基于ACS－FCM算法的圖像分割研究
加入技術交流群
圖像分割是把圖像分成各具特性的區(qū)域并提取出感興趣目標的技術和過程[1]。數字圖像處理問世不久，人們就開始了對圖像分割技術的研究，并取得了較大的進展，但由于它的復雜性，有許多問題仍然沒有得到很好的解決。圖像分割的方法有成百上千種，但尚沒有一種適用于所有圖像的通用分割算法。絕大多數算法都是針對具體問題而提出的，因此人們仍然在不斷的研究新的，更有潛力的分割算法，以求實現更好的分割效果。
圖像分割已廣泛應用于工業(yè)自動化、在線產品檢測、生產過程控制、文擋圖像處理、遙感和生物醫(yī)學圖像分析、保安監(jiān)視、以及軍事、體育、農業(yè)工程等。概括來說，在各種圖像應用中，只要對圖像目標進行提取、測量等都離不開圖像分割。近年來，分割技術在對圖像的編碼中也起到了越來越重要的作用，如國際標準mpeg-iv中的模型基/目標基編碼等都需要基于分割的結果。此外，對醫(yī)學圖像的分割是圖像分割中最重要的一個應用領域。
目前，已提出很多種類型的分割算法，大致可以分為基于邊緣檢測的方法和基于區(qū)域的方法[2~3]。在實際應用中，從不同的理論角度提出了許多方法，這些方法中主要可劃分為三種類型：閾值型、邊緣檢測型和區(qū)域跟蹤型。
本文提出將acs-fcm算法用于圖像分割，將模糊c均值聚類算法(fcm)和蟻群系統(tǒng)算法(acs)結合起來,并使用matlab進行了仿真實驗。
2 蟻群算法
蟻群算法是受自然界螞蟻覓食過程啟發(fā)而產生的一種集群算法, 由意大利學者dorigo 于1991 首次系統(tǒng)地提出[4]。蟻群算法是從對蟻群行為的研究中產生的。為了說明其基本原理，下面對人工蟻群進行計算機仿真，仿真結果如圖1所示。
在圖中a點為食物源，而b點為螞蟻巢穴，蟻群正往返于食物與巢穴之間，其路徑為一條直線，如圖1(1)所示。假設在某一時刻在螞蟻的路徑中突然出現了一些障礙物，原有的路徑被切斷，這樣，從a到b的螞蟻就必須決定應該往左還是往右邊走，如圖1(2)中所示。而從b到a的螞蟻也必須選擇一條路徑。這種決定會受到各條路徑上以往螞蟻留下的信息激素物質濃度的影響，如果向右的路徑上的信息激素物質濃度比較大，那么向右的路徑被螞蟻選中的可能性也就比較大一些。
圖1 人工蟻群運動圖
障礙物出現后，對第一只從a到b的螞蟻而言，因為沒有信息素物質的影響，所以它選擇向左或者向右的可能性是一樣的。以從a點到b點的螞蟻為例，由于路徑acb比路徑adb要短，因此選擇acb路徑的螞蟻會比選擇adb的螞蟻早到b點。此時，從b點向a點看，指向路徑bca的信息素濃度比bda大。因此，從下一時刻開始，從b點到達a點的螞蟻選擇bca路徑比選擇bda路徑的可能性要大。從而使路徑bca上的信息激素物質濃度與路徑bda上的信息素濃度的差變大。而信息素物質濃度差變大的結果就是選擇bca路徑的螞蟻進一步增加，這又導致信息激素物質濃度進一步加大。這就是巢穴到食源的最短路線，如圖1(3)，螞蟻根據線路上留下信息素濃度的大小，確定在路線上移動的方向，蟻群向信息素濃度重的線路集聚的現象稱為正反饋。螞蟻算法正是基于正反饋原理的啟發(fā)式算法。
在自然界中，蟻群的這種尋找路徑的現象就表現為一種正反饋的過程，而這一過程應用于優(yōu)化領域便產生了人工蟻群算法，整個系統(tǒng)也可以稱為蟻群系統(tǒng)(ant system)[5],而那些只具備了簡單功能的工作單元將被視為“螞蟻”。那么，上述螞蟻尋找路徑的過程也可以用于解釋人工蟻群的尋優(yōu)過程。
2 蟻群算法與模糊c均值算法的結合——acs-fcm算法
模糊c均值算法(fcm)簡單、收斂速度快，但受初始聚類中心影響較大，容易陷入局部極小，而蟻群算法是一種隨機搜索的全局優(yōu)化算法，如果將蟻群算法和fcm相結合[6~7]，則可以充分發(fā)揮蟻群算法的全局優(yōu)化特征和fcm算法的局部尋優(yōu)能力，下面對這種混合式算法進行探討。
螞蟻在從食物源到蟻穴并返回的過程中，能夠在它所走過的路徑上分泌一種稱之為“信息素”的化學物質，在自己所經過的路徑上形成信息素軌跡，螞蟻通過感知這種物質的存在及強度來指導自己的運動方向，螞蟻傾向于朝著信息強度高的方向運動。因此，由大量螞蟻組成的蟻群的集體行為便表現出一種信息正反饋現象，某一路徑上走過的螞蟻越多，該路徑上的信息素越強，從而使得選擇這條路徑上的螞蟻增多。螞蟻個體之間正是通過信息素的物質進行交流而達到搜索事物的目的。分析發(fā)現自然界中蟻群的覓食行為是一個不斷聚類的過程，食物源就是聚類的中心。將每個待聚類數據樣本視為具有不同屬性的螞蟻，螞蟻覓食的過程可看作是螞蟻不斷向聚類中心聚類的過程，聚類中心是螞蟻所要尋找的食物源。數據樣本集xi=(xi1,xi2,…,xim), i=1,2,…,n。初始時刻，各條路徑上的信息量相等，設r為聚類半徑，數據樣本與聚類中心間的加權歐式距離為：
(1)各路徑上的信息素計算公式為
(2)第i個螞蟻選擇聚類中心cj的概率為
(3)其中，式(1)中pk為加權因子，加權因子可根據各屬性對聚類的影響設定且須滿足約束條件:∑pk=1, pk≥0。式(3)hij=1/dij為能見度因數，反映螞蟻i在選擇聚類中心cj的受啟發(fā)程度。a和b為兩個參數[8]，分別反映了螞蟻在運動過程中所積累的信息和啟發(fā)信息在螞蟻選擇路徑中的相對重要性。隨著蟻群的移動，各路徑上的信息素在積累的同時，也會隨著時間的流逝而揮發(fā)。一次聚類完成之后，要對各路徑上的信息素進行更新，采用的信息素更新方式為
評論