一种基于蚁群聚类的图像分割方法

合集下载

基于蚁群智能和支持向量机的图像分割方法

4082009,30(2)计算机工程与设计Computer Engineering and Design0引言图像分割是一种重要的图像分析技术，也是图像信息处理的热点和难点之一[1]。

所谓图像分割就是将图像中有特殊意义的不同区域分割开来，使得这些区域互不重叠。

常用的分割方法有阈值法[2-3]和结合特定理论工具分割法[4-5]等。

阈值法因简单和有效性使得其一直是图像分割领域的研究热点。

为了解决阈值选取问题，国内外许多学者做了大量的工作，提出了许多实用的方法[6-9]。

由于图像的一维灰度直方图仅反映了图像的灰度分布，并不能反映图像像素之间的空间相关信息，当图像的信噪比降低时，利用一维灰度直方图选取阈值就会产生很多分割错误。

近年来，研究人员已经利用图像的二维灰度直方图：像素的灰度值和邻域的平均灰度值所构成的直方图来进行阈值分割。

由于二维直方图充分考虑了图像的灰度信息和邻域的空间信息，使得二维阈值较一维阈值的分割效果明显提高。

但二维直方图的引入，大大增加了计算复杂性，其主要原因是从一维直方图扩展到二维直方图后最佳阈值的搜索空间变大了。

为了克服二维阈值算法计算复杂、运算时间长等缺点，人们又提出了大量改进的快速算法，如文献[8]利用粒子群优化算法来寻找全局最优阈值；文献[9]通过划定求取阈值的有效区域来减少求取阈值的循环次数等一系列快速算法。

为了有效解决二维阈值算法计算复杂、实时性差且分割不够精确等问题，本文提出一种基于蚁群智能[10]和支持向量机[11]的图像分割方法。

蚁群算法作为一种新的模拟进化算法具有很强的鲁棒性，良好的正反馈特性和并行计算的特点而支持向量机采用结构风险最小化原则，具有很好的泛化能力，它已广泛用于解决分类和回归问题。

利用蚁群算法搜索全局最优阈值结合支持向量机进行图像分割，在大大缩短搜索时间的同时较好地改善了分割效果。

1支持向量机SVM 是20世纪90年代中期发展起来的机器学习技术，收稿日期：2008-01-26E-mail ：hw0130@人工智能吴海珍，何伟，蒋加伏，等：基于蚁群智能和支持向量机的图像分割方法2009,30(2)409是一种基于统计的学习方法，是对结构风险最小化原则的近似，能够很好地解决过学习和欠学习问题，具有很强的非线性分类能力。

基于蚁群算法的图像分割方法

基于蚁群算法的图像分割方法
韩彦芳;施鹏飞
【期刊名称】《计算机工程与应用》
【年(卷),期】2004(040)018
【摘要】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.根据数字图像的离散性特点,首先从模糊聚类角度出发,将蚁群算法引入图像分割中,综合考虑像素的灰度、梯度及邻域特性进行特征提取.然后,针对蚁群算法循环次数多,计算量大的问题,设置启发式引导函数和初始聚类中心进行改进.详细阐述特征提取、初始聚类中心设置和模糊聚类流程.实验证明改进蚁群算法可以快速准确地分割出目标,是一种有效的图像分割方法.
【总页数】3页(P5-7)
【作者】韩彦芳;施鹏飞
【作者单位】上海交通大学图像处理与模式识别研究所,上海,200030;上海交通大学图像处理与模式识别研究所,上海,200030
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于蚁群算法的图像分割方法改进研究 [J], 张健
2.基于多态蚁群算法的回转窑图像分割方法 [J], 吴闯;张小刚
3.基于蚁群算法和C-means法的图像分割方法 [J], 吴小菁;陈星娥
4.基于蚁群算法和C-means算法的图像分割方法 [J], 吴小菁;陈星娥;
5.基于蚁群算法的图像分割方法 [J], 杨本胜;肖红;刘娇娇
因版权原因，仅展示原文概要，查看原文内容请购买。

