分割技术的优点,进一步研究并提出了一个混合分割方法．实验结果表明,这两种方法的结合运用可以获得良好指纹图像分割效果．     

基于混合PSO CS算法的彩色图像多阈值分割

彩色图像分割是数字图像处理的一个难点。本文研究群体智能算法对彩色图像的分割,针对布谷鸟算法莱维飞行寻优的跳跃性带来的缺陷,在每次莱维飞行结束后引入一种改进的粒子群位置变异方程引导寻优,并对发现概率和步长因子分别提出新的自适应方程,在此基础上提出一种混合粒子群布谷鸟算法（HPCS）,以此混合算法进行彩色图像多阈值分割。实验结果表明,本文提出的HPCS算法在彩色图像分割的效率和质量方面均比较理想。     

核方法的探讨及其应用

核方法是机器学习中一种新的强有力的学习方法。针对核方法进行了探讨,给出了核方法的基本思想和优点。同时,描述了核方法的算法实现并举例进行了说明。     

基于改进PSO优化SVR的交通事故预测模型

为了有效预测交通事故,提出一种基于改进粒子群算法优化支持向量回归机的预测模型。改进粒子群算法利用网格搜索对全局最优粒子的邻域进行精细搜索,结合粒子群算法较快的收敛速度和网格搜索较强局部搜索能力的优点,提高了支持向量回归机相关参数的优化精度,进而改善了交通事故预测模型的预测性能。仿真结果表明,基于改进粒子群算法优化支持向量回归机的交通事故预测模型达到了较快的学习速度和较高的预测精度,具有良好的工程应用性。      

基于粒子群优化算法的阈值图像分割研究

研究将群体智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值.仿真实验针对Lena图像分割问题,将遗传算法与粒子群优化算法分别独立运行,对得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标.统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短.仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的.     

基于QPSO-LSSVM的数据库相似重复记录检测算法

针对大规模数据库的相似重复记录的检测问题,提出了一种量子群优化算法(QPSO)与最小二乘支持向量 机(LSSVM)相结合的相似重复记录检测方法(QPSC}LSSVM)。首先计算记录字段的相似度值;然后利用QPSO对 LSSVM参数进行优化,构建相似重复记录检测模型;最后通过具体数据集进行仿真测试实验。仿真结果表明,QPSCL LSSVM不仅提高了重复记录检测准确率,而且提高了检测效率,是一种有效的相似重复记录检测算法。