基于蚁群和自适应滤波的模糊聚类图像分割

为了改进模糊C均值聚类(FCM)算法对初始聚类中心敏感、抗噪性能较差、运算量大的问题,提出一种新的基于蚁群和自适应滤波的模糊聚类图像分割方法(ACOAFCM).首先,该方法利用改进的蚁群算法确定初始聚类中心,作为FCM初始参数,克服FCM算法对初始聚类中心的敏感;其次,采用自适应中值滤波抑制图像噪声干扰,增强算法的鲁棒性;最后,用直方图特征空间优化FCM目标函数,对图像进行分割,减少运算量.实验结果表明,该方法克服了FCM算法对初始聚类中心的依赖,抗噪能力强,收敛速度快,分割精度高.     

基于蚁群优化的直觉模糊聚类脑MR图像分割

针对现有模糊C均值(FCM)聚类算法存在的对初始参数敏感、迭代速度慢,以及对噪声鲁棒性差等问题,提出将蚁群优化算法(ACO)与直觉模糊聚类相结合的方法用于分割脑部MR图像.该算法采用自适应蚁群优化算法获取初始聚类中心与聚类个数作为直觉模糊聚类的初始值,将融入了局部空间信息和犹豫度的直觉模糊聚类算法应用于含噪声脑部图像及脑肿瘤图像进行分割.实验结果表明该算法能够有效抑制噪声干扰且保存图像细节,相较于FCM及相关改进算法具有更高的分割精度和分割效率.     

基于动态自适应蚁群算法的MRI图像分割

MRI图像分割在医学图像分析中具有极其重要的理论和应用价值.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法.对目标边界模糊、目标灰度不均匀及目标不连续等情况的图像(如医学图像)分割,蚁群算法是一个比较好的选择.本文针对基本蚁群算法容易出现早熟和停滞现象的特性,提出了一种动态自适应蚁群算法,通过自适应的初始聚类中心调整策略和动态更新局部信息素浓度,使其收敛性和稳定性有一定的提高.实验证明改进的蚁群算法能够有效地分割MRI图像.     

融合模糊聚类的蚁群图像增强算法

为提高边缘检测精准度,保证图片分割后效率和效果,本文提出一种基于融合模糊聚类的蚁群图像增强算法。该算法利用分量灰度值、灰度梯度值和领域特征值进行图像特征提取,得到特征灰度图;然后使用模糊聚类算法对区域蚂蚁进行聚类以提高收敛速度;再采用蚁群算法进行图像边缘检测,检测过程中,使用路径选择策略对蚁群进行有序搜索,提高搜索效率,又根据信息素更新策略进行最优路径信息交流,以达到边缘点提取与检索目的;最后将检索所得灰度边缘图与原图进行重合,得到图像增强效果。实验结果表明,该改进算法在检索时间方面相较于传统蚁群算法提高了20.7%;在精度方面提高了14.8%,图片分割效果更好,纹理更清晰。     

基于自适应蚁群的FCM聚类优化算法研究

模糊C均值聚类算法在算法初始化时需要人为设定聚类类别数、随机初始化聚类中心,致使该算法容易陷入局部最优值.为解决此类问题,在蚁群算法中引入信息素更新机制,使其输出的聚类中心更具全局优化的特征和较强鲁棒性的特点;用蚁群算法得到的聚类中心来初始化FCM算法的聚类中心,解决了FCM算法对初始聚类中心敏感的问题;使用结合熵信息与数据几何结构的聚类有效性评价方法对FCM算法和优化FCM算法进行评价,评价结果表明优化的FCM算法性能更优.在仿真实验中,利用提出的优化算法和FCM算法对自然图像、纹理图像和SAR图像进行分割实验,从图像分割的准确性和算法的实时性做对比实验,验证了优化算法的有效性.     

