模糊聚類與粒子群算法在圖像分割中的應(yīng)用研究資料

1、分類號(hào)：密級(jí)：公開學(xué) 號(hào)：2008178單位代碼：10407碩 士 學(xué) 位 論 文論文題目:模糊聚類與粒子群算法在圖像分割中的應(yīng)用研究研 究 方 向數(shù)據(jù)挖掘與圖像處理專 業(yè) 名 稱計(jì)算機(jī)應(yīng)用技術(shù)研 究 生 姓 名左 浩導(dǎo)師姓名、職稱李 雯 教授 年 月 日江西·贛州VI摘 要圖像分割是數(shù)字圖像處理的一個(gè)重要組成部分，也是圖像處理當(dāng)中一個(gè)最基本的技術(shù)。圖像分割的目的就是將人們所需要的目標(biāo)區(qū)域從背景中分割出來(lái)。聚類分析是一種常見(jiàn)的數(shù)據(jù)分析工具，是將數(shù)據(jù)集分為由類似數(shù)據(jù)組成的多個(gè)簇的過(guò)程。聚類分析被廣泛應(yīng)用于圖像分割、數(shù)據(jù)挖掘、模式分類、醫(yī)學(xué)診斷和機(jī)器學(xué)習(xí)等方面。在眾多的圖像分割算法中，基

2、于聚類分析的圖像分割算法是圖像分割領(lǐng)域中一類極其重要和應(yīng)用相當(dāng)廣泛的算法，其中，使用得最普遍的算法是模糊C均值聚類算法(Fuzzy C-Means clustering, FCM)。FCM算法在模糊聚類理論中占有重要的地位，作為一種無(wú)監(jiān)督聚類算法，它具有很好的收斂性。但是，F(xiàn)CM算法也存在許多不足之處，比如受噪聲影響比較大，對(duì)初始值有較大的依賴性，容易收斂于局部極值，特別是在聚類樣本數(shù)量較大的情況下更為突出。因此，對(duì)FCM算法中的隸屬度函數(shù)進(jìn)行改進(jìn)，并且引入全局尋優(yōu)能力強(qiáng)大的粒子群算法可以解決這方面的問(wèn)題。1. 聚類技術(shù)被廣泛應(yīng)用于圖像分割，但由于基于聚類技術(shù)的圖像分割常常是對(duì)單個(gè)像素點(diǎn)的分割

3、，并沒(méi)有考慮到空間信息特征，所以分割后的圖像常常帶有很多噪聲點(diǎn)，影響圖像的分割效果；另一方面，由于圖像的不確定性，很多時(shí)候不能確定像素點(diǎn)到底屬于哪一類，具有相當(dāng)?shù)哪：?。傳統(tǒng)的聚類技術(shù)屬于硬聚類，某一個(gè)像素點(diǎn)對(duì)于某一類別的隸屬度不是0就是1，這并不符合實(shí)際情況。FCM算法主要是針對(duì)硬聚類的不足而提出的新的聚類算法，結(jié)合FCM算法和空間信息技術(shù)能夠較好解決這兩方面的問(wèn)題。FCM算法雖然受噪聲影響較小，有良好的魯棒性，但是由于它沒(méi)有考慮到像素的空間信息，在含有大量噪聲的情況下，分割性能會(huì)大大降低。本文基于FCM算法，提出了一種IPCM算法(Improve Possibilistic C-Means

4、 clustering, IPCM)。該算法改進(jìn)了隸屬度函數(shù)，新的像素點(diǎn)隸屬度被更新為其鄰域隸屬度的幾何均值。實(shí)驗(yàn)結(jié)果顯示新的算法能夠更有效的分割圖像，并顯示出良好的抗噪能力。2. FCM算法具有很好的收斂性,但是容易陷入局部極小值。本文考慮將全局尋優(yōu)能力強(qiáng)大的粒子群優(yōu)化算法應(yīng)用到FCM算法中，并引入混沌技術(shù)，形成新的基于混沌粒子群的快速模糊C均值聚類算法(Fast Fuzzy C-Means clustering based on Chaos Particle Swarm Optimization, CPSO_FFCM)。本算法能夠較快的搜索全局最優(yōu)解，避免收斂于局部極值，得到全局最佳聚類結(jié)

5、果。為了避免粒子在迭代過(guò)程中停滯，算法引入了混沌變量，在當(dāng)前全局最優(yōu)位置的基礎(chǔ)上產(chǎn)生一個(gè)混沌序列，用混沌序列中擁有最優(yōu)適應(yīng)值的粒子隨機(jī)代替當(dāng)前粒子群中的一個(gè)粒子。通過(guò)實(shí)驗(yàn)，利用該算法分割圖像時(shí)效果非常好，并且具有良好的魯棒性和適應(yīng)性。關(guān)鍵詞：圖像分割；模糊C均值；粒子群優(yōu)化算法；混沌粒子群優(yōu)化算法AbstractImage segmentation is an important component of digital image processing and it is a basic technique of image processing. The purpose of segmen

6、tation is to separate out target areas that people need from background. Cluster analysis is a common data analysis tools, it is the process to divide a data set into multiple similar data clusters. Clustering technology is widely used in image segmentation, data mining, pattern classification, medi

7、cal diagnosis and machine learning. In the numerous segmentation algorithms，image segmentation based on clustering analysis is a very important and popular algorithmFuzzy C-Means clustering algorithm (FCM) is used widely in clustering analysisFCM plays an important role in the fuzzy clustering theor

8、y. As an unsupervised clustering algorithm, FCM is good at convergence. However, FCM also has many shortcomings, it is easily affected by noises, depends on initial value and usually leads to local minimum, especially in the instance of large amounts of clustering objects.In order to resolve the two

9、 problems, we could improve the membership function of FCM and introduce the particle swarm algorithm.1. Clustering technology is widely used in image segmentation, but it has a lot of shortcomings. First, image segmentation based on clustering technology often split a single pixel, it does not take

10、 into account the characteristics of spatial information, therefore, the image is often segmented with a lot of noise points, that affects the result of image segmentation. Second, as the uncertainty of the image, it can not be determined which class the pixels belong to, because images have conside

11、rable ambiguity. The traditional clustering techniques are hard clustering, the membership of one pixel for a certain category is either 0 or 1, and this is not realistic. In order to resolve the two problems, FCM is proposed, the combination of FCM and spatial information technology can be a very g

12、ood solution to both problems. FCM exhibits the robustness to noises, but the pixel spatial information is not considered in this algorithm, in the case of a large number of noises, FCM will be degraded. Based on FCM, an improved algorithm (Improve Possibilistic C-Means clustering, IPCM) is proposed

13、 for image segmentation by improving membership function, the new membership of the pixel is updated to the geometric mean value of its neighborhood membership. The experimental results show that the new algorithm can segment the image effectively and properly, and has good performance of resisting

