基于蚁群算法的图像分割方法改进研究

图像分割是一种对不同特征的像素进行聚类的过程,过程中涉及像素的梯度、灰度及邻域特征。由于蚁群算法的离散性、并行性、全局优化性和稳定性等特点,基于蚁群算法提出一种有效的图像分割改进算法。首先通过蚁群改进算法的模糊聚类能力可以分别计算出像素与目标、背景、噪声点、边界点的隶属关系;然后对于蚁群算法循环次数多、计算量较大的问题,设置启发式引导函数和聚类中心,解决传统聚类中运行效率低、初始化敏感度高等缺点;最后引入梯度算子,对目标与背景灰度值相似图像进行分割,对结果进行了进一步的优化。实验表明,应用该改进算法得到的图像分割结果具有较高的准确度和效率。     

基于改进蚁群—模糊聚类算法的电影背景音乐情感分类

为提高电影情感内容分析的准确率,需要对电影的背景音乐进行情感的自动分类,为此提出改进蚁群-模糊聚类算法的音乐情感分类方法,分析改进蚁群-模糊聚类算法的基本原理及实现步骤,并以500首电影音乐数据为例,对该数据进行挖掘分析,使用改进蚁群-聚类算法对平均音高、平均音强、旋律的方向、音高的稳定值、节奏的强弱规律和节拍6个情感特征向量进行聚类。试验效果表明取得很好的聚类效果。     

基于蚁群模糊聚类算法的图像分割研究

论文提出了一种基于蚁群动态模糊聚类算法的计算机图像分割方法,有效地利用蚁群算法的聚类分析能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心。然后利用蚁群聚类算法得到的模型进行修改,再进行模糊聚类弥补蚁群算法的不足。最后将该算法应用到计算机图像分割技术。对比实验表明,该算法实验表明该算法速度快、划分特性好,可以准确地分割出目标。     

蚁群聚类优化算法在零售客户分类中的应用

随着网上购物热潮的到来,企业拥有的客户数据激增.挖掘并分析出隐藏在客户数据中的信息,实现客户群进行划分,对提高企业盈利有显著作用.鉴于此,研究从移动策略、观察半径、概率转换函数等三个方面进行蚁群聚类算法的优化,并以蚁群聚类优化算法实现客户数据的聚类分析.研究结果显示,与标准蚁群聚类算法相比,蚁群聚类优化算法的平均错误个...     

基于改进仿射传播聚类的图像分割算法研究

仿射传播聚类算法是一种比较新的基于质心的聚类算法,在图像分割领域得到了广泛应用。仿射传播聚类算法最终聚类数目会受到偏向参数P(Preference)的影响,得到的聚类数目往往偏多,影响分割质量。鉴于此,提出一种改进的仿射传播聚类的图像分割算法,该算法将仿射传播聚类算法与CURE层次聚类算法相结合,CURE算法能够对仿射传播聚类算法的分割结果进行优化。实验验证表明,改进后的算法图像分割效果更好。     

一种基于信息素的FCM蚁群聚类算法

针对FCM聚类算法存在的一些缺陷,结合蚁群优化算法的优点,提出了一种基于信息素的FCM蚁群聚类算法.该算法通过FCM算法获得新的聚类中心,利用蚁群优化算法的全局搜索性、并行计算性等特点避免了聚类陷入局部量优解.仿真结果表明了该算法的有效性.     

基于特征融合的人脸图像识别方法研究

为了提高人脸识别率,研究了一种基于边缘二值图像特征向量提取的方法。通过局部二值模式提取特征向量,考虑到边缘二值图像特征向量与局部二值模式提取的特征向量的区别,提出了将这两类特征向量通过PCA方法融合实现人脸识别的方法。实验结果表明基于两类特征向量融合的人脸识别方法可以有效地提高识别率。     

基于灰狼算法的室内三维空间图像分割方法研究

研究基于灰狼算法的室内三维空间图像分割方法，提升室内三维空间图像分割结构相似度与效率。通过创建平面直角坐标系、纠正与配准楼层位图和采集三维空间要素图层获取室内三维空间矢量化数据，以该数据为基础利用机器人探索空间，获取三维信息，结合最优点到平面的距离，优化室内三维空间图像帧中所有点，建立最优室内三维空间模型，通过灰狼算法的围捕和攻击等狩猎操作优化K均值聚类函数，形成聚类-灰狼算法的图像分割方法，实现室内三维空间图像分割。实验结果显示：该方法采集的图像要素点比实际位置偏移最多不超过2mm；可以准确建立室内三维空间模型；且分割后的室内三维空间图像信息清晰；与灰狼算法优化前相比，峰值信号比和结构相似度分别提高60.5%和15.5%，运行时间缩短了42.1%。     

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想。该算法首先利用蚁群算法较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,进行K-均值聚类弥补蚁群算法的不足。两者的有机结合可以寻求到具有全局分布特性的最优聚类,实现基于改进的蚁群聚类算法分析。     

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想,该算法首先利用蚁群算法的较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,再进行K-均值聚类弥补蚁群算法的不足。两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的蚁群聚类算法分析。     

