基于多目標(biāo)粒子群優(yōu)化及聚類算法的圖像分割研究.pdf

1、圖像分割是數(shù)字圖像處理技術(shù)的關(guān)鍵步驟之一，是圖像理解以及場景分析的基礎(chǔ)，針對圖像特征做出相應(yīng)的分割處理，為更高層次的圖像分析奠定了良好的基礎(chǔ)。自圖像分割技術(shù)被提出以來，已被廣泛應(yīng)用于醫(yī)學(xué)輔助診斷、軍事目標(biāo)分析以及視頻監(jiān)控處理等多個領(lǐng)域，其不可忽視的實用價值吸引著研究者的持續(xù)關(guān)注。
　　在所有已被提出的圖像分割算法中，基于聚類的圖像分割是應(yīng)用較為廣泛的方法之一。其分割原理是在已知的訓(xùn)練樣本集中找到圖像特征空間中的決策分類點或者分類線

2、、分類面，然后根據(jù)已提取的圖像特征，對特征空間中的樣本集進(jìn)行分類，再映射到原圖像空間完成圖像分割。近來隨著群體智能優(yōu)化算法發(fā)展，利用它的全局搜索能力可以緩解特征空間尋優(yōu)時陷入局部最優(yōu)的情況，將其與基于聚類的圖像分割思想相融合，可以更快地準(zhǔn)確定位最優(yōu)聚類中心。
　　基于高斯混合密度模型的EM算法是近來發(fā)展較快的聚類方法之一，它是一種融合了參數(shù)估計和非參數(shù)估計的半?yún)?shù)密度估計方法，由于不采用既定的概率密度函數(shù)形式，所以運算復(fù)雜度不受樣

3、本數(shù)據(jù)規(guī)模的影響，用作圖像聚類時可以取得很好的效果。但EM算法也存在一些明顯的不足，如對初始值敏感，并容易陷入局部極值等。而智能優(yōu)化算法在非線性多維數(shù)據(jù)空間中的啟發(fā)式全局最優(yōu)搜索，可以大大提高查找聚類中心的準(zhǔn)確性，同時縮短計算時間。本文在高斯混合密度模型的EM聚類算法基礎(chǔ)上，以粒子群優(yōu)化算法為尋優(yōu)工具，提出適應(yīng)性較好的圖像分割方法，從而滿足自動迅速分割圖像、提高分割精度的目的。
　　本文的工作內(nèi)容主要包括三方面:
　　(1)

4、論文系統(tǒng)闡述了粒子群優(yōu)化算法及EM聚類算法的理論依據(jù)及發(fā)展軌跡，在前人工作基礎(chǔ)上全面綜述了從單目標(biāo)到多目標(biāo)的粒子群優(yōu)化算法的演進(jìn)，梳理了EM算法的基本思想及其相關(guān)改進(jìn)算法的研究進(jìn)展和現(xiàn)狀。
　　(2)針對現(xiàn)有EM聚類算法對初始值敏感，在迭代中容易陷入局部極小值的情況，提出一種基于改進(jìn)粒子群算法的混合PSOEM聚類算法。首先，用慣性權(quán)重沿折線先增后減的改進(jìn)粒子群算法，自動獲取任意數(shù)據(jù)集的最佳聚類個數(shù)，得到混合模型的初始參數(shù);其次，采

5、用EM算法的多次迭代得到高斯密度模型的參數(shù);最后，在貝葉斯準(zhǔn)則的引導(dǎo)下對圖像特征進(jìn)行分類。
　　(3)針對現(xiàn)有的基于粒子群優(yōu)化算法的圖像分割使用單一目標(biāo)函數(shù)進(jìn)行數(shù)據(jù)劃分時，容易收斂在中期最優(yōu)點的缺點，結(jié)合多目標(biāo)優(yōu)化理論，提出了基于改進(jìn)多目標(biāo)粒子群算法的混合MOPSOEM聚類算法。通過引用兩個適應(yīng)度函數(shù)完成多目標(biāo)優(yōu)化問題中Pareto最優(yōu)的搜尋，然后經(jīng)由無監(jiān)督聚類完成圖像分割。適應(yīng)度函數(shù)分別選用對數(shù)似然函數(shù)以確定與數(shù)據(jù)分布最相近的最