互联网 qkzz.net
全刊杂志网:首页 > 女性 > 文章正文
刊社推荐

基于区域生长和蚁群聚类的图像分割杨卫莉 郭 雷 许 钟 肖谷初 赵天云



  摘要:提出了一种基于区域生长和蚁群聚类的图像分割方法——BRGAC。该方法首先用区域生长法对图像作
  初始分割,然后利用蚁群算法搜索最优解的能力,在区域之间进行聚类合并,获得最终的分割结果。BRGAC算法不但克服了区域生长得不到有意义区域的不足,而且还大大提高了蚁群聚类算法的搜索时间,并利用初始分割后的空间信息和灰度信息定义了一种新的引导函数,可更准确有效引导蚁群聚类。实验结果表明,该方法可以准确地分割出目标,是一种有效的图像分割方法。
  关键词:区域生长;群体智能;蚁群聚类;引导函数
  中图分类号:TP391文献标志码:A
  文章编号:1001-3695(2008)05-1579-03
  
  0引言
  
  图像分割是自动目标识别的关键和首要步骤,其目的是将目标和背景分离,为计算机视觉的后续处理提供依据。
  区域生长是一种具有代表性的传统图像分割技术,该方法能够提供封闭的区域,且计算简单。但它需要人工交互以获得种子点,且区域生长方式对噪声敏感,导致抽取出的区域有空洞或者在局部体效应的情况下将分开的区域连接起来,产生了错误的分割结果。在此基础上研究者们提出了各种各样的扩展算法。Pohle等人将待分割区域像素值看做一个正态发布,先用原始区域生长算法估算出分布参数,再将该参数应用到第二次生长过程中,从而获得更好的结果[1]。文献[2]将图像的纹理信息和灰度信息融合在区域生长的标准中;文献[3]将模糊理论和优化算法应用到区域生长算法中。
  蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法。它是1992年意大利学者M.Dorigo等人受蚂蚁觅食过程中路径选择行为的启发而提出的带有正反馈性等特点的一种随机启发式搜索方法。它已成功应用于组合优化问题,如旅行商问题、车间任务调度、图着色、管线敷设等[4~6]。蚁群算法的离散性和并行性特点对于离散的数字图像非常适用。而基本蚁群算法在进行大规模优化时,其收敛时间过长,这是应用该算法的一个瓶颈。
  本文提出了一种基于区域生长和蚁群聚类的图像分割方法。首先选取目标中最亮点(灰度最大点)作为种子点,然后按照一定规则进行区域生长,再利用蚁群聚类得到有意义的区域。本文的方法避免了单独使用区域生长时的典型分割错误,同时蚁群算法不再基于单个像素作为蚂蚁去寻优,而是将区域作为蚂蚁寻优,节省了计算成本,聚类快速高效。实验结果表明,BRGAC算法能够快速准确的分割图像。
  
  1蚁群聚类算法
  
  蚁群聚类算法模拟真实蚂蚁的协作过程, 由许多蚂蚁共同完成, 每只蚂蚁在候选解的空间中独立地搜索解, 并在所寻得的解上留下一定的信息量,信息量越大的解被选择的可能性也越大。蚁群聚类方法正是受此影响而来。蚁群聚类突出的特征是:可使数据更容易可视化,聚类的数量可从数据中自动产生;蚁群聚类算法不仅能有效地处理有较好的抗噪声数据能力, 而且更容易发现数据的本质信息;其能实现完全分布式控制, 并具有自组织性、可扩展性、健壮性等特征, 而且采用蚁群模型进行聚类更加接近实际的聚类问题[7]。因此笔者提出用蚁群聚类算法来解决区域生长后得不到有意义区域的不足。 ......
很抱歉,暂无全文,若需要阅读全文或喜欢本刊物请联系《计算机应用研究》杂志社购买。
欢迎作者提供全文,请点击编辑
分享:
 

了解更多资讯,请关注“木兰百花园”
分享:
 
精彩图文


关键字
支持中国杂志产业发展,请购买、订阅纸质杂志,欢迎杂志社提供过刊、样刊及电子版。
关于我们 | 网站声明 | 刊社管理 | 网站地图 | 联系方式 | 中图分类法 | RSS 2.0订阅 | IP查询
全刊杂志赏析网 2017