CN108711155A - 一种人工蜂群优化模糊聚类的图像快速分割算法 - Google Patents
一种人工蜂群优化模糊聚类的图像快速分割算法 Download PDFInfo
- Publication number
- CN108711155A CN108711155A CN201810359369.XA CN201810359369A CN108711155A CN 108711155 A CN108711155 A CN 108711155A CN 201810359369 A CN201810359369 A CN 201810359369A CN 108711155 A CN108711155 A CN 108711155A
- Authority
- CN
- China
- Prior art keywords
- food source
- bee
- image
- fitness
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
一种人工蜂群优化模糊聚类的图像快速分割算法,用自然界蜂群的采蜜智能行为来优化传统FCM算法对初始化聚类中心的敏感性问题,此算法开始时由采蜜蜂寻找食物源,用改进的适应度函数值表示食物源的花蜜量,根据贪心算法对新旧食物源进行选择,采蜜蜂完成搜索后,将信息传递给跟随蜂,该蜂根据与花蜜量相关的概率P选一个食物源,它们同时也在食物源附近进行邻域搜索。当在某个食物源附近经有限次搜索后花蜜量无改进,则放弃该蜜源,跟这个食物源相关的采蜜蜂就转为侦察蜂来独立随机寻找蜜源,每个食物源的位置代表待分割图像最优聚类中心的一个可能解。
Description
技术领域
本发明涉及一种聚类算法,具体涉及一种人工蜂群优化模糊聚类的图像快速分割算法。
背景技术
近年来,用聚类思想解决图像分割问题比较热门,在聚类分割算法中,模糊C-均值聚类算法(FCM)应用较广,但FCM聚类划分算法中聚类中心的初始值直接影响分割效果,如果聚类中心接近最后结果,则会大大减少迭代次数,否则,FCM算法容易陷入局部极小值,导致最优图像难以分割。
传统的模糊C均值聚类图像分割算法是根据像素和聚类中心的加权相似性测度,对目标函数作迭代化优化,确定最佳聚类效果。为提高其分割速度,削减聚类数据的空间维度,在定位时,既能准确获取全局优化解,又要快速处理和识别目标,为了克服FCM图像分割算法陷入局部最优,提高算法速度和分割效果,特此提出一种人工蜂群优化模糊聚类的图像快速分割算法。
发明内容
本发明的目的是提供一种人工蜂群优化模糊聚类的图像快速分割算法,用自然界蜂群的采蜜智能行为来优化传统FCM算法对初始化聚类中心的敏感性问题,此算法开始时由采蜜蜂寻找食物源,用改进的适应度函数值Fi表示食物源的花蜜量,根据贪心算法对新旧食物源进行选择,采蜜蜂完成搜索后,将信息传递给跟随蜂,该蜂根据与花蜜量相关的概率P选一个食物源,它们同时也在食物源附近进行邻域搜索。当在某个食物源附近经有限次搜索后花蜜量无改进,则放弃该蜜源,跟这个食物源相关的采蜜蜂就转为侦察蜂来独立随机寻找蜜源,每个食物源的位置代表待分割图像最优聚类中心的一个可能解。
一种人工蜂群优化模糊聚类的图像快速分割算法,包括以下步骤:
1)提高分割速度;
先将待分割图像经过色彩空间变化后生成H-I颜色模型的灰度直方图,令聚类样本集为直方图中的256个灰度级,用H-I颜色模型的灰度直方图作为聚类方法的数据样本,削减了聚类数据的空间维度,则FCM算法的目标函数可表示为:
其中
式中,n-图像灰度级样本数据;c-聚类个数U-隶属度矩阵;V-图像聚类中心;μi(xk)-隶属度矩阵U的元素;m-模糊隶属度指数,通常大于1;di,k-第k个灰度级xk到第i个聚类中心υi的欧式距离;JFCM(U,V)表示图像各灰度级样本到各聚类中心的加权距离平方和;
2)适应度函数:
人工蜂群算法的适应度函数直接影响着图像分割的优劣性,蜂群行为是一个寻找最佳蜜源的搜索过程,即求解具有最大适应度蜜源的过程,而FCM算法的迭代过程是求解目标函数极小值的过程,因此,以FCM算法中目标函数为基础,构建改进的人工蜂群适应度函数Fi,把求FCM算法目标函数的极小值转化成求解人工蜂群算法中适应度函数Fi的极大值,如下公式:
式中,Fi-食物源的花蜜量,λ为适应度动因子,是一个调节适应度幅度的常数,为一个大于等于1的整数;
3)新聚类中心选取概率:
算法中各跟随蜂依照适应度大小从采蜜蜂提供的信息中选取一个蜜源,并在其邻域内同样依概率Pi进行新位置搜索,选择概率为
其中,SN-食物源数;
4)新聚类中心搜索策略:
采蜜蜂在食物源位置Xi附近进行新的食物源搜索,新食物源位置为
