基于ACS－FCM算法的图像分割研究
(4)3 acs-fcm算法图像分割
将上述蚁群聚类算法应用于图像分割中，可以将每只蚂蚁看作具有若干特征的像素[9]。而图像中像素灰度、邻域均值灰度、梯度、及区域纹理、局部能量等均为其重要分割特征，在一幅图像中，灰度、邻域均值灰度、梯度表现了目标、背景、边缘及噪声的特点。在此算法中，每只蚂蚁是以灰度、邻域均值灰度、梯度为特征的三维向量。
如果采用基本蚁群聚类算法，那么随着蚂蚁的运动，迭代到一定次数后，蚂蚁容易过早限于停滞，蚁群集中在少数几条路径上，如果要得到全局最优解，需要对信息素更新方式进行改进[10]，避免某些局部最优路径上信息量的增长过快，在加快收敛和防止早熟现象之间取得一个较为合理的平衡点。可按式(5)更新蚂蚁到聚类中心的信息素强度
(5)式中：信息量调节系数a为[0,1]间的一个参数，与式(4)中的r系数相比，可以在对本条路径t+1时刻信息量更新的同时兼顾时刻的初始信息，避免信息量的过快增长。对上述式中信息素更新方式做进一步的改进
(6)
(7)式中：lave为一次聚类结束后的路径平均值，di为每只蚂蚁所走的路径长度。具体算法描述如下：
步骤1 建立模型：
将像素点视为蚂蚁，聚类中心视为食物源，则聚类的过程即蚂蚁觅食过程。
步骤2 参数初始化：
给定数据样本集xi=(xi1,xi2,…,xim), i=1,2,…,n, 设置a, b,tij, nc等参数的初始值，设置初始聚类中心ci，给出一个初始蚁群分配方案，并计算数据样本与聚类中心间的加权欧式距离:
步骤3 蚂蚁的移动：
对每一只蚂蚁 k(k =1, 2, …, m)，根据转移概率为其选择一个新的节点，并将蚂蚁移动到此节点。
步骤4 更新：
一次蚁群聚类完成后，更新各类的聚类中心ci，重新计算样本点到该新的聚类中心的加权距离。然后使用更新规对这两个聚类中心之间的路径上的信息素浓度进行更新。
步骤 5 目标函数及终止：
计算目标函数：
若循环次数大于规定的次数，停止运行并输出分割所得图片，否则转步骤3。
4 仿真结果分析
本实验测试平台为genuine intel(r)2140@1.60ghz，1g内存，windowsxp，在matlab 7.0环境下仿真得到。本实验中参数初始参数设置为：
a=0.40；b =3；r =0.95；(聚类半径)g =90；nc=500。
原始图像 canny算子边缘检测
fcm算法分割 本文算法分割
图2 红细胞图片的分割效果图
评论