文档介绍：基于蚁群算法和K-均值聚类的图像分割
1介绍
图像分割是图像分析和图像理解的关键过程。由于受复杂环境的影响,对象特点的多样性和杂乱性,图像分割是图像处理的难点和热点研究问题。一般来说,图像分割主要包括4种方法。这些方法是:基于边界的并行,串行边界,并行区域和并行区域分别分割。传统的分割方法对一些图片比较有效,但仅限于适用于特殊领域和其他有一些特点的图像。目前,能适用于全体的分割方法没有找到。
群体智能是一个相对较新的解决问题方法,这种方法是从昆虫和其他动物的社会行为中获得灵感。蚂蚁有着启发性的方法和技术,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,这种算法有着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,当应用到图像处理上时,蚁群算法具有广泛的前景
本文的结构如下。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缺点,在第4节提出结合这两种算法的改进算法。在第5节提出实验结果。最后,对实验结果的一些结论是在6节。
2 蚁群优化算法
蚁群优化算法是一个组合优化问题的启发式算法设计的典范。最早由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。
ACO的主要思想灵感来自真实蚂蚁的行为。研究发现,蚂蚁可以在巢穴中复杂的环境下以最快的速度和最短的路径找到食物来源。当这条道路被破坏时,蚂蚁可以绕过障碍物,找到最优路径。蚂蚁在觅食时,可以通过释放信息素来相互传输信息。每只蚂蚁可以在路径上释放的信息素,并且也能感知它的强度,以指引自己的运动方向。蚂蚁倾向于移动到信息素强度高的步道,因此,如果大量的蚂蚁选择一个路径,这条路径的信息素就会越来越浓。随后的蚂蚁更可能会选择这条路,这条道路上的蚂蚁,将不断增加。这种情况可以说是一个正反馈过程。觅食的蚂蚁的目的是实现个人信息的交换。
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