Vi=Xi+ψi(Xi-Xk) (4)
其中,k∈{1,2,3…,SN},且k≠i随机生成,ψi为[-1,1]之间的随机数,这个参数控制搜索步长;
5)最优聚类中心搜索加速策略:
当某个采蜜蜂的位置搜索次数N到达预定的阈值L后,如果食物源花蜜量(即适应度)不能得到改进,就放弃这个食物源,如下式:
其中,Xmin-食物源取值范围的最小值,Xmax-食物源取值范围的最大值,r-[0,1]间的随机数,Xi(n)-第n个可行解;
蜂群搜索加速策略防止种群陷入局部最优,因而能加快FCM算法求解最优聚类中心。
算法流程具体步骤如下:
(1)读入原始图像,生成图像的H-I颜色模型统计直方图。
(2)种群初始化,输入阈值L、最大循环次数M、模糊隶属度指数m。初始化隶属度矩阵U。设采蜜蜂与跟随蜂数量为SN,随机产生SN/2个采蜜蜂的位置作为聚类中心。
(3)由式(2)计算所有食物源的适应度,并设当前迭代次数为C=1,开始循环。
(4)采蜜蜂根据式(4)做邻域搜索得到新食物源位置Vi,用式(2)计算其新适应度。
(5)利用贪心算法对新旧位置择优,若Vi的适应度大于记忆中的最优值,则Xi=Vi,否则,Xi不变。
(6)根据式(3)计算跟随蜂i与食物源相关的概率Pi,跟随蜂根据Pi选择食物源。
(7)跟随蜂进行邻域搜索产生新解Vi,计算其适应度,若Vi的适应度大于记忆中的最优适应度,则Xi=Vi,否则,Xi不变。
(8)经过L次循环后,如果适应度没有变化,则放弃该食物源,此时侦察蜂根据式(5)产生一个新解代替当前Xi。
(9)记忆当前适应度最大的食物源位置,若迭代次数达到M,则停止迭代,找到最优聚类中心。否则转到步骤(4),C=C+1。
(10)求解每个样本对于最优聚类中心的隶属度,根据最大隶属度原则对图像进行分割,再通过形态学处理得到目标图像。
本发明的有益效果是:
本发明在传统的人工蜂群的基础上进行优化,以FCM算法中目标函数为基础进行人工蜂群的适应度函数、运用蜂群行为中的采蜜蜂、跟随蜂和侦察蜂的分工合作来快速求解图像中的最优初始聚类中心将求出的最优聚类中心输入给FCM进行处理,由最大隶属度原则对图像进行分割。本发明不仅有效克服了FCM和KFCM算法易陷入局部最优的缺点,而且对于聚类数比较大、维度较高的数据样本的聚类效果更准确,效率更高。
附图说明
图1是本发明的算法流程图。
具体实施方式
下面结合附图对本发明的算法流程作详细叙述。
参照图1、一种人工蜂群优化模糊聚类的图像快速分割算法,先将待分割图像经过色彩空间变化后生成H-I颜色模型的灰度直方图,令聚类样本集为直方图中的256个灰度级。然后运用人工蜂群算法中的采蜜蜂、跟随蜂、侦查蜂的分工合作来快速找出果实图像的最优聚类中心。最后用FCM算法对图像进行聚类分割。算法流程如图1所示,具体步骤如下:
(1)读入原始图像,生成图像的H-I颜色模型统计直方图。
(2)种群初始化,输入阈值L、最大循环次数M、模糊隶属度指数m。初始化隶属度矩阵U。设采蜜蜂与跟随蜂数量为SN,随机产生SN/2个采蜜蜂的位置作为聚类中心。
(3)由式(2)计算所有食物源的适应度,并设当前迭代次数为C=1,开始循环。
(4)采蜜蜂根据式(4)做邻域搜索得到新食物源位置Vi,用式(2)计算其新适应度。
(5)利用贪心算法对新旧位置择优,若Vi的适应度大于记忆中的最优值,则Xi=Vi,否则,Xi不变。
(6)根据式(3)计算跟随蜂i与食物源相关的概率Pi,跟随蜂根据Pi选择食物源。
(7)跟随蜂进行邻域搜索产生新解Vi,计算其适应度,若Vi的适应度大于记忆中的最优适应度,则Xi=Vi,否则,Xi不变。
(8)经过L次循环后,如果适应度没有变化,则放弃该食物源,此时侦察蜂根据式(5)产生一个新解代替当前Xi。
(9)记忆当前适应度最大的食物源位置,若迭代次数达到M,则停止迭代,找到最优聚类中心。否则转到步骤(4),C=C+1。
(10)求解每个样本对于最优聚类中心的隶属度,根据最大隶属度原则对图像进行分割,再通过形态学处理得到目标图像。
Claims (1)
1.一种人工蜂群优化模糊聚类的图像快速分割算法,其特征在于,包括以下步骤:
1)读入原始图像,生成图像的H-I颜色模型统计直方图。
先将待分割图像经过色彩空间变化后生成H-I颜色模型的灰度直方图,令聚类样本集为直方图中的256个灰度级,用H-I颜色模型的灰度直方图作为聚类方法的数据样本,削减了聚类数据的空间维度,则FCM算法的目标函数可表示为:
其中
式中,n-图像灰度级样本数据;c-聚类个数U-隶属度矩阵;V-图像聚类中心;μi(xk)-隶属度矩阵U的元素;m-模糊隶属度指数,通常大于1;di,k-第k个灰度级xk到第i个聚类中心υi的欧式距离;JFCM(U,V)表示图像各灰度级样本到各聚类中心的加权距离平方和;