基于蚁群优化多层图划分的彩色图像分割方法

优先出版计算机应用研究第32卷--------------------------------基金项目：国家自然科学基金资助项目(61073058，61201347)；重庆市科委自然科学基金计划资助项目(cstc2012jjA40011)作者简介：葛亮(1980-)，男，重庆市人，副教授，硕导，博士，主要研究方向为计算机视觉、数据挖据、Web 应用技术(geliang@)；杨竣铎(1989-)，男，山东临沂人，硕士研究生，主要研究方向为数字图像处理(yangjunduo@)．基于蚁群优化多层图划分的彩色图像分割方法 *葛亮，杨竣铎(重庆大学计算机学院，重庆 400044；软件理论与技术重庆市重点实验室，重庆 400044)摘要：为了消除基于谱聚类的归一化切分图像分割中聚类参数对分割结果的约束，提出了一种基于蚁群优化的多层图划分算法来进行归一化切分，进而对彩色自然景观图像进行分割。

该算法将代表图像的相似度图作为蚁群的栖息环境，在归一化割准则的指导下，通过蚂蚁的觅食行为将相似的顶点逐渐聚集在一起，从而以多层的方式完成图划分。

为了降低图像分割的计算量，利用超像素对图像进行预处理。

实验对比表明，该算法消除了归一化切分分割结果对聚类参数的依赖，并提高了归一化切分分割的准确性和速度。

关键词：彩色图像分割；归一化切分；蚁群优化；多层图划分；超像素中图分类号：TP391 文献标志码：AColor image segmentation based on multi-level graph partitioningusing ant colony optimizationGE Liang, Y ANG Junduo(College of Computer Science, Chongqing University, Chongqing 400044 China; Chongqing Key Laboratory of Software Theory & Technology, Chongqing 400044 China)Abstract: In order to eliminate the restraint of clustering number to segmentation result of spectral clustering based normalized cut image segmentation, this paper proposed an ant colony optimization based multi-level graph partition algorithm which was used to segment color natural landscape image. The proposed algorithm regarded similarity graph corresponding to image as ant colony's habitat, and then grouped similar vertices into partitions gradually under the guidance of normalized cut criterion using ant's foraging behavior, which complete graph partition problem by a multi-level way. To reduce calculated quantity of image segmentation, an effective super-pixel algorithm was utilized to preprocess original image. Contrast experiment shows that the proposed algorithm eliminates the restraint, while improves accuracy and speed of image segmentation based on normalized cut criterion.Key Words: color image segmentation; normalized cut; ant colony optimization; multilevel graph partitioning; super-pixel 图像分割是计算机视觉和图像处理领域中一个非常基本而关键的问题。

基于蚁群算法的图像分割技术研究

基于蚁群算法的图像分割技术研究近年来，图像处理技术得到了长足的发展，同时随着人工智能算法的不断推陈出新，基于蚁群算法的图像分割技术日益成为研究的热点。

在图像分割领域中，基于蚁群算法的图像分割具有无监督、高效、准确等优点，成为很多研究者关注的课题之一。

一、基于蚁群算法的原理及应用蚁群算法是一种模拟自然界蚂蚁觅食行为而设计的智能算法，模拟蚂蚁在一个复杂环境中寻找食物的过程，通过群体的智能来实现最优解的寻找。

在图像分割技术中，蚁群算法通过搜寻整个图像空间，在图像上搜索所有可能的分割结果，并迭代求解最优解。

在蚁群算法中，蚂蚁在搜索的同时还能跟踪信息素，信息素可以代表质量或距离等参数，这可以帮助蚂蚁找到最优解。

同样的，基于蚁群算法的图像分割也是借助信息素在搜索复杂图像中的最优分割方式。

蚁群算法在图像分割领域中的应用，可以帮助我们更准确、高效地对图像进行分割，进而更好地提取图像中的特征。

二、基于蚁群算法的图像分割实现基于蚁群算法的图像分割技术主要分为两个步骤：1、生成初始分割对图像进行初步处理，得到初步的划分区域，并对区域内的像素点求取平均灰度值。

该步骤利用启发式规则，支持构建初期分割。

2、利用蚁群算法对图像进行分割针对上述生成的初始分割，对每一个分割区域分别设置个数相同的蚂蚁，让它们像自然界的蚂蚁一样进行搜索，并在寻找到最优解后，对图像进行分割。