14、noises.2. FCM is good at convergence, but it usually leads to local minimum. Combined with particle swarm optimization algorithm and FCM, then add chaos technology, a new algorithm is proposed: Fast Fuzzy C-Means clustering based on Chaos Particle Swarm Optimization algorithm (CPSO_FFCM). The algori

15、thm can search quickly the global optimal solution, and jump out of local minimum, and can get a better clustering effect. In order to avoid stagnation of particles in the iteration, the algorithm introduces the chaotic variables, and generates a chaos sequence based on the current global best posit

16、ion, this algorithm replaces randomly a particle of the particle swarm with the particle that has optimal-adaptive value in the chaos sequence. We use the algorithm in image segmentation, the experimental results show that the new algorithm can segment the image effectively and properly, and has the

17、 good robustness to noises and good adaptability.Key words: image segmentation; Fuzzy C-Means (FCM); Particle Swarm Optimization (PSO); Chaos Particle Swarm Optimization (CPSO)目錄摘 要IAbstractIII目錄V第一章 緒論11.1 論文選題的背景和意義11.2 論文選題的國(guó)內(nèi)外研究現(xiàn)狀21.2.1 圖像分割技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀21.2.2 聚類技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀61.2.3 粒子群優(yōu)化算法的國(guó)內(nèi)外研究現(xiàn)狀71.3

18、 本論文的主要研究工作和結(jié)構(gòu)安排9第二章 聚類分析及其算法112.1 聚類分析112.1.1 聚類分析的定義112.1.2 相似性度量112.2 常見(jiàn)的聚類算法132.2.1 基于劃分的聚類算法132.2.2 基于層次的聚類算法142.2.3 基于密度的聚類算法142.2.4 基于網(wǎng)格的聚類算法152.2.5 基于模型的聚類算法152.3 模糊C均值聚類算法152.3.1 模糊C均值聚類算法的理論基礎(chǔ)162.3.2 模糊C均值聚類算法流程172.3.3 模糊C均值聚類算法的優(yōu)缺點(diǎn)17第三章 粒子群優(yōu)化算法193.1 引言193.2 基本粒子群算法193.2.1 基本粒子群算法流程203.2.2

19、 粒子群算法參數(shù)設(shè)置213.3 標(biāo)準(zhǔn)粒子群算法213.3.1 一般的慣性因子設(shè)計(jì)213.3.2 標(biāo)準(zhǔn)粒子群算法流程223.3.3 基于模糊系統(tǒng)的慣性因子的動(dòng)態(tài)調(diào)整233.4 帶收縮因子的粒子群算法233.5 粒子群算法與其他算法的比較243.5.1 基于梯度的優(yōu)化算法243.5.2 進(jìn)化計(jì)算方法243.6 粒子群優(yōu)化算法的復(fù)雜度243.6.1 復(fù)雜度的判定標(biāo)準(zhǔn)和基本概念253.6.2 時(shí)空復(fù)雜度分析253.7 粒子群的應(yīng)用26第四章 基于IPCM聚類算法的圖像分割284.1引言284.2 模糊C均值聚類算法284.2.1 模糊C均值聚類算法描述284.2.2 模糊C均值聚類算法主要步驟294.

20、2.3 模糊C均值聚類算法核心代碼294.3 可能性C均值聚類算法304.3.1 可能性C均值聚類算法描述304.3.2 可能性C均值聚類算法步驟314.4 IPCM聚類算法324.4.1 IPCM聚類算法思想324.4.2 IPCM聚類算法步驟324.4.3 IPCM聚類算法核心代碼334.4.4 實(shí)驗(yàn)結(jié)果與分析344.5 本章小結(jié)37第五章 基于模糊聚類與混沌粒子群算法的圖像分割385.1 引言385.2 標(biāo)準(zhǔn)粒子群算法及混沌學(xué)基礎(chǔ)385.2.1 標(biāo)準(zhǔn)粒子群算法385.2.2 混沌學(xué)基礎(chǔ)395.3 混沌粒子群與快速FCM圖像分割算法405.3.1 算法思想405.3.2 算法步驟415.3

21、.3 CPSO_FFCM算法核心代碼425.3.4 實(shí)驗(yàn)結(jié)果分析445.4 本章小結(jié)50第六章 總結(jié)與展望516.1總結(jié)516.2展望51參考文獻(xiàn)53致 謝56個(gè)人簡(jiǎn)歷57碩士期間發(fā)表及錄用的文章57第一章 緒論1.1 論文選題的背景和意義視覺(jué)(圖像)信息在人類接收的信息中占80%左右，這其中有圖像、圖形(動(dòng)畫)、視頻、文本以及數(shù)據(jù)等信息，這些都是人類獲取信息和知識(shí)的最有效的方式。伴隨著計(jì)算機(jī)的普及，計(jì)算機(jī)在獲取和處理視覺(jué)(圖像)信息當(dāng)中的作用就顯得越來(lái)越重要。所謂圖像技術(shù)就是對(duì)圖像進(jìn)行加工與處理的一門技術(shù)，它由圖像處理、圖像分析與圖像理解三個(gè)部分組成。在圖像技術(shù)中，圖像處理是最底層的技術(shù)，是

22、對(duì)圖像進(jìn)行像素級(jí)別上的操作1。圖像處理的主要任務(wù)是對(duì)圖像進(jìn)行分割，并且在此基礎(chǔ)上對(duì)圖像進(jìn)行視覺(jué)效果的改善以及為了減少傳輸時(shí)間和存儲(chǔ)容量而對(duì)圖像進(jìn)行壓縮編碼2。圖像分析的目的是提取具有一定智能性的信息，其通過(guò)數(shù)學(xué)模型并結(jié)合圖像處理技術(shù)來(lái)研究底層特征和上層結(jié)構(gòu)。圖像理解的目的是進(jìn)一步研究圖像中的目標(biāo)和它們之間的種種聯(lián)系，圖像理解的處理過(guò)程和人們的推理過(guò)程常常有許多相同之處。圖像分割是圖像處理中的一門底層技術(shù)，也是比較難已處理的一門技術(shù)。至今仍沒(méi)有出現(xiàn)一種通用的、精確的圖像分割算法能夠分割所有圖像，因?yàn)閳D像分割不僅僅是對(duì)像素的分類，還需要考慮到一些空間信息特征和領(lǐng)域知識(shí)3。圖像分割的目的就是將人們所

