CN112132180A - 一种基于改进鲸鱼算法优化的模糊c核均值聚类分割方法 - Google Patents
一种基于改进鲸鱼算法优化的模糊c核均值聚类分割方法 Download PDFInfo
- Publication number
- CN112132180A CN112132180A CN202010840538.9A CN202010840538A CN112132180A CN 112132180 A CN112132180 A CN 112132180A CN 202010840538 A CN202010840538 A CN 202010840538A CN 112132180 A CN112132180 A CN 112132180A
- Authority
- CN
- China
- Prior art keywords
- whale
- algorithm
- formula
- fuzzy
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于改进鲸鱼算法优化的模糊C核均值聚类分割方法,通过输入图像、设置参数、初始化鲸鱼位置,计算各鲸鱼的适应值,确定异步通信机制,最终输出最优鲸鱼位置;本发明引入异步通信策略和选择机制对鲸鱼算法进行改进,以进一步提高算法的收敛速度和精度;对合成孔径雷达图像进行分割。测试结果表明该算法在具备良好分割质量的同时,能对SAR图像实现快速分割。
Description
技术领域
本发明涉及算法优化技术及图像处理领域,特别涉及一种基于改进鲸鱼算法优化的模糊C核均值聚类分割方法。
背景技术
模糊C核均值聚类算法是基于目标函数优化的一种重要的聚类算法,该算法模型设计与实际问题直观对应、易于计算机实现且计算简洁、具有良好的聚类表现。但模糊C核均值聚类算法在求解过程中易受初始聚类中心的影响,从而陷于局部最优。
现有的模糊C均值聚类算法无法有效抑制合成孔径雷达图像中存在大量的斑点噪声信息问题,聚类中心求解耗时。
发明内容
为了克服以上技术问题,本发明的目的提出一种基于改进鲸鱼算法优化的模糊C核均值聚类分割方法,引入异步通信策略和选择机制对鲸鱼算法进行改进,以进一步提高算法的收敛速度和精度;结合改进鲸鱼优化算法和核模糊C均值聚类算法,对合成孔径雷达图像进行分割。测试结果表明该算法在具备良好分割质量的同时,能对SAR图像实现快速分割。
为了实现上述目的,本发明采用的技术方案是:
一种基于改进鲸鱼算法优化的模糊C核均值聚类分割方法,包括以下步骤;
(1)输入图像X={x1,x2,…,xn};
(2)设最大迭代次数M、聚类数目C、种群数目N、对数螺旋形状常数b、随机数l及算法终止条件ε的相关参数;(最大迭代次数M和算法终止条件ε在步骤(7)中,聚类数目C、种群数目N在步骤(4)中,对数螺旋形状常数b、随机数l在步骤(6)中)
(3)初始化鲸鱼位置,将聚类中心作为鲸鱼优化算法中鲸鱼的初始位置;
(4)根据式
(6)对所有鲸鱼,执行以下优化搜索:如p<0.5P为[0,1]上的随机数,且A<1,则基于式X(t+1)=X*(t)-AX D,更新鲸鱼Xi的位置;如p<0.5且A31,则基于式X(t+1)=X*(t)+D′eblcos(2πl)更新鲸鱼Xi的位置;否则即p3≥0.5,则基于式p∈[0,1];更新鲸鱼Xi的位置;计算Xi的适应值Yi,并将其与X*的适应值Y*进行比较,如果Yi<Y*(求最大值问题时,则为Yi>Y*),则基于异步通信机制将其取代X*而成为新的最优位置;
(7)如满足算法终止条件ε或达到最大迭代次数M,则输出最优鲸鱼位置X*(即为所求得的最佳聚类中心);否则,按选择机制生成下一代种群,转回步骤(4)。
本发明的有益效果:
并将其应用于SAR图像的分割研究中,仿真结果表明,文中算法具备较好的分割效率和效果。
本发明引入异步通信策略和选择机制对鲸鱼算法进行改进,以进一步提高算法的收敛速度和精度;对合成孔径雷达图像进行分割。测试结果表明该算法在具备良好分割质量的同时,能对SAR图像实现快速分割。
附图说明
图1为座头鲸泡泡网捕食策略示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示:一种基于改进鲸鱼算法优化的模糊C核均值聚类分割方法,包括以下步骤;
(1)输入图像X={x1,x2,…,xn};
(2)设置KFCM算法和鲸鱼优化算法的相关参数,包含最大迭代次数、聚类数目、种群数目N、对数螺旋形状常数b、随机数l及算法终止条件;
(3)初始化鲸鱼位置,将聚类中心作为鲸鱼优化算法中鲸鱼的初始位置;
(4)根据式
(6)对所有鲸鱼,执行以下优化搜索:如p<0.5且A<1,则基于式X(t+1)=X*(t)-AX D,更新鲸鱼Xi的位置;如p<0.5且A31,则基于式X(t+1)=X*(t)+D′eblcos(2πl)更新鲸鱼Xi的位置;否则(即p3≥0.5),则基于式p∈[0,1];更新鲸鱼Xi的位置;计算Xi的适应值Yi,并将其与X*的适应值Y*进行比较,如果Yi<Y*(求最大值问题时,则为Yi>Y*),则基于异步通信机制将其取代X*而成为新的最优位置;