在寻找最优解的过程中，我们可以使用每个蚂蚁在搜索中留下的信息素轨迹来迭代更新信息素浓度，从而提高寻找效率和结果准确率。

三、优缺点分析基于蚁群算法的图像分割技术具有很多优点：1、具有无监督、自适应、并行化等优势，实现高效图像分割。

2、对于大规模复杂图像具有很高的适应性和鲁棒性，能够准确地分割出目标物体。

3、蚁群算法优化能力强，在优化方面具有独特的优势。

但是，蚁群算法仍然存在一些缺点：1、除了计算量较大之外，在一些特别复杂的图像上分割效果并不够理想。

2、由于蚂蚁惯性运动的原因，蚁群算法容易陷入局部最优解，搜索结果不够全局优化。

基于蚁群算法的图像分割方法改进研究

Improvement Research on Image Segmentation Method Based on Ant Colony Algorithm 作者：张健
作者机构：同济大学软件学院,上海普陀区200331
出版物刊名：湖州职业技术学院学报
页码： 84-87页
年卷期： 2014年第1期
主题词：蚁群算法;图像分割;模糊聚类;梯度算子
摘要：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。

一种改进的蚁群聚类的图像分割

０引言
在人类接收的信息中８０％来自视觉或者说为图像信息，人们利用计算机来帮助获取和处理这些信息。在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，需要将他们从中提取出来，在此基础上对图像进行利用。图像分割就是
一
种改进的蚁群聚类的图像分割
于彬（兰州交通大学电子与信息工程学院，甘肃兰州，７３００７０）
摘要：蚁群算法有很好的鲁棒性和全局性，而模糊ｃ～均值算法对初始值过于依赖，造成局部最优解，本文提出结合两种算法，利用蚁群算法求出最优解，作为ＦＣＭ的初始参数，然后利用ＦＣＭ进行对图像的分割，在结合的基础上提出一种改进的方法，通过实验证明，该改进的方法，在图像分割中有很大的进步。关键词：蚁群算法：模糊ｃ一均值算法：图像分割
ｉｓｄｉｖｉｄｅｄｂｙｕｓｉｎｇＦＣＭｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ，ａｎｉｍｐｒｏｖｅｄｍｅｔｈｏｄｉｎｔｈｅｂａｓｉｓｏｆｔｈｅｐｒｏｐｏｓｅｄ，ｔｈｒｏｕｇｈｔｈｅ
ＡｎＩｍｐｒｏｖｅｄＡｎｔＣｏｌｏｎｙＣｌｕｓｔｅｒｉｎｇＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎ
ＹｕＢｉｎ
（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＬａｎＺｈｏｕＪｉａｏＴｏｎｇＵｎｉｖｅｒｓｉｔｙ，ＬａｎＺｈｏｕ，７３００７０，Ｃｈｉｎａ）

基于局部蚁群算法的图像分割

ＹＵＷｅ・ｕ，ＺｏｂｎＹＵＺｉｉｇ，ＴＡＮＪｎｉｙＯＵＲｕ－ｉｇ，ｈ— ｎＩｉｇｄ
（．ｃｏｌｆＥｅｔｎｃａｄＩｏｍｉｎｉｅｉｇｏｔｈｎｎｅｓｙｏｃｎｌｙｎｎｚｏｕｎｄｎ６０ｈｎ１ＳｈｏｏｌｒｉｎｎｒｏＥｇｎｒ，ＳｕｈＣｉａＵｉｒｔＴｈｏｏ，ＧｇｈｕＧａｇｏｇ５０４，Ｃｉｃｏｆａｔｎｅｎｖｉｆｅｇａ１ａ；２ＤｐｒｎｌｔｎｃｎｏｐｔｎｉｅｒｇｏｇＫｎｎｖｍ￣ｏｉｃａｄＴｃｎｌｙ．ｅａｔｔＥｅｒｉａｄＣｍｕｅＥｇｎｅｎ，ＨｎｏｇＵｉｉｆＳｅｅｎｅｈｏｇ，Ｈｏｇｏｇｈｎｍｅｏｆｃｏｒｉｅｃｎｏｎｋｎ，Ｃｉａ；３Ｓｈｏｏｌｔａｎｌｔｎｃｎｉｅｒｇ．ｃｏｌＥｅｒｌｄＥｅｒｉＥｇｎｅｎ，Ｎａｙｎｅｎｌｉｌｎｖｒｔｉａｏｅ３７８ｉｇｐｒ）ｆｃｉａｃｃｏｉｎａｇＴｃｏｏｃｉｓｙｎｐｒ６９９，ＳｎａｏｅｈｇａＵｅｉ，Ｓｇ
ｖｒｅ，ｎｉｅｅｉｔｏａｋｒｕｄｉｇｒｙｃａｇｓｄａｔａｌ，ａｒｖｄｉｇｉａｙｓｇｎａｉｎｂｓｄｏｏａｎａｓｏｓｘｓｒｂｃｇｏｎｉｓｍａｅｇａｈｎｅｒｍａｉｌｃｙｎｉｏｅｍｐｍａｅｂｎｒｅｍｅｔｔａｅｎｌｃｌａｔｏｃｌｎｌｏｔｍｓｐｏｏｅ．Ｗｉｉｉｅｅｔｍａｅａｅｓｉｅｅｔｉｒｔｎｎｍｂｒｎｔｐｅｅｓｔｏｎｓｔｃｉｖｏｏｙａｇｒｈｗａｒｐｓｄｉｔｎｄｆｒｎｇｒａ，ｄｆｒｎｔａｉｕｅｓａｄｓｓｗｒｅｒａｔａｈｅｅｈｆｉｆｅｏｅｆｏｓｐｒｏｍａｅｅｍｅｔｔｎｒｓｌｓＴｅｘｅｉｎａｒｓｌｎｉａｅｔｅｐｏｏｅｍｅｈｄａｎａｃｅｅｔｔｎｕｅｒｉｇｓｇｎａｉｅｕｔ．ｈｅｐｒｉｏｍｅｔｌｅｕｔｉｄｃｔｈｒｐｓｄｓｔｏｃｎｅｈｎｅｓｇｎａｉｍｏａｃｒｃｎｅｕｅｒｎｉｇｔ．ｃｕａｙａｄｒｄｃｕｎｎｉｍｅ