23、需要的目標(biāo)區(qū)域分割出來(lái)，然后在此基礎(chǔ)上對(duì)圖像進(jìn)行識(shí)別、分析和理解。圖像分割的質(zhì)量與精度是非常重要的，因?yàn)榉指畹暮脡闹苯佑绊懙胶罄m(xù)對(duì)圖像的分析與理解4-5。盡管人類的視覺(jué)系統(tǒng)能夠很好的完成復(fù)雜圖像的分割，但是計(jì)算機(jī)視覺(jué)系統(tǒng)的分割技術(shù)還不能達(dá)到人類視覺(jué)系統(tǒng)對(duì)于圖像分割的速度與精度。所以，推動(dòng)機(jī)器視覺(jué)技術(shù)6-7發(fā)展的關(guān)鍵就在于提升圖像分割技術(shù)。隨著計(jì)算機(jī)技術(shù)的發(fā)展，圖像作為一個(gè)單一的像素矩陣已經(jīng)不滿足人們的需要，而是需要將圖像看成多個(gè)具有特定意義的對(duì)象組合，從而能夠完成視頻的交互功能和對(duì)于圖像、視頻的各種操作功能等，而這所有功能都需要有效的圖像分割技術(shù)8-10。基于分類準(zhǔn)則的不同，可以把圖像分割分成

24、不同的種類。基于不同的應(yīng)用目的，圖像分割可以分成粗分割和細(xì)分割；基于不同的分割對(duì)象屬性，圖像分割可以分成灰度圖像分割和彩色圖像分割；基于不同的分割對(duì)象的狀態(tài)，圖像分割可以分成靜態(tài)圖像分割和動(dòng)態(tài)圖像分割；基于不同的分割對(duì)象的應(yīng)用領(lǐng)域，圖像分割可以分成醫(yī)學(xué)工業(yè)圖像分割、安全圖像分割、交通圖像分割和軍事圖像分割等。目前，圖像處理技術(shù)已經(jīng)越來(lái)越受到了人們的關(guān)注，已在工業(yè)自動(dòng)化、航天、軍事、生物醫(yī)學(xué)圖像分析技術(shù)等一些領(lǐng)域得到廣泛應(yīng)用。因此本文利用模糊聚類技術(shù)對(duì)圖像處理進(jìn)行研究也具有一定的現(xiàn)實(shí)意義。1.2 論文選題的國(guó)內(nèi)外研究現(xiàn)狀1.2.1 圖像分割技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀在研究圖像的過(guò)程中，人們經(jīng)常會(huì)對(duì)某些

25、局部信息比較關(guān)注，而這些人們比較關(guān)注的局部信息稱為目標(biāo)或前景，往往是圖像中具有獨(dú)特的部分。使用圖像分割技術(shù)將圖像中的目標(biāo)和前景從背景中辨識(shí)和分析出來(lái)是圖像處理的第一步，之后才能進(jìn)一步對(duì)圖像進(jìn)行更深入的研究和操作。因此，圖像分割定義為：在具有各種特性的圖像區(qū)域中提取出人們感興趣的目標(biāo)區(qū)域的技術(shù)和過(guò)程。目前比較常用的圖像分割方法有：1. 基于區(qū)域的分割方法基于區(qū)域的分割方法是將具有相似的數(shù)據(jù)結(jié)合起來(lái)構(gòu)成整片區(qū)域的一種方法。(1) 閾值法：閾值分割法是目前被廣泛使用的一種圖像分割方法，其思想很簡(jiǎn)單，用一個(gè)或多個(gè)閾值把數(shù)據(jù)集分割成兩個(gè)或多個(gè)不同的類別。圖像可以分為目標(biāo)和背景，如果只需選取一個(gè)閾值來(lái)進(jìn)行

26、分割，那么這種方法就可以稱為單圖像分割方法。假設(shè)圖像中存在多個(gè)目標(biāo)需要分類，這就需要選取兩個(gè)以上的閾值來(lái)進(jìn)行分割，此種方法叫做多閾值圖像分割。閾值圖像分割方法可分為動(dòng)態(tài)圖像分割方法、局部圖像分割方法和全局圖像分割方法。用閾值分割方法分割的好壞完全取決于閾值的大小，因此，閾值法分割圖像的首要問(wèn)題是閾值的確定，其主要任務(wù)就是根據(jù)特定的圖像算出最合理的閾值。常用的基于閾值的圖像分割算法有最大類間方差法、最小誤差法、最大熵自動(dòng)閾值法和基于圖像灰度直方圖的峰谷法等等?；陂撝档膱D像分割方法的優(yōu)點(diǎn)是計(jì)算相對(duì)比較簡(jiǎn)單、速度快和運(yùn)算效率較高。當(dāng)圖像中不同目標(biāo)和背景的灰度相差很大時(shí)，全局圖像分割方法能進(jìn)行有效的

27、分割。當(dāng)圖像中目標(biāo)和背景的灰度差異不是非常明顯，或者多個(gè)目標(biāo)具有相同范圍的灰度值時(shí)，應(yīng)當(dāng)選取動(dòng)態(tài)圖像分割方法或者局部圖像分割方法。但是，由于基于閾值的圖像分割方法僅僅關(guān)注像素自己的灰度值，很少聯(lián)系到空間特征，因此受噪聲的影響還是比較敏感的。在實(shí)際的應(yīng)用當(dāng)中，基于閾值的分割方法常常與其他一些方法聯(lián)系在一起。美國(guó)賓夕法尼亞大學(xué)的Prewitt11等最先提出的最頻值法(mode法)是一種常常被應(yīng)用的并且相對(duì)簡(jiǎn)單的闕值分割方法，它的特點(diǎn)是當(dāng)灰度直方圖出現(xiàn)明顯的雙峰形狀的時(shí)候，可以選擇雙峰之間的谷底作為閾值。湖南師范大學(xué)的高春鳴、蘭秋軍12等率先運(yùn)用了一種基于自動(dòng)分析直方圖灰度分布的數(shù)字圖像閾值化分割算

28、法，此算法的實(shí)質(zhì)就是運(yùn)用離散的峰檢測(cè)算法來(lái)計(jì)算灰度分布直方圖上的峰值，而對(duì)于相對(duì)復(fù)雜的非典型直方圖，就需要實(shí)現(xiàn)對(duì)單個(gè)或多個(gè)閾值的尋找。P-分位數(shù)法(P-title法) 由美國(guó)學(xué)者Doyle13最先提出，它被認(rèn)為是最先出現(xiàn)的閾值選擇方法。美國(guó)馬里蘭大學(xué)的Rosenfeld和Tome14在1983年提出了基于直方圖凹面分析法的閾值選取。日本學(xué)者Otsu15的最大類間方差法(大津算法)是在最小二乘法原理和判決分析的基礎(chǔ)上推導(dǎo)出來(lái)的。Kittler和Illingworth對(duì)Otsu的分割算法進(jìn)行了進(jìn)一步的研究，最終研究表明當(dāng)待分割圖像中目標(biāo)與背景的面積之比很大時(shí)此算法失效，并且非常容易引起閾值的偏差，