2)种群初始化,输入阈值L、最大循环次数M、模糊隶属度指数m。初始化隶属度矩阵U。设采蜜蜂与跟随蜂数量为SN,随机产生SN/2个采蜜蜂的位置作为聚类中心。
3)由适应度函数式(2)计算所有食物源的适应度,并设当前迭代次数为C=1,开始循环。
式中,Fi-食物源的花蜜量,λ为适应度动因子,是一个调节适应度幅度的常数,为一个大于等于1的整数;
4)采蜜蜂在食物源位置Xi附近进行新的食物源搜索,由式(4)Vi=Xi+ψi(Xi-Xk)做邻域搜索得到新食物源位置Vi,用式(2)计算其新适应度。
式中,k∈{1,2,3…,SN},且k≠i随机生成,ψi为[-1,1]之间的随机数,这个参数控制搜索步长;
5)利用贪心算法对新旧位置择优,若Vi的适应度大于记忆中的最优值,则Xi=Vi,否则,Xi不变。
6)根据新聚类中心选取概率式(3)计算跟随蜂i与食物源相关的概率Pi,跟随蜂根据Pi选择食物源。
式中,SN-食物源数;
7)跟随蜂进行邻域搜索产生新解Vi,计算其适应度,若Vi的适应度大于记忆中的最优适应度,则Xi=Vi,否则,Xi不变。
8)经过L次循环后,如果适应度没有变化,则放弃该食物源,此时侦察蜂根据式(5)产生一个新解代替当前Xi。
式中,Xmin-食物源取值范围的最小值,Xmax-食物源取值范围的最大值,r-[0,1]间的随机数,Xi(n)-第n个可行解;
9)记忆当前适应度最大的食物源位置,若迭代次数达到M,则停止迭代,找到最优聚类中心。否则转到步骤(4),C=C+1。
10)求解每个样本对于最优聚类中心的隶属度,根据最大隶属度原则对图像进行分割,再通过形态学处理得到目标图像。
蜂群搜索加速策略防止种群陷入局部最优,因而能加快FCM算法求解最优聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810359369.XA CN108711155A (zh) | 2018-04-20 | 2018-04-20 | 一种人工蜂群优化模糊聚类的图像快速分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810359369.XA CN108711155A (zh) | 2018-04-20 | 2018-04-20 | 一种人工蜂群优化模糊聚类的图像快速分割算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108711155A true CN108711155A (zh) | 2018-10-26 |
Family
ID=63867376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810359369.XA Pending CN108711155A (zh) | 2018-04-20 | 2018-04-20 | 一种人工蜂群优化模糊聚类的图像快速分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108711155A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447349A (zh) * | 2018-10-29 | 2019-03-08 | 浙江财经大学 | 一种面向网络化相关性感知的制造服务供应链优化方法 |
CN109583478A (zh) * | 2018-11-06 | 2019-04-05 | 北京交通大学 | 一种智能蜂群聚类方法及车辆目标检测方法 |
CN111524155A (zh) * | 2020-04-23 | 2020-08-11 | 北京邮电大学 | 一种基于动态收缩蜜蜂觅食算法的图像分割方法及系统 |
CN114255836A (zh) * | 2021-11-25 | 2022-03-29 | 南方医科大学深圳医院 | 基于大数据的患者诊疗过程预警系统 |
CN116188496A (zh) * | 2023-04-25 | 2023-05-30 | 牧马人(山东)勘察测绘集团有限公司 | 基于土地利用类型的遥感影像自适应分割方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982008A (zh) * | 2012-11-01 | 2013-03-20 | 山东大学 | 基于计算机机群的并行人工蜂群算法求解复杂函数最值的方法 |
CN104778477A (zh) * | 2015-04-10 | 2015-07-15 | 中国石油大学(华东) | 一种优化的人工蜂群聚类方法 |