一种基于蚁群聚类的图像分割方法

一种基于蚁群聚类的图像分割方法【摘要】目前聚类技术已成为图像处理，计算机视觉，模式识别等研究邻域的重要方法。

本文在群体智能理论和聚类算法的基础上，提出了一种基于蚁群聚类算法的图像分割方法。

实验表明，该方法能够较好的分割图像，具有较好的聚类效果。

【关键词】图像分割；群体智能；蚁群算法；聚类0 引言在图像分析与处理中，通常需要将关心的目标从图像中分离出来，这种从图像中将有特殊意义的区域与其它区域分离并提取出来的技术和过程，就是图像分割。

图像分割是目前图像处理、计算机视觉、模式识别等研究邻域的基本问题之一。

目前，图像分割不存在通用的分割算法，不同的图像分割算法都是在针对不同图像取得了较良好的效果。

而应用较广泛的有阈值法，边缘检测法，区域跟踪法等[1]。

各方法都有自己的优点和缺点。

随着实际应用的需要，对图像分割方法的研究也在不断深入，在不断改进现有方法的同时，也提出了许多的新方法。

其中包括基于群体智能的分割算法：如蚁群算法[2-6]，遗传算法[7]，粒子群优化算法[8]等。

群体智能是人们在研究昆虫的习性时提出的。

群体智能是指“无智能的个体通过合作表现出智能行为的特性”。

当前研究较多的还是对蚂蚁习性的观察，如对蚂蚁觅食行为而提出的蚁群算法及后的许多改进算法；对蚂蚁构建墓地的行为而提出的用于解释聚类现象的BM模型。

本文提出的图像分割方法是基于群体智能理论的聚类算法。

首先介绍了有关群体智能的理论，然后对原有蚁群聚类算法作了一些改进，通过分割特征的提取，初始虚拟堆的设置，以及负载和观察半径的设置，在加快聚类的同时，也保证了的聚类效果，并在图像分割中收到了较好的结果。

最后，将实验分割的效果与目前常用的分割算法如：LOG算子、Canny 算子进行比较。

实验结果表明：具有较好的聚类效果，能够较好的分割图像。

1 群体智能理论20世纪50年代中期创立了仿生学，人们通过对群居生物筑巢、觅食、迁徙、打扫巢穴等行为的模似，提出了许多用以解决复杂优化问题的新方法，并成功的解决了组合优化、车间调度、图着色等邻域的实际问题。

一种基于蚁群聚类的图像分割方法

一种基于蚁群聚类的图像分割方法汤可宗;舒云【期刊名称】《科技视界》【年(卷),期】2013(000)025【摘要】目前聚类技术已成为图像处理，计算机视觉，模式识别等研究邻域的重要方法。

