K-均值聚类算法的改进及其应用

随着计算机视觉技术的发展,图像分割已成为图像工程中的一个研究热点,基于聚类分析的图像分割算法也得到了长足发展。K-均值聚类是一种常见的重要聚类算法,其原理简单,易于实现,对于结果密集且簇之间区别明显的聚类有较好的效果；但它需要依据先验知识提前设定聚类数和聚类中心初值,对聚类中心初值敏感,容易陷入局部极值。动态K-均值聚类算法在K-均值聚类算法的基础上,引入适应度函数,能有效地避免陷入局部极值,且分割速度快；但它强制分配部分样本给具有最小适应度聚类中心会降低聚类的准确性,且对噪声敏感。 本文在深入研究K-均值(KM)聚类和动态K-均值(MKM)聚类算法的基础上,以提高分割结果的准确性和算法的抗噪能力为目标,对算法进行了改进与实验仿真。本文完成的主要工作如下： (1)提出两种改进算法： 自适应动态K-均值聚类：改变强制分配部分样本给具有最小适应度的聚类中心的做法,按最小距离原则来分配这些样本,减少对噪声数据的错误分类。 自适应模糊动态K-均值聚类：将模糊C-均值聚类与动态K-均值聚类方法将结合,减小了噪声数据的影响。 (2)对改进算法的分割结果进行了定性和定量的评价。分别用改进算法与传统的KM算法和MKM算法对原始图像和噪声图像进行分割,通过主观评价和F、F'、Q三种无监督性能指标比较,表明改进算法更准确、实时性较好。 (3)分别用FCM算法和改进算法对采集于现场的回转窑视频图像进行熟料区分割,然后对分割出的熟料区进行特征提取与烧结状态分类。通过性能指标、分割时间和识别率的比较,验证了改进算法在复杂工业过程视觉检测中的有效性。 实验结果表明本文的改进算法在分割速度、避免局部极值、避免错误聚类和抗噪声干扰等方面取得了较好的改进效果,对于扩大图像视觉的应用领域,具有一定的科学意义和应用前景。