基于量子鱼群优化策略的聚类算法及其在图像分割中的应用研究

基于传统聚类算法的图像分割算法普遍存在对初始化敏感、计算量大、容易陷入局部极小点、收敛速度慢等不足。人工鱼群算法作为近几年诞生的一种群智能优化算法，在解决复杂优化问题时具有鲁棒性强、全局寻优等优势。本项目以人工鱼群算法为基础，旨在建立高效的智能聚类算法- - 量子鱼群聚类算法,建立基于量子鱼群优化策略的聚类分割新方法，力图为设计快速、有效的图像分割系统提供有力的技术支持。项目首先研究量子进化算法和人工鱼群算法的综合机制，建立有效的量子鱼群聚类算法，并研究算法在采用不同适应度函数，进化策略，以及类别划分机制情况下的收敛性、鲁棒性及计算复杂度。在此基础上，研究量子鱼群聚类算法在图像分割中的应用，设计新的相似性度量准则和最优划分准则，并通过对聚类结果的有效合并与拆分以获得有效的区域信息，实现对图像的自动分割。项目的研究成果在目标识别、图像检索等许多领域将具有重要的理论价值和应用价值。

课题主要针对基于人工鱼群的智能聚类算法及其在图像分割中的应用展开研究，通过分析传统聚类算法对初始化敏感、计算量大、容易陷入局部极值点、收敛速度慢等不足的基础上，提出了一系列基于人工鱼群的智能聚类算法，并将其应用于图像分割，实现了对图像的自动分割。具体成果包括：.1.理论成果：1）将聚类问题转化为多峰函数求极值的问题，针对聚类问题的类别数和类别中心的自动估计展开研究，所提算法包括：将小生境概念引入人工鱼群算法，通过选取合适的小生境半径，实现对人工鱼群的自动划分，从而实现对聚类问题的自动求解；为了加速人工鱼群算法的收敛性能，在鱼群寻优过程中加入了人工鱼的局部记忆向量，人工鱼在捕食过程中将综合实物浓度最大个体和其记忆中搜搜寻到的食物浓度最大的位置以确定自己下一步的游动方向，并将该算法应用于图像的自动分割问题；提出了一种实值编码的量子小生境聚类算法。该算法通过对种群的实值量子编码方式，并提出了自适应选择旋转角度的策略，改善了算法的收敛性能；针对小生境半径对算法性能的影响，提出了一种稳健的小生境人工鱼群算法，人工鱼通过在捕食过程中的局部搜索操作，克服了小生境半径对聚类问题类别数的影响；提出了一种基于个体连通性的智能聚类算法，算法将进化中的个体划分为稠密点、平坦点和稀疏点，通过构建稠密个体间的连通路径将个体划分为几个类别，属于同一条路径上的个体即为同一个类别，算法最终获得的路径数即为聚类问题的类别数；以颜色为特征的聚类分割并未实现对图像中目标和背景的划分，一般是根据颜色特征将图像划分为几个不同的区域，为了实现对目标的有效分割，提出了一种基于区域显著性的分割，通过计算分割所得区域的显著性对所得区域进行合并，从而实现了对目标的有效分割；提出了一种有监督的3D场景物体分割算法，实现了对3D场景中的物体有效分割。2）课题还就聚类算法在图像分类问题中的应用展开了初步的研究，取得了如下的初步结果：针对图像分类问题，提出了一种正交平滑子空间的图像分类算法；针对非负矩阵分解所得基矩阵的冗余性，设计了加权非负矩阵分解算法，并在优化过程中加入对系数矩阵的稀疏约束，从而改善算法的分类性能。.2.发表多篇论文，目前还有多篇文章处于审稿阶段，其中包括3篇SCI论文。.3.人才培养：协助科研团队负责人培养博士研究生，其中毕业1名；培养硕士研究生4名，晋升副高级职称1人。