基于粒子群算法的图像聚类研究与实现文献综述

《基于粒子群算法的图像聚类研究与实现文献综述》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、文献综述基于粒子群算法的图像聚类研究与实现一.前言1．写作目的图像聚类是数据挖掘中一项重要技术，图像聚类的好坏将直接影响后续图像处理与分析任务的质量。图像聚类是指利用无监督的学习过程发现在图像中的隐藏的模式，它具有独立发现知识的能力。粒子群算法属于进化算法的一种，它与遗传算法相似，也是从随机解出发，通过迭代寻找最优解，但它比遗传算法的规则更为简单，即没有交叉和变异操作，它通过追随当前搜索到的最优值来寻找全局最优。粒子群算法由于实现容易、精度高、收敛快等优点在解决实际问题中具有优越性。本课题主要研究的是基于粒子群算法的图像聚类方法，针对传统的基于K均值的图像聚类方法无法较好地对图像进行聚类，提出

2、一种基于粒子群算法的图像聚类方法。该方法通过从随机解出发，迭代寻找全局最优解。提出的方法在图像数据集上进行仿真实验验证。2．有关概念聚类分析是将具体或抽象的数据集划分为若干组或类的过程，聚类产生的每一组数据称为一个簇，簇中的每一数据称为一个对象。聚类的目的是使同一簇中对象的特性尽可能相似，不同簇对象间的特性差异尽可能地大。粒子群优化算法(panicleswarlnoptimization，PSO)是一种优化计算技术，是进化算法的一种，最早是由Kennedy与Eberhan于1995年提出的⋯。源于对鸟群捕食的行为研究的PSO算法是一种基于迭代的优化工具，概论简单、易于实现、参数较少、能有效解决

3、复杂优化任务，目前已广泛应用于函数优化、神经网络训练、模糊系统控制以及其它遗传算法的应用领域。[8]1．争论焦点由MacQueen提出的K均值算法是解决聚类分析问题的一种经典算法，广泛应用于数据挖掘和知识发现领域中。它是一种爬山式的搜索算法，以其简单、快速和有效而被广泛使用。但是，传统的K均值算法存在两个固有的缺点：(1)对于随机的初始值选取可能会导致不同的聚类结果，甚至存在着无解的情况；(2)该算法是基于目标函数的算法，通常采用梯度法求解极值，由于梯度法的搜索方向是沿着能量减少的方向进行，使得算法很容易陷入局部极值。[6]针对K均值算法所存在的不足，本文提出了一种基于粒子群算法的图像聚类方法

4、，该方法从随机解出发，迭代寻找全局最优解。该算法不仅有效的克服了传统的K均值算法存在的问题，而且有较快的收敛速度。二、主题1.历史背景聚类分析研究具有很长的历史，其重要性及与其他研究方向的交叉特性得到人们的肯定。聚类是数据挖掘、模式识别等研究方向的重要研究内容之一，在识别数据的内在结构方面具有极其重要的作用。[6]随着计算机技术、网络技术和信息技术的迅速发展，一些规模巨大且结构复杂的数据在科学和工程应用领域不断出现。如何处理这些数据并从中得到有益的信息，越来越引起人们的普遍关注。大规模复杂数据集的出现对聚类分析技术提出了特殊的挑战，它要求聚类算法有可伸缩性、处理不同类型数据、发现任意形状的簇、

5、处理高维数据的能力等，并要求聚类结果对用户来说应该是可判断的、能理解的和可用的。面对这些问题与要求，传统的聚类分析方法已经显得无能为力。[4]为解决上述问题，研究者们开始尝试各种智能聚类方法。群智能算法中的粒子群优化算法(PSO)逐渐引起人们的注意，并在聚类分析中取得了比传统方法更好的效果。PSO算法主要是在群体的集群行为和自组织原则指导下的随机搜索和优化技术，它强调分布式、相对简单主体之间直接或间接的交互作用，具有很强的适应性和鲁棒性。PSO算法潜在的并行性和分布式特点使其能够处理以数据库形式存在的大量数据；另一方面，聚类可以被看成一个复杂的全局优化问题，因此PSO算法可以用于聚类分析。[3

6、]1.现状和发展方向聚类分析随着数字图像处理技术与数据挖掘技术的发展在日常生活中有着广泛的应用，例如数据挖掘、图象分割、模式识别、空间遥感技术、特征提取和信号压缩等诸多领域，并取得了令人满意的效果。聚类算法一般分为分割和分层两种。分割聚类算法通过优化评价函数把数据集分割为K个部分，它需要K作为输人参数。典型的分割聚类算法有K--算法,K-meanss算法。分层聚类由不同层次的分割聚类组成，层次之间的分割具有嵌套的关系。它不需要输入参数，这是它优于分割聚类算法的一个明显的优点，其缺点是终止条件必须具体指定。典型的分层聚类算法有BIRCH算法。[9]到目前为止，已有很多结合粒子群算法的分析方法，其

7、关键结合点是如何构造种群以及如何评价，比较有代表性的思想就是结合K-means算法，将初始的聚类中心作为种群，然后根据中心进行聚类，再利用聚类的结果来评价种群的质量，最后依据粒子群算法的原理更新聚类中心。[1]2.问题描述2.1.聚类算法的数学描述设模式样本集为X={X，i=1，2，⋯，n}，其中为d维模式向量，聚类问题就是要找到一个划分C={C。，C2，⋯，Cm}，满足：且使得总的类间离散度和：