基于动态粒子群优化与K-means聚类的图像分割算法

摘要：

为了解决K?means聚类算法图像分割质量过度依赖于初始聚类中心选取,且易于陷入局部最优解等问题,提出一种基于动态粒子群优化(DPSO)与K?means聚类的图像分割算法(DPSOK).通过动态调整惯性系数与学习因子来增强PSO算法的性能;然后计算粒子群适应度方差,找准切换至K?means算法时机;随后,将DPSO输出结果用来初始化K?means聚类中心,使其收敛至全局最优解;最后,通过最小化目标函数的多次迭代,使K?means的聚类中心不断更新,直到收敛.实验结果表明,DPSOK能有效提高K?means的全局搜索能力,在图像分割中它比K?means,PSO获得了更好的分割效果,且与粒子群优化和K?means算法相比,DPSOK算法具有更高的分割质量与效率.

关键词：图像分割、动态粒子群优化、K-means聚类、适应度方差、聚类算法、DPSOK

所属期刊栏目：41

分类号：TN911.73-34;TP391

资助基金：国家自然科学基金项目51274202;教育部第六批国家特色专业建设项目TS1Z293;江苏省自然科学基金项目BK20130199Project Supported by National Nature Science Foundation of China51274202;6th National Special Major Construction Project of Ministry of EducationTS1Z293;Nature Science Foundation of Jiangsu ProvinceBK20130199

在线出版日期：2018-06-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：164-168