基于二维直方图和改进蚁群聚类的图像分割

图像分割是图像处理和图像分析的重要基础。基本蚁群算法蚂蚁的搜索是随机的,计算量大,不利于算法的收敛。因此,文中提出了一种基于二维直方图和改进的蚁群聚类算法的图像分割方法,改进了应用传统分割方法分割图像效果不佳的问题。蚁群聚类算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法。文中基于此传统算法,通过二维直方图设置初始聚类中心来减少蚁群算法循环次数,定义了一种新的引导函数,并通过改进信息素更新机制提高蚁群聚类的速度。实验证明,该算法是一种比较准确、快速的图像分割方法。     

基于二维直方图和改进蚁群聚类的图像分割

图像分割是图像处理和图像分析的重要基础。基本蚁群算法蚂蚁的搜索是随机的,计算量大,不利于算法的收敛。因此,文中提出了一种基于二维直方图和改进的蚁群聚类算法的图像分割方法,改进了应用传统分割方法分割图像效果不佳的问题。蚁群聚类算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法。文中基于此传统算法,通过二维直方图设置初始聚类中心来减少蚁群算法循环次数,定义了一种新的引导函数,并通过改进信息素更新机制提高蚁群聚类的速度。实验证明,该算法是一种比较准确、快速的图像分割方法。     

基于遗传模糊C-均值聚类算法的地图分割

图像分割和对象提取是从图像处理到图像分析的关键步骤。经典的模糊C-均值聚类算法(FCMA)是将图像分割成C类的常用方法,但依赖于初始聚类中心的选择。该算法通常得到的是局部最优解而非全局最优解。遗传算法是一类全局优化搜索算法。通过将遗传算法(GA)与FCMA相结合,对彩色地图直接按红绿蓝(RGB)三色空间进行聚类,用遗传算法搜索全局最优解,有效地避免了模糊C-均值聚类算法收敛到局部最优的问题,并在此基础上实现了对彩色地图的分割,得到了比较满意的效果。     

改进的遗传模糊聚类算法对医学图像的分割

利用遗传算法全局随机搜索的特点，可以解决模糊C均值聚类（FCM）算法在医学图像分割中容易陷入局部最优解的问题，但确定遗传算法的初始搜索范围时，需要借助于人的经验。为此，用收敛速度快的硬聚类算法得到的聚类中心作为参考，上下浮动划出一个较小的数据范围，作为遗传算法的初始搜索空间。该方法在避免FCM算法陷入局部最优化的同时，也加速了遗传算法的收敛过程。实验表明，该方法相对于标准的遗传模糊算法，效果要好得多。     

蚁群模糊聚类的图像分割

蚁群算法的离散性、并行性、鲁棒性、正反馈性特点,非常适合于图像分割.但基本蚁群算法中蚂蚁运动的随机性使得算法进化速度慢且易于陷入局部最小等缺陷.提出了一种基于改进的蚁群模糊聚类的图像分割方法,给出了多种信息素的更新方式.针对算法循环次数多,计算量大的问题,综合考虑图像中像素的灰度,邻域平均灰度,梯度等特征来设置初始聚类中心进行蚁群模糊聚类.实验结果表明,该方法在图像分割中的确能够得到较好的分割结果.     

基于MATLAB的自适应蚁群聚类算法研究与仿真

介绍了蚁群算法和聚类分析,针对传统蚁群聚类算法参数设置对结果影响大的缺点,提出了一种自适应蚁群聚类算法。主要通过对传统蚁群算法的参数进行简化,增加对局部相似度的运算,使蚂蚁的移动具有一定的方向性,从而降低蚂蚁移动的随机性,对待聚类模式的主成分分析再进行聚类,简化聚类的过程。最后在MATLAB上做了仿真实验,实验结果分析表明,运用该算法能得到较好的聚类结果,从而说明该算法是可行的。     

结合蚁群聚类算法的模糊C均值聚类

模糊C均值（FCM）聚类算法采取随机选取聚类中心的方法,这种方法使得FCM算法在局部范围内容易获得最优解,但在全局范围内效果较差,且FCM算法中聚类簇的个数一般需要人为设定。面对上述种种问题,文中将蚁群聚类算法和FCM聚类算法进行结合,获得了一种改进的FCM聚类算法。该算法在初步聚类中利用蚁群聚类产生聚类中心和簇的个数,将产生的聚类中心提供给FCM算法进行再次聚类。利用蚁群聚类的全局搜索和并行运算的优点避免了聚类易陷入局部最优解的缺陷。经过实验验证,该算法较一般FCM算法具有更好的性能。     

