本文選題：組織進化 + DMEA　； 參考：《西安電子科技大學》2014年碩士論文

【摘要】：合成孔徑雷達(SAR)圖像正在獲得越來越廣泛的應(yīng)用,SAR傳感器可以穿透云層,在惡劣的天氣情況下和夜間情況下也依然能夠工作,而光學傳感器則做不到這些。SAR圖像應(yīng)用中的一個重要環(huán)節(jié)就是對圖像進行正確的分割,它是實現(xiàn)SAR圖像理解的基礎(chǔ),像圖像變化檢測、目標識別等技術(shù)都離不開良好的圖像分割結(jié)果。聚類分析是一項常用的挖掘數(shù)據(jù)間關(guān)系的技術(shù),它能夠根據(jù)數(shù)據(jù)之間的相似性分布把數(shù)據(jù)集劃分為數(shù)個聚類,使得在每個聚類內(nèi)的數(shù)據(jù)都具有相似的屬性,而不同聚類間的數(shù)據(jù)則差異較大。基于聚類分析的這一功能,把聚類分析應(yīng)用于圖像分割中已成為一個熱門的研究方向。以下是本文在這一研究方向上的主要工作:1、傳統(tǒng)的模糊c均值(FCM)聚類算法易陷于局部最優(yōu)解,對初始值敏感,且應(yīng)用于圖像分割時沒有考慮圖像的局部信息,對噪聲的抑制能力較差。為了改進上訴缺點,本文提出了基于組織進化算法的FCM聚類算法(OEA-FCM),該算法利用組織進化(OEA)的全局搜索能力解決傳統(tǒng)FCM算法易陷入局部最優(yōu)解和對初始值敏感的缺陷,同時引入了圖像中的空間信息,有效的抑制了噪聲的干擾。2、迭代自組織算法(ISODATA)是一個經(jīng)典的聚類算法,它在K-means算法的基礎(chǔ)上引入了對聚類的分裂操作和融合操作,從而可以自動的調(diào)整聚類中心和聚類的個數(shù)。然而該算法對分裂操作的閾值和融合操作的閾值極為敏感,且該閾值參數(shù)不易設(shè)定。為了解決這一問題,本文提出了基于組織進化的ISODATA聚類算法(OEA-ISODATA),該算法利用OEA的解空間搜索能力去搜索ISODATA聚類算法參數(shù)的最優(yōu)值,同時OEA-ISODATA算法引入了像素塊的策略,能夠利用有效的空間信息,濾除無用的空間信息,從而提高了算法對噪聲干擾的魯棒性。3、由于單個聚類有效性指標在設(shè)計時僅考慮聚類的某一或某些方面特性,沒有某一聚類有效性指標能夠適用于全部數(shù)據(jù)類型,因此采用單個聚類有效性指標做為評價函數(shù)的單目標進化算法在搜索解空間時就能力有限。為了解決這一問題,我們將DMEA多目標進化算法應(yīng)用于聚類分析中,提出了基于DMEA多目標進化算法的聚類算法(DMECA)。DMECA在產(chǎn)生新個體時同時考慮種群多樣性和收斂能力,此外還構(gòu)建、更新一個外部檔案用于存儲非支配解,此外在更新檔案和種群時都盡量使得非支配解在pareto曲線上均勻的分布。
[Abstract]:Synthetic Aperture Radar (SAR) images are becoming more and more widely used to penetrate clouds and still work in bad weather and at night. But the optical sensor can not do these. One of the important links in the application of Sar image is to segment the image correctly. It is the basis of realizing the understanding of SAR image, such as image change detection. Target recognition and other techniques are inseparable from good image segmentation results. Clustering analysis is a commonly used technique for mining the relationships between data. It can divide the data sets into several clusters according to the similarity distribution between the data, so that the data in each cluster has similar attributes. But the data of different clustering are quite different. Based on the function of clustering analysis, the application of clustering analysis in image segmentation has become a hot research direction. The following is the main work of this paper: 1. The traditional fuzzy c-means FCM-based clustering algorithm is easily trapped in the local optimal solution, is sensitive to the initial value, and when applied to image segmentation, it does not consider the local information of the image. The ability to suppress noise is poor. In order to improve the defects of appeal, an FCM clustering algorithm based on organizational evolution algorithm (OEA) is proposed in this paper. The algorithm uses the global search ability of organizational evolution to solve the shortcomings of traditional FCM algorithm which is prone to fall into local optimal solution and sensitive to initial value. At the same time, the spatial information in the image is introduced, which can effectively suppress the interference of noise. The iterative self-organizing algorithm (ISODATAA) is a classical clustering algorithm. It introduces the splitting operation and fusion operation of clustering on the basis of K-means algorithm. Thus, the cluster center and the number of clusters can be automatically adjusted. However, the algorithm is very sensitive to the threshold of split operation and fusion operation, and the threshold parameter is difficult to set. In order to solve this problem, an OEA-ISODATAA clustering algorithm based on organizational evolution is proposed in this paper. The algorithm uses the spatial search ability of OEA to search the optimal value of the parameters of the ISODATA clustering algorithm, and the OEA-ISODATA algorithm introduces the strategy of pixel block. It can use the effective spatial information to filter out the useless spatial information, thus improving the robustness of the algorithm to noise interference. Because the single clustering validity index only considers one or some aspects of the clustering characteristics in the design, No single clustering validity index can be applied to all data types, so the single-objective evolutionary algorithm using a single clustering validity index as an evaluation function has limited ability to search solution space. In order to solve this problem, we apply DMEA multi-objective evolutionary algorithm to cluster analysis, and propose a clustering algorithm based on DMEA multi-objective evolutionary algorithm, which takes into account both population diversity and convergence ability when generating new individuals. An external file is updated to store the non-dominated solution, and when updating the file and the population, the non-dominated solution is uniformly distributed on the pareto curve.
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TN957.52