本文在群体智能理论和聚类算法的基础上，提出了一种基于蚁群聚类算法的图像分割方法。

实验表明，该方法能够较好的分割图像，具有较好的聚类效果。

%Today clustering has become a important method in investigation of many field, especially image processing, computer vision, pattern recognition. In this paper, A new image segmentation is provided, which is based on the theory of swarm Intelligence and existed ant colony-clustering algorithm. According to experimental results, it is a effective clustering method in image segmentation.【总页数】3页(P50-51,37)【作者】汤可宗;舒云【作者单位】景德镇陶瓷学院信息工程学院，江西景德镇 333403;景德镇陶瓷学院信息工程学院，江西景德镇 333403【正文语种】中文【相关文献】1.基于蚁群模糊聚类算法的图像分割研究 [J], 李玉梅2.一种改进的蚁群聚类的图像分割 [J], 于彬3.基于蚁群和自适应滤波的模糊聚类图像分割 [J], 张自嘉;岳邦珊;潘琦;季俊;陈海秀4.一种基于蚁群算法和C-Means算法的图像分割方法 [J], 叶志伟5.基于蚁群优化的直觉模糊聚类脑MR图像分割 [J], 周晓宇;张龙波;王雷因版权原因，仅展示原文概要，查看原文内容请购买。

基于Ant_Tree聚类算法的图像分割

第一种情况是当 ai 在 a0 上 ,设 a+ 表示固定在 a0 上与 ai 最相似的蚂蚁 , 如果 ai 与 a+ 足够相似 , 即 S im ( ai, a+ ) ≥ TSim ( ai ) ,那么 ai 向 a+ 移动 ; 如果 ai 与 a+ 足够相异 , 即 S im ( ai, a+ ) < TD issim ( ai ) ,那么 ai 就直接连接到 a0 ,表示新创建一棵子树 ; 否则用 TSim ( ai ) ← TSim ( ai ) 3 α, TD issim ( ai ) ← TD issim ( ai ) +β来更新阈值 ,增加 ai下次连接的概率。α,β为调节因子 ,通常选择 0. 9和 0. 01可以获得最佳的实验结果 [3 ] 。
关键词 : Ant2Tree算法 ;图像分割 ;树模型 ;聚类中图分类号 : TP391. 41 文献标志码 : A
Image segm en ta tion ba sed on im proved An t2Tree a lgor ithm
FANG Xin, ZHAO W ei2dong, YANG Xiao2chun
(R esearch Cen ter of CAD, Tong ji U niversity, S hangha i 200092, China)
Abstract: Image segmentation can be seen as the p rocess of clustering the p ixels w ith different characteristics. Considering the gray value, gratitude and neighborhood of the p ixels synthetically, the Ant2Tree algorithm was introduced into image segmentation. A s the resulting tree of Ant2Tree algorithm contains redundant information, an imp roved tree model was p roposed in this paper. Besides, in order to op tim ize the p rocess of clustering, a new initialization method was p resented, and the method of K2means was also emp loyed to modify the clustering center dynam ically. Experiments and comparisons show that the Ant2Tree based clustering algorithm is an effective and efficient app roach in image segmentation.

