基于蜣螂优化Kmeans图像分割算法 - 附代码
文章目录
- 基于蜣螂优化Kmeans图像分割算法 - 附代码
- 1.Kmeans原理
- 2.基于蜣螂算法的Kmeans聚类
- 3.算法实验结果
- 4.Matlab代码
摘要:基于蜣螂优化Kmeans图像分割算法。
1.Kmeans原理
K-Means算法是一种无监督分类算法,假设有无标签数据集:
该算法的任务是将数据集聚类成簇,最小化损失函数为:
其中为簇的中心点:
要找到以上问题的最优解需要遍历所有可能的簇划分,K-Mmeans算法使用贪心策略求得一个近似解,具体步骤如下:
1.在样本中随机选取个样本点充当各个簇的中心点
2.计算所有样本点与各个簇中心之间的距离,然后把样本点划入最近的簇中
3.根据簇中已有的样本点,重新计算簇中心
4.重复2、3
K-means算法得到的聚类结果严重依赖与初始簇中心的选择,如果初始簇中心选择不好,就会陷入局部最优解.因此初始簇中心的选择非常重要。本文利用蜣螂优化算法对初始簇中心进行优化,改进其容易陷入局部最优的特点。
2.基于蜣螂算法的Kmeans聚类
适应度函数:利用蜣螂算法改进kmeans时,以聚类中心作为蜣螂算法的优化变量,适应度函数设计如下:
该适应度函数与kmeans的最小损失函数一致。
算法的具体流程如下:
1.随机抽样待分类数据点,作为蜣螂聚类候选点。
2.利用蜣螂算法搜索最小损失的的聚类点。
3.将这些聚类点作为kmeans算法的初始聚类点。
4.利用kmeans获得最终的聚类点。
3.算法实验结果
将基于蜣螂优化的Kmeans算法用于图像的分割实验。对于图像,选取10%的像素点作为聚类候选点。
对于彩色图像的聚类效果如下图所示:
收敛曲线:
4.Matlab代码