蚁群算法与K均值算法结合翻译.docVIP

基于蚁群算法和K-均值聚类的图像分割群体智能是一个相对较新的解决问题方法，昆虫和其他动物的社会行为灵感。蚂蚁有启发的方法和技术，其中研究最多和最成功的是通用的优化技术，被称为蚁群优化 蚁群算法是一种仿生进化算法。这种平行的正反馈机制的算法的并行性，鲁棒性和易于与其他方法结合具有一定的优势。因此，出色表现和巨大的发展潜力，并成功地应用于旅行商问题（TSP），车辆路径问题（VRP的），数据挖掘，图像处理等。因此，应用到图像处理，蚁群算法具有广泛的前景本文如下。在第2节介绍了蚁群算法及其在图像分割中的应用的基本原则。在第3节推出的K-means聚类及其在图像分割中的应用程序的基本原则。根据其在图像分割的，在第4节提出结合这两种算法的改进算法在第5节实验结果。最后，对实验结果的一些结论是6节。是一个组合优化问题的启发式算法设计的典范Colorni，Dorigo和Maniezzo在1991年提出，当时被称为蚂蚁系统。此后，便出现了许多新的变种，如蚁群系统（ACS），最大最小蚂蚁系统（MMAS的）等。在K-means聚类是一个分组，使组内方差最小化的对象的划分方法。本地通过最大限度地减少每个子集的不同，该算法将在全球产生的所有子集的最佳相异[8]。给出的算法，适用于图像阈值，按以下步骤：第一步：选K个初始聚类中心，z1(1)，z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个模式样本的向量值作为初始聚类中心。 第二步：逐个将需分类的模式样本{x}按最小距离准则分配给K个聚类中心中的某一个zj(1)。 假设i=j时， ，则 ，其中k为迭代运算的次序号，第一次迭代k=1，Sj表示第j个聚类，其聚类中心为zj。 第三步：计算各个聚类中心的新的向量值，zj(k+1)，j=1,2,…,K 求各聚类域中所包含样本的均值向量：其中Nj为第j个聚类域Sj中所包含的样本个数。以均值向量作为新的聚类中心，可使如下聚类准则函数最小：在这一步中要分别计算K个聚类中的样本均值向量，所以称之为K-均值算法。 第四步：若 ，j=1,2,…,K，则返回第二步，将模式样本逐个重新分类，重复迭代运算； 若 ，j=1,2,…,K，则算法收敛，计算结束。基于图像分割改进算法K-means聚类的收敛速度比ACS的速度更快，但K-means聚类一流的成果有很大关系的初始类中心。ACS的结果是准确的，但其收敛速度很慢。原因是，每个路径的信息素是在初始化的算法相同，蚂蚁是很难短的时间内更好地的路径。因此，该算法加以改进，改进后的算法的基本思想是：K-means聚类的快速分类，然后更新信息素类的结果，直到其他蚂蚁选择更好的路径。算法描述初始化参数计算类中心计算每个像素的距离，初始化类中心开始流通，计算隶属度。如果计算值是一个随机数，信息素增量和更新使用（3），（4）和（9）。（7）的类中心，否则这个蚂蚁不属于总NS。如果某些像素不属于，返回到步骤4，否则结束循环计算使用的阈值（8），分割图像。改进后的算法的主要目的是找到一种图像分割方法，能有效灰度变换的图像处理功能，这是RGB颜色特征模型的线性变换(2G -R -B) / 4 . 其中，G，R，B分别是绿色，红色和蓝色分量。此功能模型广泛的应用农业机器人视觉导航，如图所示功能模型能够获得最好的农业机器人视觉导航作物的绿色信息，如图所示（由于青玉米小图3，图4是不是很清楚，看到效果图7）。图5显示的图像后处理功能图的原始彩色图像的灰度变换。据了解，ACS包括一些调整，这大大影响了算法的性能参数，这些参数的选择过程和复杂。然而，改进后的算法的参数，可以简单地确定。这些参数的值改进算法的。的范围是0到5，范围是0到5，范围为0.1至0.99，Q的范围是1至100通过实验，改进后的算法的主要参数被确定为= 1，= 5，= 0.5?andQ=1。如图所示改进后的算法可以适用于普通的灰度图像分割6。分割的结果是没有差异的K-means聚类，如图所示改进后的算法可以应用到段后，通过加工功能I3有效的灰度变换的图像，如图所示玉米图信息。?4的分割图清楚。7虽然图的分割效果?6是明显。但是，如果灰度变换后的图像处理功能I3分割的K-means聚类（k =3），分割的结果是致命的，并没有达到要求，如图所示的分割结果。?9是一个几乎空白的图，10是不完全的由ACS的聚类必须重复多次衔接，成本的时间超过十分钟。然而，只用了一次的图像分割改进算法收敛，花费时间为29秒。因此，改进后的算法可以减少计算的复杂性根据ACO和K-means聚类本文提出了基于ACO和K-means聚类的图像分割方法的特点。实验结果证明，改进后的算法是一个有效的图像分割方法，该算法可以，减少分割时间，提高分割效果，改