基于区域生长和蚁群聚类的图像分割

作初始分割，然后利用蚁群算法搜索最优解的能力，区域之间进行聚类合并，得最终的分割结果。ＢＧＣ在获ＲＡ
算法不但克服了区域生长得不到有意义区域的不足，而且还大大提高了蚁群聚类算法的搜索时间，并利用初始分割后的空间信息和灰度信息定义了一种新的引导函数，更准确有效引导蚁群聚类。实验结果表明，方法可该可以准确地分割出目标，一种有效的图像分割方法。是
维普资讯
第２５卷第５期２００８年５月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔｒｐｉｔｓａｃｆＣｏｕｅｓｃｏ
Ｖ０８ｖ２０
Ｕｉ，ｅｉｇ１１０ｎｔＢｉｎ０４０，Ｃｉａｊｈｎ）
ＡｂｔａｃＴｈｉａｒｐｒｐｏｅｎｉｇｅｍｅａｉｎｍｅｈｏｓｄｏｅｉｎｇｏｎｎｎｏｏｌｓｅｎＦｉｓ，ｔｓｒｔ：ｓｐｐｅｏｓｄａｍａｅｓｇｎｔｔｏｔｄｂａｅｎｒｇｏｒｗｉｇａｄａｔｃｌｎｙｃｕｔｒｇ．ｒｔｈｅｉｉｇｓｓｇｎｅｔｅｉｎｇｏｎｇａｇｏｔ；ｃｎｉｅｉｈｏｄｐｅｆｒｎｃｆＢＲＧＡＣｎｓａｃｉｇｔｅｂｅｔｓｌｔｏｍａｅｗａｅｍｅｔｄｗｉｈｒｇｏｒｗｉｌｒｈｍｉｏｓｄｒｎｇｔｅｇｏｒｏｍａｅｏｉｅｒｈｎｈｓｏｕｉｎｏｎｏｏｙ，ｉｓｕｅｏｍｅｇｆｅｅｔｅｉｎｆｈｍｏｅｉｙａｄｇｉｔｅｒｓｌｆｓｇｅａｉｎ．ＢＲＧＡＣｌｏｉｈｆａｔｃｌｎｔｗａｓｄｔｒｅｄｉｆｒｎｒｇｏｓｏｏｇｎｅｔｎａｎｈｅｕｔｏｅｍｎｔｔｏａｇｒｔｍｃｕｄｏｅｃｍｅｔｉａｖｎａｅｏｅｉｎｇｏｎｇｗｈｃａｅｅｎｉｇｕｅｉｎ．Ｂｅｉｅ，ｉｃｕｌｅｃｈｅｃｍｐｕａｏｌｖｒｏｈｅｄｓｄａｔｇｆｒｇｏｒｗｉｉｈｃｎ’ｔｇｔｍａｎｆｌｒｇｏｓｄｓｔｏｄｒｄｕｅｔｏｔ— ｔｏａｉｆａｔｃｌｎｌｓｅｉ，ＷｈｔＳｍｏｅ，ＢＲＧＡＣｅｉｅｗｉｉｉｉｓｄｏｎｅｓｔｎｐａｉｎｏｍａｉｎｉｎｔｍｅｏｎｏｏｙｃｕｔｒｎｇｌａ ’ ｒｄｆｎｓａｎｅｖｓｂｌｔｂａｅｎｉｔｎｉｙａｄｓｔａｉｆｒｔｙｌｏｆｏｉｔａｉａｉｎｓｇｅｔｔｏｒｍｎｉｉｚｔｏｅｍｎａｉｎ，ｗｈｉｈｇｉｅｎｔｃｕｓｅｎｒｆｅｔｖｌｌｃｕｄｓａｌｔｒｇｍｏｅｅｆｃｉｅｙ．ＥｘｒｍｅａｅｕｔｈｏｔｔＢＲＧＡＣｃｎｓｇｉｐｅｉｎｔｌｒｓｌｓｓｗｈａａｅ — ｍｅｈｅｉｇｅａｃａｅｙａｄｐｅｉｅｙ，ａｈｓｉｆｅｔｖｔｏｏｈｅｉａｅｓｇｅａｉｎ．ｎｔｔｍａｃｕｒｔｌｎｒｃｓｌｎｄｔｕｓａｅｆｃｉｅｍｅｈｄｆｒｔｍｇｅｍｎｔｔｏＫｅｏｄｙｗｒｓ：ｒｇｏｏｎｇ；ｓｒｎｉｔｌｉｅｃｅｉｎｇｗｉｒｗａｌｎｅｌｇｎｅ；ａｔｃｌｎｌｓｅｉｎｏｏｙｃｕｔｒｎｇ；ｖｓｂｉｉｙｉｉｌｔ

基于蚁群算法的图像分割方法研究

目
摘
录
要 ..................................................................................................................................... i
Abstract .....................................................................................................................................ii 第1章绪论 .......................................................................................................................... 1
College of Informationl & Control Engineering China University of Petroleum (East China)
关于学位论文的独创性声明
本人郑重声明：所呈交的论文是本人在指导教师指导下独立进行研究工作所取得的成果，论文中有关资料和数据是实事求是的。尽我所知，除文中已经加以标注和致谢外，本论文不包含其他人已经发表或撰写的研究成果，也不包含本人或他人为获得中国石油大学（华东）或其它教育机构的学位或学历证书而使用过的材料。与我一同工作的同志对研究所做的任何贡献均已在论文中作出了明确的说明。若有不实之处，本人愿意承担相关法律责任。
2.1 引言 ............................................................................................................................. 4 2.2 蚂蚁的群体行为描述 ................................................................................................. 4 2.3 蚁群算法原理 ............................................................................................................. 4 2.4 蚁群算法的数学模型 ................................................................................................. 4 2.5 蚁群算法的具体实现 ................................................................................................. 4 2.6 一些改进的蚁群算法 ................................................................................................. 4 2.7 蚁群算法的典型应用 ................................................................................................. 4 2.7.1 蚁群算法在静态组合优化中的应用 .............................................................. 4 2.7.2 蚁群算法在动态组合优化中的应用 .............................................................. 4 2.7.3 蚁群算法在其他领域中的应用 ...................................................................... 4 2.8 本章小结 ..................................................................................................................... 4 第3 章图像分割方法研究 ................................................................................................... 4