【相似文獻】

相關(guān)期刊論文 前10條

1 唐偉力;龍建忠;;一種基于降雨模型的圖像分割方法在礫巖圖像分割中的應(yīng)用[J];成都信息工程學院學報;2007年02期

2 黃曉莉;曾黃麟;王秀碧;劉永春;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割[J];信息技術(shù);2008年09期

3 肖飛;綦星光;;圖像分割方法綜述[J];可編程控制器與工廠自動化;2009年11期

4 汪一休;;一種交互式圖像分割的修正優(yōu)化方法[J];中國科學技術(shù)大學學報;2010年02期

5 李丹;;圖像分割方法及其應(yīng)用研究[J];科技信息;2010年36期

6 龔永義;黃輝;于繼明;關(guān)履泰;;基于熵的兩區(qū)域圖像分割[J];中國圖象圖形學報;2011年05期

7 張甫;李興來;陳佳君;;淺談圖像分割方法的研究運用[J];科技創(chuàng)新與應(yīng)用;2012年04期

8 汪梅;何高明;賀杰;;常見圖像分割的技術(shù)分析與比較[J];計算機光盤軟件與應(yīng)用;2013年06期

9 魏慶;盧照敢;邵超;;基于復(fù)雜性指數(shù)的圖像分割必要性判別技術(shù)[J];計算機工程與應(yīng)用;2013年16期

10 陳曉丹;李思明;;圖像分割研究進展[J];現(xiàn)代計算機(專業(yè)版);2013年33期

相關(guān)會議論文 前10條

1 楊魁;趙志剛;;圖像分割技術(shù)綜述[A];2008年中國高校通信類院系學術(shù)研討會論文集（下冊）[C];2009年

2 楊暄;郭成安;李建華;;改進的脈沖耦合神經(jīng)網(wǎng)絡(luò)及其在圖像分割中的應(yīng)用[A];第十屆全國信號處理學術(shù)年會（CCSP-2001）論文集[C];2001年

