《蚁群算法与K均值算法结合翻译》由会员分享，可在线阅读，更多相关《蚁群算法与K均值算法结合翻译（3页珍藏版）》请在金锄头文库上搜索。
1、基于蚁群算法和K-均值聚类的图像分割1 介绍 图像分割是图像分析和图像理解的关键过程。由于受复杂环境的影响，对象特点的多样性和杂乱 性，图像分割是图像处理的难点和热点研究问题。一般来说，图像分割主要包括4 种方法。这些方法 是：基于边界的并行，串行边界，并行区域和并行区域分别分割。传统的分割方法对一些图片比较有 效，但仅限于适用于特殊领域和其他有一些特点的图像。目前，能适用于全体的分割方法没有找到。群体智能是一个相对较新的解决问题方法，这种方法是从昆虫和其他动物的社会行为中获得灵 感。蚂蚁有着启发性的方法和技术，其中研究最多和最成功的是通用的优化技术，被称为蚁群优化蚁群算法是一种仿生进化算法。
2、这种平行的正反馈机制的算法的并行性，鲁棒性和易于与其他方 法结合具有一定的优势。因此，这种算法有着出色表现和巨大的发展潜力，并成功地应用于旅行商问 题(TSP),车辆路径问题(VRP的)，数据挖掘，图像处理等。因此，当应用到图像处理上时，蚁群 算法具有广泛的前景本文的结构如下。在第 2 节介绍了蚁群算法及其在图像分割中的应用的基本原则。在第3 节推出 的 K-means 聚类及其在图像分割中的应用程序的基本原则。根据其在图像分割的缺点，在第 4 节提出 结合这两种算法的改进算法。在第 5 节提出实验结果。最后，对实验结果的一些结论是在6 节。2 蚁群优化算法蚁群优化算法是一个组合优化问题的启发
3、式算法设计的典范。最早由 Colorni ， Dorigo 和 Maniezzo在1991年提出，当时被称为蚂蚁系统。此后，便出现了许多新的变种，如蚁群系统ACS)， 最大最小蚂蚁系统(MMAS的)等。ACO 的主要思想灵感来自真实蚂蚁的行为。研究发现，蚂蚁可以在巢穴中复杂的环境下以最快的 速度和最短的路径找到食物来源。当这条道路被破坏时，蚂蚁可以绕过障碍物，找到最优路径。蚂蚁 在觅食时，可以通过释放信息素来相互传输信息。每只蚂蚁可以在路径上释放的信息素，并且也能感 知它的强度，以指引自己的运动方向。蚂蚁倾向于移动到信息素强度高的步道，因此，如果大量的蚂 蚁选择一个路径，这条路径的信息素就会越
4、来越浓。随后的蚂蚁更可能会选择这条路，这条道路上的 蚂蚁，将不断增加。这种情况可以说是一个正反馈过程。觅食的蚂蚁的目的是实现个人信息的交换。3K 均值聚类在 K-means 聚类是一个分组，使组内方差最小化的对象的划分方法。本地通过最大限度地减少每 个子集的不同，该算法将在全球产生的所有子集的最佳相异8。给出的算法，适用于图像阈值，按 以下步骤：第一步：选K个初始聚类中心，z1(1), z2(1),，zK(1),其中括号内的序号为寻找聚类中心 的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个模式样本的向量值作为初 始聚类中心。第二步：逐个将需分类的模式样本x按最小距离准则分配
5、给K个聚类中心中的某一个zj(1)。 假设i=j时，则，其中k为迭代运算的次序号，第一次迭代k=1，Sj表示第j个聚类，其聚类中 心为 zj。第三步：计算各个聚类中心的新的向量值，zj（k+l）,j=l,2,K求各聚类域中所包含样本的均值向量：其中Nj为第j个聚类域Sj中所包含的样本个数。以均值向量 作为新的聚类中心，可使如下聚类准则函数最小：在这一步中要分别计算K个聚类中的样本均值向量, 所以称之为K-均值算法。第四步：若，j=l,2,K，则返回第二步，将模式样本逐个重新分类，重复迭代运算； 若，j=l,2,K,则算法收敛，计算结束。4 基于图像分割改进算法K-means聚类的收敛速度比AC
6、S的速度更快，但K-means聚类一流的成果有很大关系的初始类中 心有关。 ACS 的结果是准确的，但其收敛速度很慢。其原因是，每个路径的信息素是在初始化的算法 中是相同的，蚂蚁是很难在短的时间内更好地找到轻松的路径。因此，将该算法加以改进。那么，改 进后的算法的基本思想是： K-means 聚类的快速分类，然后更新信息素类的结果，直到其他蚂蚁选择 更好的路径。算法描述1）初始化参数a，B，p和Q2）计算类中心3）计算每个像素的距离，使用初始化类中心4）开始流通，计算隶属度。如果计算值是一个随机数，则计算信息素增量T和更新使用（3）,（4） 和（9）。（7）的类中心，否则这个蚂蚁不属于总 NS
7、。5）如果某些像素不属于，返回到步骤 4，否则结束循环6）计算使用的阈值（8），分割图像。5 实验结果改进后的算法的主要目的是找到一种图像分割方法，能有效灰度变换的图像处理功能I，这是RGB 颜色特征模型的线性变换I=（2G -R -B） / 4 . 其中，G，R，B分别是绿色，红色和蓝色分量。此功能模型广泛的应用于农业机器人视觉导航，如图 3 所示，功能模型能够获得最好的农业机器 人视觉导航作物的绿色信息，如图4所示（由于青玉米小图3，图4是不是很清楚，看到效果图7）。 图5显示的图像后处理功能I3图的原始彩色图像的灰度变换。据了解， ACS 包括一些调整，这大大影响了算法的性能参数，这些参
8、数的选择过程非常困难和复 杂。然而，改进后的算法的参数，可以简单地确定。这些参数的值对改进算法的影响低。 a 的范围是 0到5，B范围是0到5，p范围为0.1至0.99, Q的范围是1至100通过实验，改进后的算法的主 要参数被确定为a = 1， B = 5， p = 0.5 andQ=1。如图所示改进后的算法可以适用于普通的灰度图像分割图 6。分割的结果是没有差异的 K-means 聚类，如图 2 所示。改进后的算法可以应用到段后，通过加工功能I3有效的灰度变换的图像，如图7 8所示：玉米 图信息。 图4的分割图很清楚。图7虽然图的分割效果比图 6是明显。但是，如果灰度变换后的图 像处理功能I3分割的K-means聚类（k =3），分割的结果是致命的，并没有达到要求，如图9 10所 示的分割结果。 9是一个几乎空白的图， 10的分割是不完全的由 ACS 的聚类必须重复多次衔接，而且成本的时间超过十分钟。然而，只用了一次的图像分割改进算法收敛，花费时间为29秒。因此，改进后的算法与ACS比较可知可以减少计算的复杂性。6 实验结论根据 ACO 和 K-means 聚类，本文提出了基于 ACO 和 K-means 聚类的图像分割方法的特点。实验结 果证明，改进后的算法是一个有效的图像分割方法，该算法可以准确分割对象，减少分割时间，提高 分割效果，改进后的算法特别适合灰度变换的图像