基于蚁群算法的图像分割方法

基于蚁群算法的图像分割方法1.引言由于背景的复杂性，目标特征的多样性以及噪声等影响，使图像分割成为图像处理技术的难点。

传统图像分割方法如阈值法、边缘检测法、数学形态学法、基于区域处理方法等针对不同图像都取得了很好的效果，因而也成为目前应用比较广泛的方法。

但是对于不同应用目的以及不同图像特性，传统方法又表现出很大局限性。

例如阈值法，这种方法具有较高的计算效率，但是对噪声很敏感，会误将噪声作为目标来处理；边缘检测算子存在边界不连续或边界不准确的问题；数学形态学方法在一定程度上降低了噪声对图像的影响，但是开、闭、腐蚀、膨胀等运算会导致图像的过度平滑，从而导致图像变形及细节丢失。

蚁群算法是一种仿生进化算法，是具有离散性、并行性、鲁棒性、正反馈性等特点的一种随机搜索方法。

已成功应用于组合优化问题，如旅行商问题、车间任务调度、图着色、管线敷设等，J.Casillas等人提出用蚂蚁算法进行模糊规则的自动学习。

蚁群算法的离散性和并行性特点对于离散的数字图像非常适用，基于概率的路径选择方法，在模糊聚类问题中有广阔的应用前景。

该文首先介绍蚁群算法的原理，然后，将图像分割看作对具有不同特征的像素进行聚类的过程，给出蚁群算法的数学描述，根据图像特点，设置初始聚类中心，对该算法进行改进。

对每个像素，综合考虑灰度、梯度和邻域等特征，利用改进算法的模糊聚类能力，求出像素分别对目标、边界、背景和噪声的隶属度。

详细阐述特征提取和模糊聚类过程。

最后，给出实验结果，并与sobel算子、canny算子以及原始蚁群算法分割结果进行比较。

证明该方法可以快速准确地分割出目标，是一种有效的图像分割方法。

2.蚁群算法及其描述蚁群算法又称蚂蚁算法，是1992年意大利学者M.Dorigo等人受蚂蚁觅食过程中路径选择行为的启发而提出的一种仿生进化算法。

经观察发现，蚂蚁在搜索食物过程中总能够找出到食物源的最优路径，当该路径被阻断后，能很快绕开障碍并再次找到最优路径。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

一种基于蚁群聚类的图像分割方法
【关键词】图像分割；群体智能；蚁群算法；聚类
0 引言
在图像分析与处理中，通常需要将关心的目标从图像中分离出来，这种从图像中将有特殊意义的区域与其它区域分离并提取出来的技术和过程，就是图像分割。

图像分割是目前图像处理、计算机视觉、模式识别等研究邻域的基本问题之一。

目前，图像分割不存在通用的分割算法，不同的图像分割算法都是在针对不同图像取得了较良好的效果。

而应用较广泛的有阈值法，边缘检测法，区域跟踪法等[1]。

各方法都有自己的优点和缺点。

随着实际应用的需要，对图像分割方法的研究也在不断深入，在不断改进现有方法的同时，也提出了许多的新方法。

其中包括基于群体智能的分割算法：如蚁群算法[2-6]，遗传算法[7]，粒子群优化算法[8]等。

群体智能是人们在研究昆虫的习性时提出的。

群体智能是指“无智能的个体通过合作表现出智能行为的特性”。

当前研究较多的还是对蚂蚁习性的观察，如对蚂蚁觅食行为而提出的蚁群算法及后的许多改进算法；对蚂蚁构建墓地的行为而提出的用于解释聚类现象的bm模型。

本文提出的图像分割方法是基于群体智能理论的聚类算法。

最后，将实验分割的效果与目
前常用的分割算法如：log算子、canny算子进行比较。

实验结果表明：具有较好的聚类效果，能够较好的分割图像。

1 群体智能理论
20世纪50年代中期创立了仿生学，人们通过对群居生物筑巢、觅食、迁徙、打扫巢穴等行为的模似，提出了许多用以解决复杂优化问题的新方法，并成功的解决了组合优化、车间调度、图着色等邻域的实际问题。

bonabeau等人认为群体智能是任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分式问题的解决装置。