29、在此基礎(chǔ)上Kittler等對(duì)此法加以改進(jìn)，形成了有較強(qiáng)適應(yīng)能力的最小誤差法。Cho又對(duì)Kittler等的最小誤差法加以了改進(jìn)，主要是對(duì)模型分布方差的偏估計(jì)進(jìn)行了修改，改善了原來(lái)最小誤差法的準(zhǔn)確性。但是，計(jì)算復(fù)雜度增加明顯。Pun提出了基于最大后驗(yàn)熵上限法，并以此來(lái)確定閾值的選取。(2) 串行區(qū)域法典型的串行區(qū)域法有兩種：區(qū)域生長(zhǎng)和分裂合并法，特點(diǎn)是后續(xù)步驟的進(jìn)行需要依據(jù)之前處理的結(jié)果來(lái)進(jìn)行判別確定。區(qū)域生長(zhǎng)的實(shí)質(zhì)就是將具有相同特征的像素點(diǎn)聯(lián)系起來(lái)形成一個(gè)區(qū)域，一開始時(shí)要為每一個(gè)待分割區(qū)域選定一個(gè)種子像素作為生長(zhǎng)起點(diǎn)，之后基于一定的生長(zhǎng)準(zhǔn)則把種子像素周邊像素特征相似的像素點(diǎn)添加到種子像素所歸屬的

30、區(qū)域中。然后將這些最新添加到區(qū)域中的像素當(dāng)做新的種子像素接著生長(zhǎng)，這樣循環(huán)往復(fù)下去，一直到滿足條件的像素都被添加到區(qū)域時(shí)停止算法。區(qū)域生長(zhǎng)法的關(guān)鍵就是區(qū)域生長(zhǎng)準(zhǔn)則的設(shè)定和算法的有效性。生長(zhǎng)準(zhǔn)則常常與實(shí)際的問(wèn)題有聯(lián)系，其直接影響最終的分割效果。當(dāng)目標(biāo)區(qū)域相對(duì)連接性較好時(shí)，分割效果比較好，但是需要人工設(shè)定起始種子像素點(diǎn)，而且受噪聲的影響比較大。區(qū)域生長(zhǎng)方法作為一種串行算法，如果目標(biāo)相對(duì)較大時(shí)，分割時(shí)間較長(zhǎng)，計(jì)算量比較大，所以在算法設(shè)計(jì)時(shí)，要非常注意算法的效率。分裂合并準(zhǔn)則的設(shè)計(jì)是分裂合并法的關(guān)鍵問(wèn)題所在。這種方法對(duì)于相對(duì)比較復(fù)雜圖像來(lái)說(shuō)分割效果較好，但是算法計(jì)算量巨大，有可能導(dǎo)致區(qū)域邊界的破壞。常

31、常被應(yīng)用的分裂方法有：分水嶺算法、金字塔分割法等。最常用的合并算法中有RAG算法等等(3) 聚類分割法最常用的聚類算法有K均值聚類算法、模糊C均值聚類算法(Fuzzy C-Means clustering, FCM)和可能性C均值聚類算法(Possibilistic C-Means clustering, PCM) 16-18。對(duì)K均值算法進(jìn)行改進(jìn)，將隸屬度函數(shù)的取值范圍放寬，再結(jié)合模糊數(shù)學(xué)理論得到模糊C均值聚類算法，算法通過(guò)一個(gè)目標(biāo)函數(shù)的最優(yōu)化來(lái)實(shí)現(xiàn)聚類過(guò)程，與K均值聚類算法不同的地方在于其不把某個(gè)像素固化為某一類，而是用一個(gè)隸屬度函數(shù)來(lái)表示該像素點(diǎn)屬于這個(gè)類的概率值。模糊C均值聚類算法對(duì)參

32、數(shù)的初始化特別敏感，在有些情況下需要人為地給出初始化參數(shù)，以便使目標(biāo)函數(shù)更好的收斂于全局最優(yōu)解，提高分割效率。而且，傳統(tǒng)模糊C均值聚類算法并沒(méi)有考慮到空間信息，對(duì)噪聲非常敏感。將模糊C均值聚類算法應(yīng)用于醫(yī)學(xué)圖像的分割，如腦MRI圖像。因?yàn)槌上襁^(guò)程中受許多外在因素的影響，MRI圖像基本上都存在不均勻的區(qū)域。于是出現(xiàn)了兩種改進(jìn)的算法，第一種算法是將不均勻圖像先進(jìn)行校正然后再進(jìn)行分割。另一種算法是在分割時(shí)進(jìn)行偏場(chǎng)效應(yīng)的補(bǔ)償。美國(guó)密蘇里大學(xué)計(jì)算機(jī)工程與科學(xué)學(xué)院的Krishnapuram56-57等最先提出了可能性C均值聚類算法，對(duì)模糊C均值聚類算法中的一些缺點(diǎn)進(jìn)行了改進(jìn)，比起模糊C均值聚類算法，可能性

33、C均值聚類算法對(duì)克服圖像中的噪聲和異常點(diǎn)有較好的效果。其實(shí)質(zhì)是放寬了模糊C均值聚類算法中的隸屬度取值范圍，對(duì)樣本的聚類采用了概率的形式。2. 基于邊界的分割方法基于邊界的分割方法廣泛的應(yīng)用于各領(lǐng)域，其實(shí)質(zhì)是利用目標(biāo)區(qū)域之間像素灰度值的跳躍性來(lái)進(jìn)行圖像分割。(1) 微分算子法圖像中目標(biāo)區(qū)域之間的邊界可以用求導(dǎo)的方式來(lái)求出，因?yàn)槟繕?biāo)區(qū)域的邊界點(diǎn)在灰度值上是跳躍的。微分算子法正是利用了這種特性來(lái)對(duì)圖像進(jìn)行分割。常用的微分算子有：Sobel、Roberts和Prewitt。微分算子對(duì)噪聲點(diǎn)是非常敏感的，因此微分算子法只適用于噪聲點(diǎn)較少的圖像。(2) 串行邊界技術(shù)圖搜索法是串行邊界查找法中的一種典型的方

34、法，因?yàn)榭梢允褂脠D結(jié)構(gòu)來(lái)表示邊界點(diǎn)與邊界段，尋找閉合邊界可以通過(guò)在圖中搜索最小代價(jià)路徑來(lái)實(shí)現(xiàn)?？梢哉f(shuō)這是一種全局查找方法，在有大量噪聲點(diǎn)的影響時(shí)，其魯棒性較好，缺點(diǎn)是該方法相對(duì)復(fù)雜，計(jì)算量大。美國(guó)斯坦福大學(xué)人工智能與信息系統(tǒng)實(shí)驗(yàn)室的Nalva V S19等最先采用一維曲面決定邊緣點(diǎn)。Haralick20最先采用二維三次多項(xiàng)式來(lái)擬合小窗口內(nèi)圖像數(shù)據(jù)。英國(guó)皇家科學(xué)院的Matalas21利用Harmick計(jì)算出的結(jié)果作為圖像分割第一步，之后對(duì)邊緣點(diǎn)作了進(jìn)一步研究，并且采用了松弛標(biāo)號(hào)法對(duì)其進(jìn)行標(biāo)出。美國(guó)研究人員Witkin22對(duì)多尺度濾波進(jìn)行了研究，分析了檢測(cè)到的邊緣點(diǎn)在尺度空間中的特性。現(xiàn)在被廣泛使