CN106056167A (zh) * | 2016-07-01 | 2016-10-26 | 山东大学 | 一种基于高斯核混合人工蜂群算法的归一化可能性模糊熵聚类方法 |
CN106067248A (zh) * | 2016-05-30 | 2016-11-02 | 重庆大学 | 一种考虑速度离散特性的高速公路交通状态估计方法 |
CN106780501A (zh) * | 2016-12-16 | 2017-05-31 | 中国人民解放军装甲兵工程学院 | 基于改进人工蜂群算法的图像分割方法 |
CN107368077A (zh) * | 2017-08-15 | 2017-11-21 | 西京学院 | 一种基于遗传‑蚁群算法的机器人路径规划方法 |
-
2018
- 2018-04-20 CN CN201810359369.XA patent/CN108711155A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982008A (zh) * | 2012-11-01 | 2013-03-20 | 山东大学 | 基于计算机机群的并行人工蜂群算法求解复杂函数最值的方法 |
CN104778477A (zh) * | 2015-04-10 | 2015-07-15 | 中国石油大学(华东) | 一种优化的人工蜂群聚类方法 |
CN106067248A (zh) * | 2016-05-30 | 2016-11-02 | 重庆大学 | 一种考虑速度离散特性的高速公路交通状态估计方法 |
CN106056167A (zh) * | 2016-07-01 | 2016-10-26 | 山东大学 | 一种基于高斯核混合人工蜂群算法的归一化可能性模糊熵聚类方法 |
CN106780501A (zh) * | 2016-12-16 | 2017-05-31 | 中国人民解放军装甲兵工程学院 | 基于改进人工蜂群算法的图像分割方法 |
CN107368077A (zh) * | 2017-08-15 | 2017-11-21 | 西京学院 | 一种基于遗传‑蚁群算法的机器人路径规划方法 |
Non-Patent Citations (2)
Title |
---|
罗陆锋 等: "基于改进人工蜂群模糊聚类的葡萄图像快速分割方法", 《农业机械学报》 * |
贾彩杰: "基于蜂群优化模糊聚类的遥感图像变化检测", 《电子科技》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447349A (zh) * | 2018-10-29 | 2019-03-08 | 浙江财经大学 | 一种面向网络化相关性感知的制造服务供应链优化方法 |
CN109447349B (zh) * | 2018-10-29 | 2022-04-19 | 浙江财经大学 | 一种面向网络化相关性感知的制造服务供应链优化方法 |
CN109583478A (zh) * | 2018-11-06 | 2019-04-05 | 北京交通大学 | 一种智能蜂群聚类方法及车辆目标检测方法 |
CN111524155A (zh) * | 2020-04-23 | 2020-08-11 | 北京邮电大学 | 一种基于动态收缩蜜蜂觅食算法的图像分割方法及系统 |
CN114255836A (zh) * | 2021-11-25 | 2022-03-29 | 南方医科大学深圳医院 | 基于大数据的患者诊疗过程预警系统 |
CN114255836B (zh) * | 2021-11-25 | 2022-07-22 | 南方医科大学深圳医院 | 基于大数据的患者诊疗过程预警系统 |
CN116188496A (zh) * | 2023-04-25 | 2023-05-30 | 牧马人(山东)勘察测绘集团有限公司 | 基于土地利用类型的遥感影像自适应分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711155A (zh) | 一种人工蜂群优化模糊聚类的图像快速分割算法 | |
CN108389211B (zh) | 基于改进鲸鱼优化模糊聚类的图像分割方法 | |
Huang et al. | Hierarchical classification with reject option for live fish recognition | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
