基于改進的FCM算法在圖像分割中的研究與應(yīng)用.pdf

1、圖像是對客觀對象的一種相似的、生動的描述，是人類用來獲取、表達和傳遞信息的重要手段，約有75％的信息是以圖像的形式呈現(xiàn)在人們面前。為了有效的利用圖像中的信息，需要將關(guān)鍵的部分從圖像中提取出來，然后才能加以測量、分析等?？梢妶D像分割結(jié)果直接影響后續(xù)的圖像分析和理解。然而由于各個行業(yè)使用的圖像具有不同的特性，導(dǎo)致現(xiàn)在沒有一種圖像分割方法對所有的圖像都適用，所以，研究人員盡可能多的提出不同類型的分割方法來滿足實際的分割要求。因此，圖像分割方法

2、仍然是圖像處理領(lǐng)域研究的重點內(nèi)容。目前，圖像分割方法的改進策略主要分為兩種：一是從算法自身出發(fā)，通過更新數(shù)學(xué)表達式或者添加新的約束條件來改進自身的不足；二是借助新理論和新方法提出新的圖像分割方法，或者新理論與現(xiàn)有的分割方法相融合產(chǎn)生新的圖像分割方法。模糊C均值聚類(Fuzzy C-Means，F(xiàn)CM)算法就是其中典型代表，因其能很好的解決圖像像素分類的不確定性問題，而得到廣泛的關(guān)注和研究。本文對FCM算法進行了深入研究，針對FCM算法的

3、不足提出了改進的策略，本文所做的主要工作如下：
　　首先，針對FCM算法對初始聚類中心敏感的缺點，利用量子粒子群優(yōu)化算法搜尋最優(yōu)解，解碼全局最優(yōu)解作為FCM算法的初始聚類中心。粒子群優(yōu)化算法全局尋優(yōu)能力較強，但容易陷入局部最優(yōu)，為此借助量子理論，將粒子“量子化”，通過量子旋轉(zhuǎn)門來更新粒子移動，利用量子非門來增加種群的多樣性，改善粒子群優(yōu)化算法的局部搜尋能力，增強算法的全局尋優(yōu)能力。通過實驗仿真，表明改進算法具有較好的分割效果。

4、r>　　其次，針對FCM算法對噪聲敏感的缺點，提出一種自適應(yīng)加權(quán)空間信息的FCM算法來改善其抗噪性。通過自適應(yīng)加權(quán)系數(shù)來降低噪聲數(shù)據(jù)對其中心數(shù)據(jù)的影響程度。為此，引入空間約束項，重新定義目標函數(shù)，并進行了推導(dǎo)，求取聚類中心和隸屬度矩陣的更新表達式。通過仿真實驗，表明改進的算法有著較好的噪聲抑制能力。
　　最后，本文將改進的FCM算法應(yīng)用到道岔缺口圖像的分割中。針對道岔缺口圖像灰度較暗，易受到噪聲的影響，首先利用量子粒子群優(yōu)化算法尋