基于PSO与K-均值聚类算法优化结合的图像分割方法

摘要：

为了提高图像分割的质量和效率,同时,针对粒子群优化算法(Particle Swarm Optimization,PSO)容易陷于局部最优和K-均值算法对初始聚类中心敏感的问题,本文将PSO和K-均值算法相结合,提出一种通过调整惯性权重和学习因子的优化算法.首先,对图像进行去噪预处理,并将处理后的颜色图像转换到HSV空间,以提高色彩质量.然后,改进粒子群算法中的惯性权重和学习因子公式及参数,避免陷入局部最优.最后,根据粒子的适应度切换到K-均值算法执行局部搜索,使聚类中心不断更新实现快速收敛.实验结果表明,在图像分割的过程中,改进的算法具有全局搜索能力强的优点,能够实现更快的收敛速度和更高的分割精度.

关键词：图像分割、粒子群优化算法、K-均值、惯性权重、学习因子

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61801257

在线出版日期：2020-04-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：22-27