改进的模糊C-均值聚类算法

为了克服模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于改进量子蚁群的模糊聚类算法。将量子计算原理和蚁群算法相结合来改进FCM算法。初期采用量子遗传算法生成信息素分布,后期利用蚁群算法的全局搜索性、并行计算性等特点避免聚类陷入局部最优解。实验证明该算法保证了种群的多样性,有较好的全局收敛性,克服了模糊C-均值聚类算法的不足,能有效解决未成熟收敛的问题,使聚类问题最终快速、有效地收敛到全局最优解。     

自适应快速FCM彩色图像分割研究

模糊C均值聚类算法（FCM）广泛用于彩色图像分割,但该算法存在需要预先指定聚类数目、计算量大、耗时长且易陷入局部最优等缺点。提出一种自适应快速模糊C均值彩色图像分割方法,该方法首先运用蚁群算法,自动获取初始聚类中心和聚类数目,然后使用基于梯度的分水岭算法对原始彩色图像进行预分割,得到一系列由色彩特征空间具有一致性的点构成的子集,最后对这些子集的中心进行模糊聚类。实验结果表明：由于子集数量远小于原始图像像素数目,使聚类样本数量显著减少,大大提高了聚类速度,同时在聚类中以特征距离代替欧式距离,增强了算法的鲁棒性。     

不确定近似骨架蚁群聚类算法在滑坡危险性预测中的研究与应用

受不确定因素降雨难以准确处理的制约以及蚁群聚类算法在搜索空间容易陷入局部最优解和搜索速度慢的特征影响,为了提高滑坡危险性预测的精度,提出一种不确定近似骨架蚁群聚类算法。首先采用Gauss点概率模型来描述不确定数据,对不确定数据进行相似性度量;其次引入信息素重分配和自适应动态变量实现蚁群聚类算法局部信息素和全局信息素更新,提高蚁群聚类算法搜索速度,加载遗传算法避免蚁群聚类算法过早陷入局部最优;最后结合近似骨架理论,构建不确定近似骨架蚁群聚类算法模型,缩减迭代次数,快速搜索出聚类结果。在UCI真实数据集和延安宝塔区滑坡实验数据集上的实验结果显示,不确定近似骨架蚁群聚类 算法具有较高的聚类质量,预测精度达到93.3%,验证了算法在滑坡危险性预测中的可行性。     

蚁群优化与模糊聚类结合的文本聚类研究

针对模糊文本聚类算法（FCM）对输入顺序以及初始点敏感的问题,提出了一种使用蚁群优化的模糊聚类算法（FACA）。该算法采用蚁群聚类算法（ACA）找到聚类的初始中心点,以解决模糊聚类的输入顺序以及初始点敏感等问题。模糊文本聚类算法的线性复杂度使其更便于在计算机实现。与经典的基本模糊聚类以及蚁群聚类在真实数据集上仿真相比较,结果表明经蚁群优化过的模糊聚类算法（FACA）效果更有效,更适合应用于大型的数据集。     

蚁群聚类组合方法参数M的研究

蚁群算法中参数在不同取值情况下,常常会对算法的性能和求解效率产生重大影响。该文在基于蚁群聚类组合方法的研究基础上,重点研究了蚁群聚类组合方法KMAOC算法中蚁群算法参数蚂蚁数m对KMAOC算法性能的影响,对KMAOC算法中的参数蚂蚁数m分别取值进行实验,通过几组实验验证提供了KMAOC算法中参数蚂蚁数m配置的较好建议。     

基于蚁群算法的文本聚类算法

针对目前文本检索后的相关反馈信息较少用于文本聚类中的问题,根据蚂蚁觅食聚类算法的思想,将文本检索后的相关反馈信息应用到文本聚类过程中,提出一种基于蚁群算法的文本聚类算法。分析簇的结构及其生成过程,论述聚类中簇合并的规则及算法。实验结果表明,该算法具有良好的聚类效果,能有效提高查询的文本召回率。