35、用的多尺度濾波研究技術(shù)大概有以下幾種：印度統(tǒng)計(jì)研究所電子與通信部的Chanda23最先采用的數(shù)學(xué)形態(tài)學(xué)多尺度算子和新加坡國(guó)立大學(xué)的Wang24等使用的B樣條多尺度算子。北京跟蹤與通信技術(shù)研究所的尹平、王潤(rùn)生25首次提出一種自適應(yīng)多尺度邊緣檢測(cè)算法，得到邊緣像元的最佳濾波尺度，以此進(jìn)行邊緣的檢測(cè)，此方法的計(jì)算相對(duì)較簡(jiǎn)單。3. 基于區(qū)域和邊界技術(shù)相結(jié)合的分割方法計(jì)算灰度值的局部變化強(qiáng)度可以用邊緣檢測(cè)得到，要得到檢測(cè)特征的相似性與均勻性可以用區(qū)域分割方法得到。為了發(fā)揮區(qū)域和邊界兩種分割方法的優(yōu)點(diǎn)，將它們結(jié)合起來(lái)得到邊緣與區(qū)域組合分割方法，該方法對(duì)邊緣點(diǎn)進(jìn)行限制，防止區(qū)域的過(guò)分割，而且區(qū)域分割能夠發(fā)現(xiàn)

36、邊緣分割漏檢的邊緣，使得輪廓相對(duì)完整。美國(guó)學(xué)者Kass26等率先提出可變形模型方法，由于利用了區(qū)域與邊界信息，使曲線的能量方程最小化，這種方法能夠使得曲線很快收斂于目標(biāo)的邊緣。約翰霍普金斯大學(xué)電子與計(jì)算機(jī)工程系圖像分析與通訊實(shí)驗(yàn)室的Xu27等首先提出GVF-Shakes方法，該方法改進(jìn)了可變形模型方法，這樣一來(lái)，Shakes方法就具有巨大的檢測(cè)范圍和搜尋邊緣的能力，用這些改進(jìn)方法進(jìn)行圖像分割，使得分割效果更好更精確。如趙雪春等通過(guò)對(duì)GVF-Snakes方法進(jìn)一步研究，并且做出了一定的改進(jìn)，獲得了非常好的效果。形變模型的優(yōu)缺點(diǎn)也非常明顯，缺點(diǎn)是其受邊界位置的初始值影響非常大，并且時(shí)常要求干預(yù)邊界

37、的初始化值，好處是可以很方便的產(chǎn)生閉合的曲線或曲面，而且對(duì)噪聲有很強(qiáng)的魯棒性。4. 基于特定理論的分割方法圖像分割技術(shù)到現(xiàn)在為止都沒(méi)有屬于自身的、成型的理論體系，但是由于各學(xué)科許多新理論的發(fā)展，促進(jìn)了圖像分割與特定理論相結(jié)合，從而形成了某一領(lǐng)域獨(dú)特的分割方法。(1) 基于數(shù)學(xué)形態(tài)學(xué)的分割法數(shù)學(xué)形態(tài)學(xué)已經(jīng)廣泛的應(yīng)用于邊緣檢測(cè)和圖像分割中。基于形態(tài)學(xué)的圖像邊緣檢測(cè)的首要任務(wù)是考慮形態(tài)學(xué)當(dāng)中多結(jié)構(gòu)元以及多尺度的特性。它主要是采用具有某種形態(tài)結(jié)構(gòu)的元素去衡量和分析圖像中的對(duì)應(yīng)形狀，從而對(duì)圖像進(jìn)行分析和識(shí)別，然后使用開啟、閉合、膨脹和腐蝕四種運(yùn)算進(jìn)行推導(dǎo)，這樣一來(lái)就可以形成各種各樣基于形態(tài)學(xué)的邊緣檢測(cè)算

38、法。但是，結(jié)構(gòu)元素的選擇至關(guān)重要。腐蝕和膨脹這兩種基本運(yùn)算可以非常有效的識(shí)別出變化較明顯的邊緣，因此可以用它來(lái)構(gòu)建形態(tài)學(xué)邊緣檢測(cè)算子。基本的形態(tài)學(xué)邊緣檢測(cè)算子是很簡(jiǎn)單的，非常容易實(shí)現(xiàn)，但是對(duì)于噪聲的影響非常敏感，所以只能用于噪聲較少的圖像。北京理工大學(xué)光電工程系的陳小梅等在2001年提出基于分水蛉算法的紅外圖像分割方法。同年，香港理工大學(xué)電子與信息工程系的Gao等首次使用梯度圖像進(jìn)行分水嶺變換。(2) 基于模糊集理論的分割法描述事物不確定性是模糊理論28所獨(dú)有的能力，非常適合應(yīng)用在圖像分割上。由于當(dāng)今圖像技術(shù)的高速發(fā)展，許多模糊分割技術(shù)應(yīng)運(yùn)而生。將多個(gè)模糊分割技術(shù)組合在一起是目前模糊集理論分割

39、法的趨勢(shì)。其中最著名的就是模糊C均值聚類算法與可能性C均值聚類算法。(3) 基于小波變換的分割法近些年來(lái)，由于小波變換在處理時(shí)域和頻域時(shí)效果較好，并能夠在圖像技術(shù)的許多領(lǐng)域得到應(yīng)用，使得小波變換越來(lái)越得到了重視。二進(jìn)小波變換在檢測(cè)二元函數(shù)當(dāng)中的局部突變具有非常強(qiáng)的能力，因此可將其運(yùn)用于圖像的邊緣檢測(cè)。圖像局部灰度不連續(xù)處就是圖像的邊緣出現(xiàn)的地方，在二進(jìn)小波變換模的極大值點(diǎn)得到充分體現(xiàn)。所以，可以利用檢測(cè)小波變換模的極大值點(diǎn)來(lái)確定圖像的邊緣，而邊緣檢測(cè)可以在多尺度上進(jìn)行，從而能獲取非常精確的圖像邊緣。美國(guó)萊斯大學(xué)的choi于2001提出多尺度圖像分割方法。2002年，西北大學(xué)的陸關(guān)祥等提出了基于