JP6897749B2 (ja) | 学習方法、学習システム、および学習プログラム | |
CN108121781B (zh) | 基于高效样本选取与参数优化的相关反馈图像检索方法 | |
CN104156945B (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
CN113408605A (zh) | 基于小样本学习的高光谱图像半监督分类方法 | |
Aydın et al. | Extraction of flower regions in color images using ant colony optimization | |
Kalafi et al. | How automated image analysis techniques help scientists in species identification and classification? | |
Kuppusamy et al. | Enriching the multi-object detection using convolutional neural network in macro-image | |
Liang et al. | Figure-ground image segmentation using feature-based multi-objective genetic programming techniques | |
Azad et al. | Loss functions in the era of semantic segmentation: A survey and outlook | |
Azarbad et al. | Brain tissue segmentation using an unsupervised clustering technique based on PSO algorithm | |
Liang et al. | Comparison-based convolutional neural networks for cervical cell/clumps detection in the limited data scenario | |
Mohammed et al. | Intelligent Bio-Inspired Whale Optimization Algorithm for Color Image Based Segmentation. | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
Remagnino et al. | Machine learning for plant leaf analysis | |
Dewan et al. | Fish detection and classification | |
Sandhya et al. | Deep learning and computer vision based model for detection of diseased mango leaves | |
Chanda | Plant diseases classification using feature reduction, BPNN and PSO | |
Huang | Hierarchical classification system with reject option for live fish recognition | |
Banimelhem et al. | Multilevel thresholding image segmentation using memetic algorithm | |
Bharadwaj et al. | Applying nature inspired metaheuristic technique to capture the terrain features | |
Chaudhari et al. | Detection and Classification of Banana Leaf Disease Using Novel Segmentation and Ensemble Machine Learning Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181026 |
|
RJ01 | Rejection of invention patent application after publication |