3 楊生友;;圖像分割在醫(yī)學圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學會影像技術(shù)分會第十七次全國學術(shù)大會論文集[C];2009年

4 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學應(yīng)用[A];第十五屆全國圖象圖形學學術(shù)會議論文集[C];2010年

5 高嵐;胡友為;潘峰;盧凌;;基于小生境遺傳算法的SAR圖像分割[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術(shù)論壇（交通運輸工程學科）論文集（下冊）[C];2005年

6 孫莉;張艷寧;胡伏原;趙榮椿;;基于Gaussian-Hermite矩的SAR圖像分割[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

7 李盛;;基于協(xié)同聚類的圖像分割[A];第十四屆全國圖象圖形學學術(shù)會議論文集[C];2008年

8 張利;許家佗;;舌象圖像分割技術(shù)的研究與應(yīng)用進展[A];中華中醫(yī)藥學會中醫(yī)診斷學分會第十次學術(shù)研討會論文集[C];2009年

9 秦昆;李振宇;李輝;李德毅;;基于云模型和格網(wǎng)劃分的圖像分割方法[A];《測繪通報》測繪科學前沿技術(shù)論壇摘要集[C];2008年

10 高惠琳;竇麗華;陳文頡;謝剛;;圖像分割技術(shù)在醫(yī)學CT中的應(yīng)用[A];中國自動化學會控制理論專業(yè)委員會A卷[C];2011年

相關(guān)博士學位論文 前10條

1 白雪飛;基于視覺顯著性的圖像分割方法研究[D];山西大學;2014年

2 黃萬里;基于高分衛(wèi)星數(shù)據(jù)多尺度圖像分割方法的天山森林小班邊界提取研究[D];福建師范大學;2015年

3 王輝;圖像分割的最優(yōu)化和水平集方法研究[D];電子科技大學;2014年

4 高婧婧;腦部MR圖像分割理論研究[D];電子科技大學;2014年

5 潘改;偏微分方程在圖像分割中的應(yīng)用研究[D];東北大學;2013年

6 馮籍瀾;高分辨率SAR圖像分割與分類方法研究[D];電子科技大學;2015年

7 侯葉;基于圖論的圖像分割技術(shù)研究[D];西安電子科技大學;2011年

8 裴繼紅;基于模糊信息處理的圖像分割方法研究[D];西安電子科技大學;1998年

9 張運杰;基于模糊系統(tǒng)理論的圖像分割技術(shù)研究[D];大連海事大學;2007年

10 張玲;基于模糊理論及其擴展的圖像分割研究及應(yīng)用[D];山東大學;2012年

相關(guān)碩士學位論文 前10條

1 王聰聰;手機上的交互式圖像分割方法研究[D];華中科技大學;2013年

2 廖小波;基于貝葉斯最優(yōu)統(tǒng)計的圖切法圖像分割研究[D];昆明理工大學;2015年

3 姜士輝;基于Android系統(tǒng)的立木圖像分割方法研究[D];東北林業(yè)大學;2015年

4 路亞緹;基于粒子群優(yōu)化算法的最大熵多閾值圖像分割研究[D];鄭州大學;2015年

5 劉超;基于閾值圖像分割的研究及在蘋果定位中的應(yīng)用[D];東華理工大學;2015年

6 何妮;結(jié)合顯著性目標檢測與圖像分割的服飾提取算法研究及實現(xiàn)[D];西南交通大學;2015年

7 劉曉磊;基于MRF隨機場模型的機器人視覺圖像分割方法研究[D];西安建筑科技大學;2015年

8 王周楠;數(shù)字圖像處理的研究仿真[D];中國地質(zhì)大學(北京);2015年

9 許素素;改進的模糊C均值聚類算法在圖像分割中的應(yīng)用[D];長安大學;2015年

10 齊國紅;基于FCM和SVM相結(jié)合的作物病害圖像分割方法研究[D];鄭州大學;2015年

，

本文編號：1825868