K-均值聚類算法的改進(jìn)及其應(yīng)用.pdf

1、隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，圖像分割已成為圖像工程中的一個(gè)研究熱點(diǎn)，基于聚類分析的圖像分割算法也得到了長(zhǎng)足發(fā)展。K-均值聚類是一種常見(jiàn)的重要聚類算法，其原理簡(jiǎn)單，易于實(shí)現(xiàn)，對(duì)于結(jié)果密集且簇之間區(qū)別明顯的聚類有較好的效果；但它需要依據(jù)先驗(yàn)知識(shí)提前設(shè)定聚類數(shù)和聚類中心初值，對(duì)聚類中心初值敏感，容易陷入局部極值。動(dòng)態(tài)K-均值聚類算法在K-均值聚類算法的基礎(chǔ)上，引入適應(yīng)度函數(shù)，能有效地避免陷入局部極值，且分割速度快；但它強(qiáng)制分配部分樣本給具有最小

2、適應(yīng)度聚類中心會(huì)降低聚類的準(zhǔn)確性，且對(duì)噪聲敏感。
　　本文在深入研究K-均值(KM)聚類和動(dòng)態(tài)K-均值(MKM)聚類算法的基礎(chǔ)上，以提高分割結(jié)果的準(zhǔn)確性和算法的抗噪能力為目標(biāo)，對(duì)算法進(jìn)行了改進(jìn)與實(shí)驗(yàn)仿真。本文完成的主要工作如下：
　　(1)提出兩種改進(jìn)算法：
　　自適應(yīng)動(dòng)態(tài)K-均值聚類：改變強(qiáng)制分配部分樣本給具有最小適應(yīng)度的聚類中心的做法，按最小距離原則來(lái)分配這些樣本，減少對(duì)噪聲數(shù)據(jù)的錯(cuò)誤分類。
　　自適應(yīng)模糊動(dòng)

3、態(tài)K-均值聚類：將模糊C-均值聚類與動(dòng)態(tài)K-均值聚類方法將結(jié)合，減小了噪聲數(shù)據(jù)的影響。
　　(2)對(duì)改進(jìn)算法的分割結(jié)果進(jìn)行了定性和定量的評(píng)價(jià)。分別用改進(jìn)算法與傳統(tǒng)的KM算法和MKM算法對(duì)原始圖像和噪聲圖像進(jìn)行分割，通過(guò)主觀評(píng)價(jià)和F、F’、Q三種無(wú)監(jiān)督性能指標(biāo)比較，表明改進(jìn)算法更準(zhǔn)確、實(shí)時(shí)性較好。
　　(3)分別用FCM算法和改進(jìn)算法對(duì)采集于現(xiàn)場(chǎng)的回轉(zhuǎn)窯視頻圖像進(jìn)行熟料區(qū)分割，然后對(duì)分割出的熟料區(qū)進(jìn)行特征提取與燒結(jié)狀態(tài)分類。通