40、小波變換的復(fù)雜結(jié)構(gòu)構(gòu)造區(qū)遙感圖像的地質(zhì)信息提取方法。(4) 基于神經(jīng)網(wǎng)絡(luò)的分割方法當(dāng)今，人工神經(jīng)網(wǎng)絡(luò)已在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用，包括圖像分割領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)是模擬大腦的學(xué)習(xí)機(jī)制而形成的一門獨(dú)立學(xué)科。人工神經(jīng)網(wǎng)絡(luò)擁有大量的并行節(jié)點(diǎn)，并且各個(gè)節(jié)點(diǎn)皆可以運(yùn)行常規(guī)的計(jì)算，基于人工神經(jīng)網(wǎng)絡(luò)的圖像分割法的思想是通過(guò)優(yōu)化這些節(jié)點(diǎn)間的連接與權(quán)值，將最終優(yōu)化好的神經(jīng)網(wǎng)絡(luò)用于圖像分割。由于神經(jīng)網(wǎng)絡(luò)有非常多的連接，可方便引入空間信息，所以對(duì)超聲點(diǎn)具有良好的魯棒性，并且較好地解決了圖像不均勻問(wèn)題。選擇哪個(gè)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練是解決問(wèn)題的關(guān)鍵。2000年，清華大學(xué)電子工程系的薛景浩將二維遺傳算法用于圖像動(dòng)態(tài)分

41、割。2002年，蘭州大學(xué)信息科學(xué)與工程學(xué)院的馬義德等提出一種基于脈沖禍合神經(jīng)網(wǎng)絡(luò)和圖像嫡的自動(dòng)圖像分割方法。1.2.2 聚類技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀在傳統(tǒng)的聚類方法(也稱為硬聚類)中，每一個(gè)數(shù)據(jù)點(diǎn)會(huì)嚴(yán)格分為具體的某一類，換句話說(shuō)就是該數(shù)據(jù)點(diǎn)的隸屬度不是0就是1。但是在現(xiàn)實(shí)當(dāng)中對(duì)于對(duì)象的分類往往沒(méi)有非常嚴(yán)格的屬性。例如在圖像中，邊界常常是模棱兩可的，如果硬要把某個(gè)對(duì)象劃分為某一個(gè)類，常常不符合實(shí)際情況。所以，對(duì)對(duì)象進(jìn)行軟劃分的思想就應(yīng)運(yùn)而生，模糊集理論是實(shí)現(xiàn)這種思想的理論基礎(chǔ)。聚類技術(shù)可以劃分為兩大類：硬聚類和軟聚類。聚類技術(shù)的早期研究都是基于硬聚類的研究。近些年來(lái)聚類技術(shù)得到了不斷改進(jìn)與創(chuàng)新，大量

42、簡(jiǎn)便而高效的聚類算法猶如雨后春筍。最具典型意義的硬聚類就是SVM理論。該理論對(duì)于過(guò)學(xué)習(xí)問(wèn)題效果明顯，增強(qiáng)了機(jī)器學(xué)習(xí)的泛化能力，缺點(diǎn)是在處理線性以及非線性的問(wèn)題時(shí)，對(duì)參數(shù)的初始化值非常敏感，由于人工確定這些參數(shù)是非常不容易的，特別是在未做任何先驗(yàn)假設(shè)的情況下。因?yàn)檐浘垲惣夹g(shù)29-30對(duì)于客觀世界的反應(yīng)非常符合實(shí)際情況，所以軟聚類技術(shù)主導(dǎo)了聚類技術(shù)發(fā)展方向。這當(dāng)中最著名的就是由Dunn提出，并由Bezdek將之推廣的模糊C均值聚類算法。模糊C均值聚類算法在模式識(shí)別、圖像處理等領(lǐng)域得到了廣泛的應(yīng)用，當(dāng)今許多基于模糊聚類的算法都借鑒于此。模糊聚類算法也有自身的局限性，如必須事定確定類別數(shù)，若類別數(shù)的確

43、定不合理或不能反映實(shí)際情況，聚類效果會(huì)大受影響。因此，聚類算法存在兩個(gè)亟待解決的問(wèn)題，一個(gè)是如何降低初始化參數(shù)對(duì)最終分類效果的影響，另一個(gè)是如何增強(qiáng)聚類算法的抗噪能力。目前，大量的模糊聚類算法就是基于模糊C均值聚類算法的改進(jìn)，人們提出了一些全新的聚類算法進(jìn)而為聚類賦予了全新的形式。例如無(wú)參型聚類能夠極大的減少初始化參數(shù)對(duì)聚類結(jié)果的影響；例如徐雷的貝葉斯陰陽(yáng)機(jī)聚類理論，這個(gè)理論是基于概率形式的聚類算法；RKrishnapuram與JKeller的可能性C均值聚類算法是基于全新的可能性形式的聚類算法；HTanaka教授在可能性C均值聚類算法基礎(chǔ)上完成了指數(shù)型可能性模型的構(gòu)建，形成有監(jiān)督的聚類算法。

44、近年來(lái)模糊可能性聚類技術(shù)得到了廣大研究人員的認(rèn)同，許多的研究人員正在全面的、多角度的對(duì)模糊可能性聚類技術(shù)進(jìn)行研究。1.2.3 粒子群優(yōu)化算法的國(guó)內(nèi)外研究現(xiàn)狀由于粒子群算法較為簡(jiǎn)單，容易實(shí)現(xiàn)，已經(jīng)被廣泛的應(yīng)用于許多研究領(lǐng)域，并且得到了廣大研究人員的關(guān)注。粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)是在生物生存活動(dòng)的影響下發(fā)展起來(lái)的一門新興學(xué)科，一開始是受到鳥類覓食行為的影響由Eberhartt博士和Kennedy博士在1995年建立起來(lái)的，它是一種智能演化技術(shù)。由于是對(duì)鳥群的覓食過(guò)程的模擬，粒子群算法可以在全局尋得最優(yōu)解。鳥群在尋找食物的過(guò)程中存在群體與個(gè)體

45、相互影響的行為，這就像人類一樣，鳥兒也有自己的交流方式，它們?cè)谝捠车倪^(guò)程中不停的交換信息，從而尋求對(duì)于每一個(gè)個(gè)體來(lái)說(shuō)的當(dāng)前最優(yōu)位置。鳥群在尋找食物的過(guò)程中從一個(gè)地點(diǎn)轉(zhuǎn)移到另外一個(gè)地點(diǎn)，在這當(dāng)中，總會(huì)有個(gè)別鳥兒的嗅覺(jué)特別的優(yōu)秀，由于它對(duì)食物的方向把握得相當(dāng)敏感，那么就可以說(shuō)這只鳥兒掌握了較好的信息。由于信息共享機(jī)制的作用，這條好信息在鳥群中傳播開來(lái)，從而使得整個(gè)鳥群都會(huì)朝著這只鳥兒的方向飛去。在這種機(jī)制的指引下，到最后整個(gè)鳥群都會(huì)找到食物的所在地，從而達(dá)到最優(yōu)解。為了提高粒子群算法的收斂性能，印第安納大學(xué)電子工程系的Shi31等首次提出在原始粒子群算法的基礎(chǔ)上引入慣性權(quán)重，此舉能夠幫助粒子提高全

