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GA-FKCN聚类的图像分割

提出了GA-FKCN聚类算法,此算法利用遗传算法的全局搜索的能力确保FKCN聚类的方向,从而使FKCN聚类不再具有对初始状态的敏感的缺点。并以此算法为基础提出一种模糊图像分割方法,与传统的模糊聚类分割算法相比效果更佳。最后通过图像分割实验证明该算法的效果优于传统的模糊图像分割。     

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。     

基于改进模糊C均值聚类的心脏图像分割方法

针对医学图像进行分割时,存在的高噪声、低对比性及高相关性问题,提出了一种改进的模糊C均值聚类算法用于心脏医学图像的分割。考虑到噪声的存在,像素的领域信息易受到污染,导致聚类中心发生偏移,影响心脏图像的聚类效果,因此根据邻域像素的非局部噪声强弱定义了一个可以反映图像空间结构信息的自适应参数,用于聚类算法的线性加权,加强对噪声的抑制作用。实验证明,相比模糊C均值聚类算法和其他传统的图像分割方法,提出的算法对心脏医学图像具有更准确的分割效果。     

基于谱聚类与多信息特征融合的图像分割算法

为了改善传统基于聚类的图像分割算法对噪声敏感以及仅使用单一特征无法精确描述目标特性等问题,提出了一种基于区域的多特征图像分割算法。首先,使用 Meanshift 算法对原图像进行预分割,获得一组区域块;其次,提取每个区域块的颜色特征和纹理特征,使用 FCM 算法分别对每个特征进行聚类,针对每个特征获得一个类标签邻接矩阵;再次,将多个邻接矩阵叠加,形成多特征邻接矩阵;最后,使用 NCUT 算法对叠加邻矩阵进行聚类,获得最终分割图像。实验结果表明,基于区域多特征的分割算法优于对比算法,融合多特征对图像分割可以更准确地识别不同的目标结构,具有更好的分割效果。     

图像分割的自适应K均值聚类算法研究

使用K均值聚类算法完成对图像的分割是一种常见的分割技术,针对传统的K均值聚类算法的不足,提出了使用直方图波形的有效波峰个数自适应确定K值的大小,实验结果表明,该方法简单、灵活、容易实现,并能取得较好的结果。     

分区域聚类的蚁群算法

根据旅行商问题中城市分布的特点,提出了分区域聚类的蚁群算法.首先,对城市分布进行球形聚类,再分别对剩下的城市进行线形聚类和孤立点聚类.采用这样的分区域聚类的蚁群算法收敛速度快,寻求的解更优.实验表明,该算法比基本蚁群算法在求得解更优的同时,速度快3～13倍.     

基于模糊形态学和分水岭算法的图像分割研究

提出了一种基于模糊形态学和形态分水岭算法的图像分割方法,利用模糊形态学闭开运算先平滑原始图像,图像通过平滑后在保留重要区域轮廓的同时去除了细节和噪声,而后进行形态分水岭变换实现图像分割。实验结果表明这种方法具有较好的分割效果。     

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。     

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。     

AC和FKP融合算法在民族突发事件聚类分析中的应用

近年来,我国民族突发事件的频发度及危害性均呈上升趋势.民族突发事件复杂程度高、涉及因素多、应急决策难度大,因此智能辅助决策非常必要.聚类分析是民族突发事件应急辅助决策的研究重点.目前,该项工作在我国尚处于起步阶段.针对FKP(Fuzzy K-Prototypes,模糊K原型)聚类算法存在易陷于局部最优解和对初始参数敏感的缺陷,提出了一种AC(Ant Colony,蚁群)和FKP融合的聚类算法.聚类分析结果表明:应用该算法能得出民族突发事件的发生规律,因此该算法可用于民族突发事件的应急智能辅助决策.以上工作为维护国家安全提供了智能化支持.     

改进的蚁群聚类在高职院校教学评价中的应用

教学质量评价是学校有效调节教学行为的一项有效措施。提出了改进的蚁群聚类算法。该方法结合评估特征参数和权值,对教学评价等级进行聚类,正确率达到80%以上。实验表明,该算法应用于教学评价具有一定的可行性。     

基于蚁群聚类的高职院校教学评价系统模型

随着高职教育规模的不断扩大,高职教育的质量问题逐渐成为人们关注的焦点,如何保证教育质量则尤为重要。通过对高职院校教学评价体系原则的分析,在此基础上构建了基于蚁群聚类算法的高职院校教学评价系统模型,旨为后续的评价系统的完善提供参考,并为高职院校的管理或决策者提供数据支持。     

蚁群聚类分析在防火树种分类中的应用

应用蚁群算法聚类分析,以福建省37种针阔树种的10个防火性能为分类因子,将防火树种分成6类。在Matlab环境下仿真实现,分类结果表明分类达到理想的效果,总体符合生产实践,从而验证蚁群算法聚类分析在防火树种分类中的应用效果,为森林生态系统建模提出一种新的思路和方法。     

蚁群算法的原理及其应用

蚁群算法是优化领域中新出现的一种仿生进化算法。该算法采用分布式并行计算机制,具有较强的鲁棒性;但有搜索时间较长,易陷入局部最优解的缺点。本文首先讲述蚁群算法的来源和基本原理,然后讨论蚁群算法的几种改进策略,并简单介绍近年来蚁群算法在许多新领域中的发展应用,最后对今后进一步研究的方向作了展望。