智能优化算法应用:基于侏儒猫鼬优化K-means图像分割算法 - 附代码
摘要:基于侏儒猫鼬优化K-means图像分割算法。
1.K-means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:
X
=
[
x
1
,
x
2
,
.
.
.
,
x
n
]
(1)
X = [x_1,x_2,...,x_n] \tag{1}
X=[x1,x2,...,xn](1)
该算法的任务是将数据集聚类成
k
k
k簇
C
=
C
1
,
C
2
,
.
.
.
,
C
k
C = C_1,C2,...,C_k
C=C1,C2,...,Ck,最小化损失函数为:
E
=
∑
i
=
1
k
∑
x
∈
C
i
∣
∣
x
−
u
i
∣
∣
2
(2)
E = \sum_{i=1}^k\sum_{x\in C_i}||x-u_i||^2 \tag{2}
E=i=1∑kx∈Ci∑∣∣x−ui∣∣2(2)
其中
u
i
u_i
ui为簇的中心点:
u
i
=
1
∣
C
i
∣
∑
x
∈
C
i
x
(3)
u_i = \frac{1}{|C_i|}\sum_{x\in C_i}x \tag{3}
ui=∣Ci∣1x∈Ci∑x(3)
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 k k k个样本点充当各个簇的中心点 { u 1 , u 2 , . . . , u k } \{u_1,u_2,...,u_k\} {u1,u2,...,uk}
2.计算所有样本点与各个簇中心之间的距离 d i s t ( x i , u j ) dist(x_i,u_j) dist(xi,uj),然后把样本点划入最近的簇中 x i ∈ u n e a r e s t x_i \in u_{nearest} xi∈unearest
3.根据簇中已有的样本点,重新计算簇中心
u
i
=
1
∣
C
i
∣
∑
x
∈
C
i
x
u_i = \frac{1}{|C_i|}\sum_{x\in C_i}x
ui=∣Ci∣1x∈Ci∑x
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。本文利用侏儒猫鼬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.基于侏儒猫鼬算法的Kmeans聚类
侏儒猫鼬算法原理请参考:https://blog.csdn.net/u011835903/article/details/127455123
适应度函数:利用侏儒猫鼬算法改进kmeans时,以聚类中心作为侏儒猫鼬算法的优化变量,适应度函数设计如下:
f
i
t
n
e
s
s
=
∑
i
=
1
k
∑
x
∈
C
i
∣
∣
x
−
u
i
∣
∣
2
fitness = \sum_{i=1}^k\sum_{x\in C_i}||x-u_i||^2
fitness=i=1∑kx∈Ci∑∣∣x−ui∣∣2
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,作为侏儒猫鼬聚类候选点。
2.利用侏儒猫鼬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
将基于侏儒猫鼬优化的Kmeans算法用于图像的分割实验。对于图像,选取50%的像素点作为聚类候选点。
4.Matlab代码
个人资料介绍