46、局和局部搜索能力。慣性權(quán)重大，則全局搜索能力比較強(qiáng)，而局部搜索能力就會(huì)弱一些；慣性權(quán)重小，則局部搜索能力比較強(qiáng)，而全局搜索能力就會(huì)弱一些。慣性權(quán)重改善了粒子群算法的性能，所以就稱帶有慣性權(quán)重的粒子群算法為標(biāo)準(zhǔn)粒子群算法。1998年，收縮因子被引入粒子群算法，如果單純從數(shù)學(xué)的角度上進(jìn)行分析，這兩個(gè)參數(shù)是一樣的。俄亥俄州立大學(xué)計(jì)算機(jī)與信息科學(xué)系的Angeline32在1998年首次提出基于遺傳算法的改進(jìn)粒子群算法，即混合粒子群算法。混合粒子群算法關(guān)鍵是運(yùn)用到了粒子群算法的基本機(jī)制和遺傳算法的自然選擇機(jī)制。在混合粒子群算法模型中，按照適應(yīng)度函數(shù)，在每一次的迭代優(yōu)化中生成的新粒子，用一半適應(yīng)度較高的粒

47、子的位置和速度代替另一半適應(yīng)值比較低的粒子的位置和速度，只是后者的個(gè)體極值保持不變，這樣，可以使得粒子群算法既提高收斂速度又能增強(qiáng)全局搜索能力。丹麥奧爾胡斯大學(xué)計(jì)算機(jī)科學(xué)系的Lovbjerg與Rasmussen33于2000年首次提出基于遺傳算法中交叉操作的粒子群算法。其算法的實(shí)質(zhì)是粒子群中的每一個(gè)粒子都有一個(gè)交叉概率，折中概率是用戶預(yù)先設(shè)定的，它與粒子的適應(yīng)值沒(méi)有關(guān)系，這能較好的避免算法只能收斂于局部極值，實(shí)現(xiàn)收斂于全局最優(yōu)解的目的。許多學(xué)者將變異算子帶入到粒子群算法中，變異算子能夠有效的提高粒子群算法跳出局部最優(yōu)的性能。基于變異算子的粒子群算法的關(guān)鍵是確定變異的時(shí)機(jī)。由于大多數(shù)參數(shù)皆可描述

48、粒子群的收斂情況，所以它們變化的情況都可以被看作變異時(shí)機(jī)的依據(jù)，比如整個(gè)群體當(dāng)中最優(yōu)位置的變化情況、群體中每一個(gè)粒子到群體位置的質(zhì)心距離之和以及整個(gè)群體中歷史最優(yōu)適應(yīng)值的變化率。上述提到的參數(shù)在作為變異時(shí)機(jī)時(shí)既可單獨(dú)使用，又可組合使用。希臘派圖拉斯大學(xué)人工智能研究中心的Parsopoulos34在2001年將粒子群算法中目標(biāo)函數(shù)分為兩步來(lái)實(shí)現(xiàn)?；谶@種思想的粒子群算法能夠克服局部最優(yōu)，高效的發(fā)現(xiàn)全局最優(yōu)，快速收斂，分割效果明顯，缺點(diǎn)是不能列舉所以最優(yōu)解。Multi-Phase PSO算法是美國(guó)雪城大學(xué)電子工程與計(jì)算機(jī)科學(xué)系的Al-Kazemi35于2002年率先提出的改進(jìn)算法，讓群體中的一部分

49、個(gè)體搜尋最優(yōu)解，而另一部分則往相反的方向飛去，這樣一來(lái)有利于增大搜索范圍。2004年，孫俊提出了基于量子行為的粒子群算法。此算法被認(rèn)為是一類不確定的搜索算法，其思想是標(biāo)準(zhǔn)粒子群算法在量子空間的擴(kuò)展，它的整體性能強(qiáng)于標(biāo)準(zhǔn)粒子群算法。但是，缺點(diǎn)是在改善網(wǎng)絡(luò)權(quán)重時(shí)，并沒(méi)有多大的優(yōu)勢(shì)。王俊偉在同一年提出了基于梯度信息粒子速度更新思想，研究出帶有梯度加速的粒子群算法。引入梯度信息后會(huì)使得粒子的飛行方向更具有目標(biāo)性，從而加快了粒子群算法的收斂速度，其缺點(diǎn)是算法對(duì)問(wèn)題的依賴性明顯增加，而且某些梯度信息很容易導(dǎo)致局部最優(yōu)解?；谀M退火算法的粒子群算法是由2005年王華秋首次提出的。這種基于模擬退火算法的粒子

50、群算法綜合了粒子群算法的快速尋優(yōu)能力和模擬退火算法的概率突跳特性，由每一個(gè)相對(duì)獨(dú)立的并行進(jìn)程獨(dú)立執(zhí)行粒子群的追蹤過(guò)程，這樣一來(lái)就可以使各個(gè)種群的多樣性得以保留。趙明等在2005年引入抗體的生成，這種算法的思想是將優(yōu)化機(jī)理的多樣性抗體生成算法與標(biāo)準(zhǔn)粒子群算法相結(jié)合，此算法在收斂速度與生成抗體的多樣性方面都非常優(yōu)秀。2005年劉靖明提出將K均值聚類算法與粒子群算法結(jié)合，結(jié)果表明此改進(jìn)算法在全局收斂性方面有一定效果，改善了K均值算法對(duì)初始值敏感的問(wèn)題，而且還能克服局部最優(yōu)，在收斂速度方面也有很大改善。俞歡軍在2005年提出了基于Hooke-Jeeves模式搜索方法的粒子群優(yōu)化算法，并且加入了變異操作

51、。結(jié)果表明局部搜索大大增強(qiáng)了該改進(jìn)算法的開發(fā)能力，變異操作對(duì)于算法的探測(cè)能力也有了顯著提高。吳延科在2006年將統(tǒng)計(jì)規(guī)律與粒子群算法結(jié)合起來(lái)，此改進(jìn)算法的主要思想是依照粒子的適應(yīng)值統(tǒng)計(jì)規(guī)律對(duì)每一個(gè)粒子分類，對(duì)于不是同一類的粒子選擇相異的進(jìn)化模型，這樣能夠提高粒子群算法的性能。無(wú)論在標(biāo)準(zhǔn)的粒子群算法當(dāng)中還是在改進(jìn)的粒子群算法當(dāng)中，解決的都是一些連續(xù)化問(wèn)題，而Eberhart等在1998年提出了粒子群算法的離散二進(jìn)制版本，可以用來(lái)解決實(shí)際當(dāng)中的工程化問(wèn)題。基于標(biāo)準(zhǔn)粒子群算法的改進(jìn)算法有其優(yōu)點(diǎn)但也存在不足之處。這些改進(jìn)算法大多都是添加了一個(gè)或者一個(gè)以上的參數(shù)，所以在改進(jìn)原標(biāo)準(zhǔn)算法的同時(shí)無(wú)形中增加了算

