2022年蚁群算法与K均值算法结合翻译 .pdf

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。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，其聚类中名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 3 页 - - - - - - - - - 2 心为 zj 。第三步：计算各个聚类中心的新的向量值，zj(k+1)，j=1,2, ,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=1,2, ,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=1,2, ,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ACS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， 和 Q 2）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 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 。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3 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。的范围是0 到 5，范围是 0 到 5，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= 1 ，= 5 ，= 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名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 3 页 - - - - - - - - - 3 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名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 3 页 - - - - - - - - -