基于遗传算法的图形图像自动聚类-电路与系统专业论文.docxVIP

摘要I 摘要 I 摘要II 摘要 II 摘要 现今社会，网络技术的飞速发展，极大地促进了网络资源的共享，同时也导 致人们需要面对的信息海量增长。因此，如何从这些信息中准确快速地找到有效 信息，成为人们不得不面对的一个问题。聚类作为数据挖掘的一种重要工具，能 够给出数据的分类划分，具有广泛的应用，已成为目前研究的热点。在聚类问题 的分析研究过程中，往往把聚类看作成一个优化问题，并且可以用不同的优化方 法来解决聚类问题。 形状是事物图像的基本特征之一。在计算机视觉和图像理解与解译中，把目 标物体的形状作为识别特征进行识别是一种重要的方法。实际上，从图像库中对 相同物体进行识别，就是一种自动聚类问题。本文将遗传算法用于图像的聚类， 对所给的形状特征明显的图形图像集用遗传算法进行处理，划分出一个个不同的 类，并且类别的个数由算法给出。具体的工作包含以下内容： （1）Shape Context 是一种用常用的形状描述方法，它利用轮廓点与其余轮 廓点间相对位置信息，计算轮廓点的近邻点位置分布直方图，描述形状。 用 Shape Context 方 法 表 述图 像 的轮 廓特 征， 再 经过 Programming Dynamic 方法、Procrustes Analysis 方法、Edit 距离，计算得到图像间的 相似度矩阵。本章所介绍的图像相似度计算的方法，将用于第三章和第 四章中的聚类算法。 （2）使用遗传算法对图像进行聚类，并在交叉变异操作之后加入 k 近邻局 部搜索算法，使得种群进化的方向向着“类内相似度小”的方向调整。 以一定的概率对染色体进行变异，随机选择并改变染色体的某一基因位； 以概率对染色体进行交叉，随机选择交叉位置，互换该位置之后的所有 基因位，产生两条新的染色体；然后进行局部搜索，在局部范围内搜寻 更优的解；采用轮盘赌的方式进行选择，产生下一代种群。通过实验对 比，结果表明该算法在 ARI 和 MS 评价指标上具有优势，说明了该算法 的良好性能。 （3）NSGA-II 为经典多目标聚类算之一，算法计算开销小，收敛速度快并 且有精英保留策略，将其与 Shape Context、Programming Dynamic、 Procrustes Analysis 及 Edit 距离等结合，对图形图像进行自动聚类。 NSGA-II 的染色体变异和交叉同遗传算法相似，在交叉变异之后，对经 过非支配排序的染色体进行选择，产生下一代种群。对测试图像集进行 测试，表明多目标在图形图像自动聚类中，较第三章的算法性能有所提 高。 本课题得到国家自然科学基金(No、国家教育部博士点基金 (No.20070701022) 、省自然科学基金(2010JM8030) 、中央高校基本科研基金 (No.K50511020014) 的资助。 关键字：自动聚类 形状 遗传算法 多目标优化 NSGA-II ABS ABSTRACT III IVAB IV ABSTRACT ABSTRACT Nowadays, the rapid development of network technique greatly promotes the development of network resource sharing and leads to the great increase of information. Therefore, it cannot be avoided extracting the information needed accurately and quickly from the mass information. As a powerful tool in data mining, clustering has become research focus. Clustering can be seen as an optimization problem, which means we can use different optimization approaches to solve it. Shape is one of the fundamental characters of images and in computing vision and image understanding, recognizing objects with shapes of the objects has become an important tool. Actually, it is a kind of clustering problem to recognize objects from image librar