(7)如满足算法终止条件或达到最大迭代次数,则输出最优鲸鱼位置X*(即为所求得的最佳聚类中心);否则,按选择机制生成下一代种群,转回步骤(4)。
为测试改进鲸鱼算法(记为IWOA)的优化性能,以表1中的f1~f6六个经典测试函数(表1所示)为对象,并将优化结果与鲸鱼算法(WOA)及其两种改进算法AWOA和MWOA进行比较。其中:f1~f3为可变维度的单模态函数,主要用以检验算法的收敛速度和精度;f4~f6为可变维度的多模态函数,主要用以检验算法的全局和局部搜索能力。
表1 经典测试函数
表2 WOA及各种改进算法的优化性能比较
所有的函数维数均设置为100,所有算法都独立运行20次,WOA、AWOA、MWOA、IWOA算法的比较结果如表2所示。由表2可知:IWOA在最优值、平均值、标准差、迭代次数等方面优于WOA、AWOA和MWOA;对于f1~f4,虽然AWOA、MWOA、IWOA均能达到目标最小值,但IWOA所需的迭代次数明显少于AWOA和MWOA,这意味着IWOA具备更快的收敛速度;对于f5~f6,虽然所有算法都未能取得最优值,但IWOA在收敛精度和算法稳定性等方面均明显优于其它算法。
为验证基于IWOA的模糊C核均值聚类法(IWOA_FCKM)的分割性能,分别采用IWOA_FCKM、C均值聚类算法(CM)、FCM、KFCM对Radar725_2_3、Radar725_4_2、Radar725_4_3图像进行分割(图像含有强度为0.025的椒盐噪声)。由分割结果可知:IWOA_FKCM取得了和KFCM几乎一致的分割效果,但由于IWOA_FCKM采用了IWOA对聚类中心进行优化,避免了穷举迭代计算,所以算法效率大为提高。
Claims (1)
1.一种基于改进鲸鱼算法优化的模糊C核均值聚类分割方法,其特征在于,包括以下步骤;
(1)输入图像X={x1,x2,…,xn};
(2)设最大迭代次数M、聚类数目C、种群数目N、对数螺旋形状常数b、随机数l及算法终止条件ε的相关参数;
(3)初始化鲸鱼位置,将聚类中心作为鲸鱼优化算法中鲸鱼的初始位置;
(4)根据式
(6)对所有鲸鱼,执行以下优化搜索:如p<0.5P为[0,1]上的随机数,且A<1,则基于式X(t+1)=X*(t)-A×D,更新鲸鱼Xi的位置;如p<0.5且A31,则基于式X(t+1)=X*(t)+D′eblcos(2πl)更新鲸鱼Xi的位置;否则即p3≥0.5,则基于式p∈[0,1];更新鲸鱼Xi的位置;计算Xi的适应值Yi,并将其与X*的适应值Y*进行比较,如果Yi<Y*(求最大值问题时,则为Yi>Y*),则基于异步通信机制将其取代X*而成为新的最优位置;
(7)如满足算法终止条件ε或达到最大迭代次数M,则输出最优鲸鱼位置X*;否则,按选择机制生成下一代种群,转回步骤(4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840538.9A CN112132180A (zh) | 2020-08-14 | 2020-08-14 | 一种基于改进鲸鱼算法优化的模糊c核均值聚类分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840538.9A CN112132180A (zh) | 2020-08-14 | 2020-08-14 | 一种基于改进鲸鱼算法优化的模糊c核均值聚类分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132180A true CN112132180A (zh) | 2020-12-25 |
Family
ID=73851068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010840538.9A Pending CN112132180A (zh) | 2020-08-14 | 2020-08-14 | 一种基于改进鲸鱼算法优化的模糊c核均值聚类分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132180A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177954A (zh) * | 2021-04-28 | 2021-07-27 | 中南大学 | 一种图像处理方法和装置 |
CN113344426A (zh) * | 2021-06-28 | 2021-09-03 | 杭州市电力设计院有限公司余杭分公司 | 一种储能站规划方法、装置及设备 |
CN115008818A (zh) * | 2022-08-05 | 2022-09-06 | 金成技术股份有限公司 | 可促进钣金结构件生产效率的冲压工序优化方法 |
