結合PSO及K-Means聚類分析演算法的圖像分割

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：10

、訪客IP：3.145.60.29

姓名

胡舜禹(Shun-yu Hu) 查詢紙本館藏

畢業系所

通訊工程學系在職專班

論文名稱

結合PSO及K-Means聚類分析演算法的圖像分割
(Image Segmentation base on combining Particle Swarm Optimization and K-means Algorithm)

相關論文

★ Branch and Bound 演算法在全光網路包含串音局限的限制條件之最佳化規劃效能分析	★ 平行式最佳區塊碼解碼演算法
★ 數位廣播之視訊系統架構與信號估測	★ 粒子群優化演算法應用於電信業解決方案選商及專案排程之優化
★ 利用粒子群優化演算法改善分群演算法在訊號分群上之應用	★ 應用模糊聚類與粒子演算法之色彩分群研究
★ 粒子群優化演算法應用於企業更新數據網路採購之優化	★ 粒子群演算法應用於無線區域網路產品硬體開發成本優化
★ 粒子群演算法應用企業伺服器負載平衡之省電優化	★ 粒子群優化演算法應用於瓦斯業微電腦瓦斯表自動讀表之優化
★ 近場通訊之智慧倉儲管理	★ 在Android 平台上實現NFC 室內定位
★ 適用於訊號傳輸暨無線電力傳輸之設計	★ 結合PSO及圖像品質評估演算法識別頻譜訊號
★ 粒子群優化與二維Otsu演算法於影像二元化閥值選取研究	★ 利用A*解碼法應用到線性區塊碼的最大可能性解碼之研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

群體智能的概念來自於對群聚性生物的觀察研究，近年來已有許多不同演算法的研究，其中粒子群優化演算法(Particle Swarm optimization，PSO)演算法便是其中之一，由於具有設定參數少、有較好的全局搜索能力、搜尋結果較為穩定、應用範圍廣泛等特性，近年來被許多學者專家所研究，衍生出許多其它相關演算法，標準的PSO演算法雖有較好的全局搜索能力，但是愈接近最佳解，收斂速度愈慢。而另一聚類分析演算法K-means，實作簡單，收斂速度快，有較好的局部搜索能力，但是分類結果容易受初始設定值的影響，陷入局部最佳解的情形。這兩種演算法應用在圖像分割上，各有利弊，但是若結合在一起便能達到互補的效果，本研究便結合這兩種演算法的優點對圖像進行分割，並對實驗結果加以分析討論，結果證明，結合兩種演算法能比單獨使用PSO演算法有更快的收斂速度，並修正初始值對K-means演算法的影響。

摘要(英)

Abstract
The concept of swarm intelligence gathered from the biological observation. In recent years there have been many studies, particle swarm optimization(PSO) algorithm is one of them, as a set few parameters, better global search capability, search results more stable and widely used. In recent years, many scholars and experts have researched PSO and derived many other related algorithms. Although the standard PSO algorithm has better global search capability, but the closer the optimal solution, convergence rate slower. The other clustering algorithm K-means, easily implement, rapid convergence, better local search capabilities. But the result of K-means heavily depends on initial cluster centers. It may find the local minima if initial cluster centers are not good. This research combines the advantages of PSO and K-means for image segmentation. Results show that a combination of two algorithms can be convergence faster than PSO and fix initial problem of K-means algorithm.

關鍵字(中)

★ 粒子群優化演算法
★ 聚類分析演算法
★ 適應函數
★ 群體智能
★ 圖像分割

關鍵字(英)

★ PSO
★ Swarm Intelligence
★ K-means
★ fitness function

論文目次

摘要 ii
Abstract iii
誌謝 iv
目錄 v
圖目錄 vi
表目錄 vii
第一章緒論 1
1-1 研究背景與動機 1
1-2 研究目的 3
1-3 研究架構與流程 4
第二章演算法介紹(PSO K-Means) 6
2-1 PSO 6
2-1-1 PSO演算法概述 6
2-1-2 PSO基本原理 7
2-2 K-means 17
2-2-1 K-means演算法概述 17
2-2-2 K-means基本原理 18
第三章 PSO結合K-Means之研究 22
3-1 PSO結合K-Means之構想 22
3-2 PSO結合K-Means之流程 23
第四章 PSO+K-means演算法應用於圖像分割 29
4-1 圖像分割概論 29
4-2 PSO+K-means演算法應用於圖像分割 30
4-3 PSO+K-means應用於圖像分割之結果與分析 33
4-3-1 實驗方法 33
4-3-2 PSO演算法圖像分割 34
4-3-3 K-means演算法圖像分割 37
4-3-4 PSO+K-means演算法圖像分割 39
第五章結論 53
5-1 結論 53
參考文獻 55

