基于和声搜索的FCM算法在图像分割中的应用

论文摘要

图像分割指的是把图像分解成特性不同的区域,然后把有用的区域提取出来的技术和过程,它是从图像处理到图像分析过程中的关键步骤,在图像工程中占据着非常重要的地位,并在诸如图像编码、模式识别、计算机视觉和医学图像分析等在很多领域有着实际的应用。由于图像本身存在许多不准确性和不确定性,对于图像的这种不确定性,模糊理论有着非常好的描述能力,而图像分割问题等同于将图像的像素点进行分类的问题,近年来,研究者致力于将图像聚类算法应用于图像分割当中,分割效果要比传统的图像分割方法好一些,但是经典的模糊聚类分割方法还存在很多问题。针对以上的问题,本文对模糊C-均值聚类算法作了改进。本文把基于模糊C-均值聚类的图像分割方法作为研究的重点,并分析了该方法的原理和现状,接着针对模糊c-均值聚类算法在图像分割时存在的问题提出了如下的改进：首先,本文介绍了和声搜索算法,它是一种启发式优化算法,然而该算法在处理复杂函数优化问题时容易陷入局部极值,并且收敛精度低。为了解决以上问题,本文提出了一种改进的和声搜索算法,通过测试函数对两种算法进行比较,改进的和声搜索算法具有更优越的特性。然后,文本分别把和声搜索算法（HS）和改进和声搜索算法（IHS）引入到模糊C-均值聚类算法当中,利用这两种算法的鲁棒性和全局性有效的克服了模糊聚类对初始参数敏感的问题,通过这两种算法得出聚类个数及聚类中心,然后将其作为模糊C-均值聚类算法的初始参数,从而对图像进行聚类分割。最后,文本分别使用蚁群聚类算法、原始和声搜索聚类算法和改进和声搜索算法对图像进行了分割处理,结果表明基于改进和声搜索的FCM算法分割准确度高、分割速度快,并且能够得到图像真实的聚类数目,同时还降低了分割对初始参数的敏感程度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景及意义
• 1.1.1 图像分割的背景
• 1.1.2 图像分割的意义
• 1.2 图像分割的概念
• 1.3 图像分割算法的概述
• 1.4 本文主要内容
• 第2章 智能优化算法
• 2.1 智能优化算法的研究背景
• 2.2 传统优化算法的局限性及其基本步骤
• 2.2.1 传统优化方法的局限性
• 2.2.2 传统优化算法的基本步骤
• 2.3 智能优化算法的产生和发展
• 2.3.1 智能优化算法的产生
• 2.3.2 智能优化算法的发展历程
• 2.4 图像分割当中常用的两种智能优化算法
• 2.4.1 蚁群算法
• 2.4.2 遗传算法
• 2.5 本章小结
• 第3章 改进的和声搜索算法
• 3.1 和声搜索算法
• 3.2 改进的和声搜索算法
• 3.3 数值实验
• 3.3.1 测试函数
• 3.3.2 实验参数设定
• 3.3.3 算法性能测试及结果分析
• 3.4 本章小结
• 第4章 改进和声搜索的FCM算法在图像分割中的应用
• 4.1 聚类
• 4.1.1 聚类分析
• 4.1.2 模糊聚类算法的发展概况
• 4.1.3 硬C-均值聚类算法（HCM）
• 4.1.4 模糊C-均值聚类算法（FCM）
• 4.2 基于蚁群算法的模糊C-均值聚类算法
• 4.2.1 蚁群算法
• 4.2.2 基于蚁群算法的FCM算法
• 4.3 基于改进和声搜索的模糊C-均值聚类算法
• 4.3.1 模糊C-均值聚类（FCM）
• 4.3.2 改进和声搜索算法搜索聚类中心
• 4.3.3 确定聚类中心数
• 4.3.4 改进和声搜索的FCM算法的对比实验和实验结果
• 4.4 本章小结
• 第5章 结论与展望
• 5.1 全文工作总结
• 5.2 未来研究展望
• 参考文献
• 致谢