基于多目标粒子群优化及聚类算法的图像分割研究

摘要

图像分割是数字图像处理技术的关键步骤之一，是图像理解以及场景分析的基础，针对图像特征做出相应的分割处理，为更高层次的图像分析奠定了良好的基础。自图像分割技术被提出以来，已被广泛应用于医学辅助诊断、军事目标分析以及视频监控处理等多个领域，其不可忽视的实用价值吸引着研究者的持续关注。
　　在所有已被提出的图像分割算法中，基于聚类的图像分割是应用较为广泛的方法之一。其分割原理是在已知的训练样本集中找到图像特征空间中的决策分类点或者分类线、分类面，然后根据已提取的图像特征，对特征空间中的样本集进行分类，再映射到原图像空间完成图像分割。近来随着群体智能优化算法发展，利用它的全局搜索能力可以缓解特征空间寻优时陷入局部最优的情况，将其与基于聚类的图像分割思想相融合，可以更快地准确定位最优聚类中心。
　　基于高斯混合密度模型的EM算法是近来发展较快的聚类方法之一，它是一种融合了参数估计和非参数估计的半参数密度估计方法，由于不采用既定的概率密度函数形式，所以运算复杂度不受样本数据规模的影响，用作图像聚类时可以取得很好的效果。但EM算法也存在一些明显的不足，如对初始值敏感，并容易陷入局部极值等。而智能优化算法在非线性多维数据空间中的启发式全局最优搜索，可以大大提高查找聚类中心的准确性，同时缩短计算时间。本文在高斯混合密度模型的EM聚类算法基础上，以粒子群优化算法为寻优工具，提出适应性较好的图像分割方法，从而满足自动迅速分割图像、提高分割精度的目的。
　　本文的工作内容主要包括三方面:
　　(1)论文系统阐述了粒子群优化算法及EM聚类算法的理论依据及发展轨迹，在前人工作基础上全面综述了从单目标到多目标的粒子群优化算法的演进，梳理了EM算法的基本思想及其相关改进算法的研究进展和现状。
　　(2)针对现有EM聚类算法对初始值敏感，在迭代中容易陷入局部极小值的情况，提出一种基于改进粒子群算法的混合PSOEM聚类算法。首先，用惯性权重沿折线先增后减的改进粒子群算法，自动获取任意数据集的最佳聚类个数，得到混合模型的初始参数;其次，采用EM算法的多次迭代得到高斯密度模型的参数;最后，在贝叶斯准则的引导下对图像特征进行分类。
　　(3)针对现有的基于粒子群优化算法的图像分割使用单一目标函数进行数据划分时，容易收敛在中期最优点的缺点，结合多目标优化理论，提出了基于改进多目标粒子群算法的混合MOPSOEM聚类算法。通过引用两个适应度函数完成多目标优化问题中Pareto最优的搜寻，然后经由无监督聚类完成图像分割。适应度函数分别选用对数似然函数以确定与数据分布最相近的最佳分布参数值，以及运用巴氏距离来确定特征子空间中类与类之间的统计距离，其中最佳分类数由最小描述长度准则确定。

目录

声明

摘要

第一章 绪论

1．1 选题背景及意义

1．2 图像分割方法研究现状

1．3 粒子群优化算法研究现状

1．3．1 单目标粒子群优化算法的发展

1．3．2 多目标粒子群优化算法的发展

1．4 论文主要内容

1．5 论文结构安排

第二章 聚类算法及粒子群优化

2．1 聚类算法

2．1．1 基于高斯混合模型的EM算法

2．1．2 EM算法及其改进算法

2．2 粒子群优化算法

2．2．1 粒子群优化算法理论概述

2．2．2 基本粒子群优化算法

2．3 本章小结

第三章 基于粒子群优化和EM算法的图像分割研究

3．1 基于改进粒子群算法的混合PSOEN聚类算法

3．1．1 粒子群优化算法参数优化

3．1．2 算法流程

3．2 聚类有效性指标

3．3 实验结果与分析

3．4 本章小结

第四章 基于多目标粒子群优化聚类算法的图像分割

4．1 多目标优化

4．1．1 多目标优化的数学描述

4．1．2 多目标粒子群优化算法

4．2 改进的多目标粒子群混合NOPSOEM算法

4．2．1 目标函数选定

4．2．2 最佳分类数分析

4．3 算法流程

4．4 实验结果与分析

4．4．1 模拟数据集分割结果

4．4．2 真实图像分割结果

4．5 本章小结

第五章 总结与展望

5．1 论文总结

5．2 工作展望

参考文献

致谢

硕士期间的学术成果