Web客户的核聚类

提出了一种基于核的聚类方法,增加对样本特征的优化;通过核函数,把数据样本空间映射到一个高维的特征空间;在特征空间对数据样本进行k-中心点聚类,并通过计算类内距离作为适应度准则,取其最优的结果。通过Web日志挖掘中的Web客户聚类应用比较,表明核聚类方法在性能上比经典的聚类算法有较大的改进,从而实现更为准确的聚类。     

一种改进的半监督谱聚类算法

针对谱聚类算法稳定性较差的问题,提出了一种改进的半监督谱聚类算法。该算法依据图像的颜色、纹理和空间特征进行聚类,通过Bayes距离学习对相似度矩阵的内容进行修正;然后,使用半监督K—means聚类算法对调整后的特征向量进行聚类划分。仿真实验结果表明。较传统谱聚类而言该算法在准确率及稳定性上都有了显著提升。     

一种基于Mean-shift算法的稳健的图像分割

提出一种基于Mean-shift的灰度图像分割算法.首先提取图像的灰度值、梯度、邻域特性作为Mean-shift的特征向量,然后用Mean-shift算法收敛于概率密度最大点的特点,找到图像的聚类中心,从而实现了分割图像,增加了梯度和邻域特性的Mean-shift算法分割图像更精确的效果.     

蚁群算法优化结点和聚类技术在复杂网络中发现社团的研究

根据聚类方法,通过计算结点间的相似度来发现社团结构,提出了一种基于蚁群算法识别相似结点的方法,以优化结点的计算性能.     

一种改进的基于K-Means的蚁群聚类算法

聚类分析被广泛用于数据挖掘等领域,基于蚁群算法的聚类算法也得以应用。针对K-Means算法和蚁群聚类算法出现的缺点,利用了K-Means算法快速确定聚类中心和精英适应保留值的策略,提出了一种改进的基于K-Means的蚁群聚类算法。仿真实验表明,改进算法的性能得到有效提高。     

基于SIFT与K-means聚类的多源图像匹配算法

为进一步提升图像特征点定位准确性,提高图像特征匹配的精度与算法效率,并保持良好的旋转与尺度不变性,文章提出了一种基于SIFT特征点和K-means聚类的图像匹配优化算法,在SIFT特征点基础上,利用亚像素插值和辐射聚类模型对传统算法进行优化,提取更精确的特征点,进一步根据辐射模型中距聚类中心距离比率,计算对象点与聚类中心的相似性,避免了特异点对聚类中心计算产生的突变影响,提高了聚类计算的正确性及特征点正确率.实验证明,在保证旋转不变性与尺度不变性的前提下,本算法实现了在同等距离比率下较原算法的图像匹配精度有较明显提高.     

可信动态度量下学习行为数据分布式挖掘算法

在远程在线学习过程中,需要进行学习行为数据的优化挖掘,指导学习行为优化,提出基于可信动态度量的学习行为数据分布式挖掘算法。建立远程在线学习行为数据的大数据演化特征分布模型,采用大数据信息融合方法进行学习行为数据的可信动态度量,提取学习行为数据分布式关联特征量,采用模糊相关性融合调度方法进行学习行为数据分布式挖掘过程中的自适应调度和寻优控制,结合模糊K均值聚类分析方法进行学习行为数据分布式挖掘的动态特征量聚类分析,在聚类中心中实现对远程在线学习行为数据的自适应融合和分布式挖掘。仿真结果表明,采用该方法进行可信动态度量下学习行为数据分布式挖掘的准确性较高,收敛性较好,挖掘过程的自适应学习性能较好。     

数据挖掘技术在电子商务中的应用研究

本文基于国内外最新研究成果对电子商务中应用的web挖掘技术进行了研究。对于个性化电子商务网站中难以发现用户行为特征问题,给出了基于web日志的客户群体聚类算法及web页面聚类算法。利用这些web挖掘技术可有效挖掘用户个性特征,从而指导电子商务网站资源的组织和分配。     

一种基于蚁群算法和C-Means算法的图像分割方法

针对传统C-Means算法在图像分割应用中的缺陷,本文提出一种蚁群算法(Ant Colony Optimization ACO)融合C-Means算法的图像聚类分割方法,它融合了C-Means算法和蚁群算法的优点,比传统的C-Means算法能得到更好的分割质量。实际图像分割试验结果表明该方法是一种良好的图像分割新方法。     

基于SIFT特征点改进聚类的图像检索方法研究

由于SIFT特征点能对图像局部特征进行合理、精确描述,有效使用SIFT特征点实现基于内容的图像检索成为当前计算机视觉领域中的热点问题。针对该问题,提出一种基于SIFT特征点的改进聚类的图像检索新方法。该方法包括图像颜色转换、特征点改进聚类算法,以及基于该算法的更有效的灰度直方图构建方法。与现有基于流光法的检索方法相比,该方法能有效解决聚类后特征点分组不确定和依赖特征点颜色信息和空间信息权重的问题。从公共图像库上的实验结果可以看出,该方法与现有方法相比具有较高的检索精度。