52、法的復(fù)雜度，在改善了原算法的性能的同時(shí)又付出了一定的代價(jià)。因此，如何形成性能好、計(jì)算復(fù)雜度又相對(duì)較小的粒子群算法有待進(jìn)一步研究。近些年來(lái)粒子群算法得到了越來(lái)越廣泛的關(guān)注，雖然其還沒(méi)有形成一種完整的理論體系，有效性也沒(méi)有被數(shù)學(xué)嚴(yán)格論證，但是理論的滯后并不影響應(yīng)用，很多時(shí)候應(yīng)用的發(fā)展是超越于理論的，而且能夠加速理論的發(fā)展。1.3 本論文的主要研究工作和結(jié)構(gòu)安排基于模糊數(shù)學(xué)的模糊分割技術(shù)是使用隸屬度來(lái)解決圖像中因?yàn)樾畔⒉蝗?、不?zhǔn)確、模糊等導(dǎo)致的不確定性問(wèn)題，如受噪聲和初始聚類中心的影響還比較大，運(yùn)算速度相對(duì)較慢并且容易陷入局部極小值，所以還需進(jìn)行更深入的研究。為了克服模糊聚類容易陷入局部極小值的問(wèn)

53、題，論文研究將粒子群優(yōu)化算法應(yīng)用到圖像分割中，利用粒子群算法強(qiáng)大的全局尋優(yōu)能力避免算法陷入局部極值，盡可能得到全局最佳聚類結(jié)果。通過(guò)在可能性C均值聚類算法中加入鄰域空間信息來(lái)改善模糊聚類算法的性能，使其算法性能得到充分發(fā)揮，以便達(dá)到最佳圖像分割效果。論文圍繞如何增強(qiáng)對(duì)噪聲的抑制能力和提高圖像分割速度等方面對(duì)基于模糊聚類的圖像分割算法進(jìn)行了比較詳細(xì)的研究。當(dāng)所求問(wèn)題的目標(biāo)函數(shù)為凸或凹函數(shù)，或者說(shuō)在搜索空間比較規(guī)則的優(yōu)化問(wèn)題時(shí)，基于傳統(tǒng)模糊聚類優(yōu)化方法的圖像分割比較容易得到滿意的結(jié)果。但是，當(dāng)所求問(wèn)題的目標(biāo)函數(shù)是多峰的，或者搜索空間是不規(guī)則的優(yōu)化問(wèn)題時(shí)，非常容易陷入局部極值。當(dāng)遇到相對(duì)復(fù)雜而且分布

54、不是很均勻的數(shù)據(jù)時(shí)，它的目標(biāo)函數(shù)常常是多峰的非凸函數(shù)，傳統(tǒng)優(yōu)化方法很容易求出局部極值。論文充分利用粒子群算法擅長(zhǎng)搜索全局的最優(yōu)解，即所定義的適應(yīng)函數(shù)是不連續(xù)、非規(guī)則或有噪聲時(shí)，能很好的找到全局最優(yōu)解。因此，將粒子群算法引入模糊聚類中，提出了基于混沌粒子群的模糊C均值聚類算法，在一定程度上克服了傳統(tǒng)算法容易陷入局部極小值的缺點(diǎn)。論文總共分為六章，各章具體內(nèi)容安排如下：第一章，引言。簡(jiǎn)要介紹了本課題研究的背景及研究意義，圖像分割技術(shù)、聚類分析和粒子群優(yōu)化算法的發(fā)展歷程及國(guó)內(nèi)外研究現(xiàn)狀。第二章，聚類分析及模糊聚類理論基礎(chǔ)。介紹了聚類分析及模糊聚類理論的原理，以及它們的一些常用算法，在此基礎(chǔ)上闡述了聚

55、類分析及模糊聚類理論的國(guó)內(nèi)外研究狀況和進(jìn)展。第三章，粒子群優(yōu)化算法。粒子群優(yōu)化算法是目前使用最廣泛的智能優(yōu)化算法，本章首先介紹了粒子群優(yōu)化算法的原理和應(yīng)用領(lǐng)域，分析了各種參數(shù)在算法中的作用和影響以及一些成功的改進(jìn)算法。通過(guò)學(xué)習(xí)分析和對(duì)比各算法優(yōu)缺點(diǎn)，為后續(xù)研究打下了一定的理論基礎(chǔ)。最后分析了粒子群算法的復(fù)雜度、粒子群算法與其他算法的優(yōu)缺點(diǎn)。第四章，IPCM聚類算法在圖像分割中的應(yīng)用。通過(guò)改進(jìn)隸屬度函數(shù)，使新像素點(diǎn)的隸屬度更新為其鄰域隸屬度的幾何均值，提出了一種IPCM算法(Improve possibilistic c-means, IPCM)。新算法具有克服了對(duì)初始值敏感的問(wèn)題，并且具有很好

56、的抗噪能力。第五章，基于混沌粒子群的模糊C均值聚類算法的圖像分割。模糊C均值聚類算法是目前使用最廣泛的模糊聚類算法，但是該算法也有其局限性，比如在迭代過(guò)程中對(duì)初始值非常敏感，極容易陷入局部極小值，以至于得不到最佳聚類結(jié)果。一方面，將粒子群優(yōu)化算法應(yīng)用到模糊C均值聚類算法中，形成了一種新的搜索算法，有效地避免算法收斂于局部極值，最大程度上得到全局最佳聚類結(jié)果。另一方面，為了避免粒子在迭代過(guò)程中停滯，該算法引入了混沌變量，在當(dāng)前全局最優(yōu)位置的基礎(chǔ)上產(chǎn)生一個(gè)混沌序列，用混沌序列中擁有最優(yōu)適應(yīng)值的粒子隨機(jī)代替當(dāng)前粒子群中的一個(gè)粒子。基于以上兩方面思想，本文提出了基于混沌粒子群的快速模糊C均值聚類算法（Fast fuzzy C-Means clustering based on Chaos Particle Swarm Optimization, CPSO_FFCM），通過(guò)大量的實(shí)驗(yàn)，利用該算法分割圖像時(shí)效果非常好，并且具有良好的魯棒性和適應(yīng)性。第六章，總結(jié)與展望。總結(jié)了本論文的工作和所獲得的研究成果，并對(duì)未來(lái)的研究提出了可做的工作，為未來(lái)開展研究工作指明了方向。57第二章 聚類分析及其算法2.1 聚類分析隨著信息化技