-
2020
- 2020-08-14 CN CN202010840538.9A patent/CN112132180A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177954A (zh) * | 2021-04-28 | 2021-07-27 | 中南大学 | 一种图像处理方法和装置 |
CN113177954B (zh) * | 2021-04-28 | 2022-07-26 | 中南大学 | 一种图像处理方法和装置 |
CN113344426A (zh) * | 2021-06-28 | 2021-09-03 | 杭州市电力设计院有限公司余杭分公司 | 一种储能站规划方法、装置及设备 |
CN113344426B (zh) * | 2021-06-28 | 2023-06-06 | 杭州市电力设计院有限公司余杭分公司 | 一种储能站规划方法、装置及设备 |
CN115008818A (zh) * | 2022-08-05 | 2022-09-06 | 金成技术股份有限公司 | 可促进钣金结构件生产效率的冲压工序优化方法 |
CN115008818B (zh) * | 2022-08-05 | 2022-11-08 | 金成技术股份有限公司 | 可促进钣金结构件生产效率的冲压工序优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132180A (zh) | 一种基于改进鲸鱼算法优化的模糊c核均值聚类分割方法 | |
CN107886529B (zh) | 一种用于三维重建的点云配准方法 | |
CN109272512B (zh) | 一种自动分割左心室内外膜的方法 | |
CN108389211B (zh) | 基于改进鲸鱼优化模糊聚类的图像分割方法 | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN111415379B (zh) | 一种基于布谷鸟优化的三维点云数据配准方法 | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN113435108A (zh) | 一种基于改进的鲸鱼优化算法的战场目标分群方法 | |
CN117593323B (zh) | 一种基于非局部特征的图像分割方法、系统、介质和设备 | |
CN112509017B (zh) | 一种基于可学习差分算法的遥感影像变化检测方法 | |
CN114693923A (zh) | 一种基于上下文和注意力的三维点云语义分割方法 | |
CN110580252A (zh) | 多目标优化下的空间对象索引与查询方法 | |
CN113723449A (zh) | 基于偏好信息的代理驱动多目标进化模糊聚类方法 | |
Wei et al. | Flow-based gan for 3d point cloud generation from a single image | |
Mahdi et al. | Reduced HyperBF networks: Regularization by explicit complexity reduction and scaled Rprop-based training | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
CN111353525A (zh) | 一种不均衡不完整数据集的建模及缺失值填补方法 | |
CN108182684B (zh) | 一种基于加权核函数模糊聚类的图像分割方法及其装置 | |
CN114022526B (zh) | 一种基于三维形状上下文的sac-ia点云配准方法 | |
Wang et al. | Fuzzy C-means clustering algorithm for automatically determining the number of clusters | |
CN114221350A (zh) | 基于bas-iga算法的分布式光伏集群划分方法和系统 | |
Wu et al. | Superpixel based hierarchical segmentation for color image | |
CN113469270A (zh) | 基于分解多目标差分进化超像素的半监督直觉聚类方法 | |
Wenhui et al. | Lidar image classification based on convolutional neural networks | |
CN112132217A (zh) | 一种基于簇内簇间相异度的分类型数据聚类方法 |
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 |