基于差分粒子群和模糊聚类的图像分割研究-计算机应用技术(理)专业论文.docxVIP

江西理 江西理工大学硕士学位论文 摘要 万方数据 万方数据 摘 要 图像分割是图像处理的基本技术之一，由于图像本身伴随着模糊性，因此基于模糊聚 类的图像分割算法逐渐受到人们的重视。模糊 C 均值聚类算法（Fuzzy C Mean clustering） 是模糊聚类中最为完善和常用的，它以非线性规划的方式将传统的聚类转化为带约束的数 学优化问题，以梯度下降的迭代方式获取最佳的聚类中心值。基于 FCM 的图像分割采用一 种无监督的学习方式对于图像数据进行分割，可以实现图像数据的自学习和自动分割，减 少了人为的干涉对于分割的影响，然而 FCM 本身受初始聚类中心影响而且会陷入局部极 值。 随着智能计算的发展，越来越多的智能优化算法被应用于图像分割领域，其中差分演 化算法（Differential Evolution）和粒子群算法（Particle Swarm Optimization）是两种很好的 全局优化算法，但是两种算法都具有局限性，因此本文尝试将两种算法进行集成并用于对 FCM 算法进行优化并对图像进行分割。文章将 FCM 算法置于 DE 和 PSO 两种智能优化算 法下研究，并分别对灰度和彩色图像进行分割，其内容概况如下： （1）总结了 FCM 图像分割的主要优缺点和改进的主要策略。并对智能计算中的模糊 聚类、DE、PSO 三种算法的起源、优缺点、改进策略以及应用作了详细的介绍。 （2）针对 FCM 易受初始聚类中心影响陷入局部极值的问题，提出了利用 DE 和 PSO 集成优化的方式对于 FCM 算法进行改进，并提出了 DEPSO-FCM 的图像分割算法。该算 法一方面集成了 DE 算法的全局搜索能力，另一方面又借助于 PSO 算法的局部搜索能力对 于 DE 算法末期收敛慢的问题进行优化；同时也借助于 DE 的快速收敛性对于 PSO 的早熟 进行优化。以两种算法优势互补的方式实现更好的寻优，并对于 FCM 图像分割算法进行优 化，以达到最佳优化的目标。实验证明，该方法具有很好的全局搜索能力和收敛性，对于 含有模糊噪声的灰度图像也可以达到很好的分割效果，其抗噪声干扰能力优于 FCM 算法。 （3）通过对于彩色图像的几种色彩空间（主要是 RGB、HSV 和 HSI）的比较，提出 了将 DEPSO-FCM 分别用于不同的色彩空间进行图像分割。实验结果表明，该算法对于不 同类型的彩色空间均可以很好的进行分割，特别是对于部分含有奇异值点的 H 分量空间也 可以进行很好的分割，有效地避免了 FCM 算法在 H 分量分割时陷入局部极值的情况，具 有更好的稳定性与鲁棒性。 关键词：图像分割；模糊 C 均值聚类；差分粒子群；彩色空间 I Abst Abstract Abstract Image segmentation is one of the basic techniques of image processing. Because of the ambiguity of the image, the image segmentation algorithm based on fuzzy clustering gradually get peoples attention. Fuzzy C-Means clustering algorithm (FCM) is one of the most complete and the most commonly used fuzzy clustering method, which uses non-linear programming approach to traditional clustering into a mathematical optimization problem with constraints and using gradient iterative way to get optimal cluster center value. Image segmentation based on FCM using an unsupervised learning method for image segmentation, image data can be achieved self-learning and auto-segmentation, it reduces human intervention. However, FCM itself affected by the initial cluster centers and it will fall into local optimum. With the development of intelligent comp