參考文獻

[1] Angeline P J. Using Selection to Improve Particle Swarm Optimization[A]. IEEE International Conference on Evolutionary Computation[C], Anchorage, Alaska, 1998.
[2] Higashi N, Iba H. Particle swarm optimization with Gaussian mutation[J]. In: Proc. of the IEEE Swarm Intelligence Symp.Indianapolis: IEEE Inc., 2003. 72~79.
[3] Shi, Y. H., Eberhart, R. C., Parameter Selection in Particle Swarm Optimization, The 7th Annual Conference on Evolutionary programming, San Diego, CA., 1998.
[4] Selim, S. Z. And Ismail, M. A., K-means type algorithms: A generalized convergence theorem and characterization of local optimality. IEEE Trans. Pattern Anal. Mach. Intell. 6, 81–87., 1984.
[5] Kennedy J., Eberhart R. C. and Shi Y., Swarm Intelligence, Morgan Kaufmann, New York., 2001.
[6] X. Cui, T.E. Potok, Document Clustering Analysis based on Hybrid PSO+K-means Algorithm, Journal of Computer Science, Special issue on Efficient heuristics for information organization, Science Publications, New York, 2005, pp. 27-33.
[7] Alireza Ahmadyfard, Hamidreza Modares, Combining PSO and k-means to Enhance Data Clustering[A], IST 2008 International Symposium [C]. Tehran：IEEE Press, 2008.
[8] Kennedy, J., and Eberhart, R.C.,“Particle swarm optimization,” Proc. IEEE International Conference on Neural Networks (Perth, Australia), IEEE Service Center, Piscataway, NJ, 1995, pp. IV：1942-1948
[9] I-Ling Lin, Particle Swarm Optimization For Solving Constraint Satisfaction Problems, B. Sc., Simon Fraser University, 2002
[10] Van den Bergh F. An Analysis of Particle Swarm Optimizers
[Ph. D. dissertation ]. University of Pretoria, South Africa, 2001.
[11] Van den Bergh F, Engelbrecht A P. A study of particle swarm optimization particle trajectories. Information Sciences, 2006, 176(8): 937−971.
[12] K. Chandramoli and E. Izquierdo, Image classification using chaotic particle swarm optimization, Proceedings of IEEE International conference on image processing, pp: 3001-3004 , 2006.
[13] Randy L. Haupt, Sue Ellen Haupt, Practical Genetic Algorithms 2nd,
ISBN：9780471455653, 2004.
[14] PSO Tutorial, Online document: http://www.swarmintelligence.org/index.php
[15] M. Omran, Particle Swarm Optimization Methods for Pattern Recognition and Image Processing, Ph.D. Thesis, University of Pretoria, 2004.
[16] CUI Hong-mei,ZHU Qing-bao. Conveergence analysis and parameter selection in particle swarm optimization. Computer Engineering and Application. 2007, 43(23):89-91
[17] liu Xiao-feng,CHEN Tong.Study on convergence analysis and parameter choice of Particle Swarm optimization. Computer Engineering and Application.2007,43(23):14-17.
[18] 陳慶逸, 快速演化式群聚分析演算法. 線上文庫：http://www.docin.com/p-9877167.html
[19] 陳貴敏, 賈建援, 韓琪, 粒子群優化算法的慣性權值遞減策略研究, 西安交通大學學報, 2006
[20] 曾建潮,“微粒群算法”,科學出版社, 2004.
[21] 沈宏遠, 彭小奇, 王俊年, 胡志坤, 多峰函數尋優的微粒群算法, 湖南科技大學學報(自然科學版), 2005.
[22] 孫傳峰, 周劉喜, 粒子群優化中最大速度選擇,南京工業大學自動化學院, 2007.
[23] 陳廷標, 夏良正, 數位影像處理,儒林圖書公司,1993.
[24] Alasdair McAndrew原著, 徐曉珮譯, 數位影像處理, 高立出版集團, 2009.
[25] 林宸生, 數位信號影像與語音處理, 全華科技, 2003.

指導教授

賀嘉律(Chia-lu Ho)

審核日期

2010-7-22

推文