融合全局最好和声搜索算法的模糊C均值聚类图像分割

摘要：

针对传统模糊C均值(FCM)聚类算法聚类数目难以确定,迭代速度慢,易陷入局部最优以及对聚类中心初始值的设置敏感等问题,提出一种融合全局最好和声搜索模糊C均值(GBHS-FCM)聚类算法.首先,利用全局最好和声搜索(GBHS)算法的全局性和鲁棒性的优点,得到初始聚类中心和聚类个数,再将其作为传统FCM聚类算法的初始聚类中心和聚类个数；其次,提出一种新颖的模糊聚类目标函数,将图像像素点邻域依赖特性考虑进来,与像素点灰度信息共同作用,增强了分割结果空间的连续性；此外,还采用了一种新颖的距离公式代替欧氏距离公式,增强了新算法对噪声的鲁棒性.仿真结果表明,新算法有效避免了传统FCM算法因初始聚类中心设置敏感而收敛到局部最优解,在聚类精度、速度和鲁棒性上均比传统FCM算法有所提高,针对具有不同特征的图像分割取得了较好的结果.

关键词：图像分割、模糊C均值聚类、全局最好和声搜索算法、聚类精度

所属期刊栏目：18

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金项目51005042

在线出版日期：2013-10-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1133-1141