群体智能的特点如下[3]：
1）无集中控制约束，不会因个别个体的故障影响整个问题的求解，确保了系统具有更强的鲁棒性；
2）以非直接的信息交流方式确保了系统的扩展性，由于系统中个体的增加而增加的通信开销较少；
3）并行分布算法模型，可充分利用多处器，这样的分布模式更适合于网络环境下的工作状态；
4）对问题定义的连续性无特殊性要求；
5）系统中每个个体的能力十分简单，每个个体的执行时间也比较短，并且算法实现简单。

群体智能方法易于实现，算法中仅涉及各种基本的数学操作。

将群体智能用于聚类算法，可使聚类算法具有与群体智能算法相同的特点。

它利用个体与个体与环境的交互作用，不必预设聚类中心的数目，实现自组织聚类过程，具有健壮性、可视化等特点。

2 蚁群聚类算法
基于群体智能的算法起源于对蚁群，蚁卵的分类研究。

denubourg[4]等人对此类现象提出了解释，并给出了基本模型，这种模型主要是基于模仿单只蚂蚁拾起、放下物体的行为方式进行建模。

在一个二维网格环境中，一只随机移动的无负载蚂蚁沿着网格单元移动，在遇到一个对象（死蚁）时，周围与这个对象相同的对象越少，则拾起这个对象的概率越大；一只随机移动的有负载蚂蚁如果周围的与所背负对象相同的对象越多，则放下这个对象的概率越大。

这样可以保证不破坏已有的大堆的对象，并且能够收集小堆的对象。

这种方法可以将相同种类的对象聚集在一起。

蚂蚁的这种对对象进行聚类的方式，主要取决于对象周围空间的分布状态。

其主要思想如是：将待聚类对象（模式）随机分布在一个二维的网格环境中。

每个网格单元中只含有一个对象，蚂蚁在网格环境中沿单元格不断移动，每遇到一个对象时，测试当前对象在观察半径内的群体相似度f（oi），以决定执行拾起或放下操作。

网格环境中任意两个对象oi与oj之间的相似度为δ（oi，oj），如果oi与oj 是同一类对象，
其中，相似度δ（oi，oj）为两个对象oi与oj之间的欧氏距离，u∈[0，1]为相异度因子，neither（r）表示以对象oi为中心，并以半径为r的观察区域，其面积为s2。

在聚类过程中，蚂蚁拾起对象的概率和放下对象的概率，分别用ppack和pdrop 表示。

其中，k+，k-都是阀值常量。

决定着群体相似度f（oi）对ppack
和pdrop取值产生的影响，群体相似度越小，说明对象属于此观察区域越小，对象被拾起的概率越大，反之，对象被拾起的概率越小。

本文提出的基于蚁群聚类算法的图像分割方法，首先是将图像中的每个像素看作是具有二维特征的待聚类对象（模式），然后将虚拟的蚂蚁放置于图像中对其进行建堆，蚂蚁建堆的过程就是对不同的对象分别聚类的过程。

下面将改进后的蚁群聚类算法应用于图像分割问题。

3 图像分割中的蚁群聚类算法改进策略
3.1 特征提取
将蚁群聚类算法应用于图像分割中，将每个像素看作具有若干特征的模式。

在一幅图像中，像素的灰度、邻域平均灰度、梯度、及区域纹理、局部能量等均为其重要的分割特征，特征选取的好坏直接影响着蚂蚁对模式的拾起和放下。

图像中的内容通常包括目标、背景、边缘以及噪声等，在目标与背景区域内的像素灰度值往往有着较大的差异，因此选用像素的灰度作为像素的第一特征，可以较好的区别不同区域内的像素。

另外，在两个具有不同灰度值的相邻区域之间总存在边缘，边缘点的梯度值往往高于目标和背景区域。

因此，选用梯度作为像素的第二特征。

这样，在一幅图像中，每个像素就是一个具有灰度、梯度的二维向量的模式。