文档介绍：分类号： 密 级： 公开
U D C： 学 号： 6 120 110 073
硕 士 学 位 论 文
基于差分粒子群和模糊聚类的图像分割研究
The Study of Image Segmentation Based on Differential
Evolution Particle Swarm Optimization and Fuzzy Clustering
学 位 类 别： 理学硕士
作 者 姓 名： 乔尚平
学 科、专 业： 计算机应用技术（理）
研 究 方 向： 智能计算与图像处理
指 导 教 师： 匡奕群教授、刘建生副教授
2014 年 6 月 3 日
江西理工大学硕士学位论文 摘要
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****方式对于图像数据进行分割，可以实现图像数据的自学****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***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