[论文解读] Color Image Segmentation using Adaptive Particle Swarm Optimization and Fuzzy C-means

Narayana Reddy A, Ranjita Das|arXiv (Cornell University)|Apr 18, 2020

Remote-Sensing Image Classification参考文献 3被引用 5

一句话总结

本文提出了一种名为APSOF的新颖彩色图像分割算法，该算法将自适应粒子群优化（APSO）与模糊C均值（FCM）聚类相结合，以克服FCM对初始条件和噪声的敏感性。APSO通过根据群体行为动态调整惯性权重和学习因子来优化聚类初始化，显著提升了分割精度和收敛性能，优于标准FCM和PSO。

ABSTRACT

Segmentation partitions an image into different regions containing pixels with similar attributes. A standard non-contextual variant of Fuzzy C-means clustering algorithm (FCM), considering its simplicity is generally used in image segmentation. Using FCM has its disadvantages like it is dependent on the initial guess of the number of clusters and highly sensitive to noise. Satisfactory visual segments cannot be obtained using FCM. Particle Swarm Optimization (PSO) belongs to the class of evolutionary algorithms and has good convergence speed and fewer parameters compared to Genetic Algorithms (GAs). An optimized version of PSO can be combined with FCM to act as a proper initializer for the algorithm thereby reducing its sensitivity to initial guess. A hybrid PSO algorithm named Adaptive Particle Swarm Optimization (APSO) which improves in the calculation of various hyper parameters like inertia weight, learning factors over standard PSO, using insights from swarm behaviour, leading to improvement in cluster quality can be used. This paper presents a new image segmentation algorithm called Adaptive Particle Swarm Optimization and Fuzzy C-means Clustering Algorithm (APSOF), which is based on Adaptive Particle Swarm Optimization (APSO) and Fuzzy C-means clustering. Experimental results show that APSOF algorithm has edge over FCM in correctly identifying the optimum cluster centers, there by leading to accurate classification of the image pixels. Hence, APSOF algorithm has superior performance in comparison with classic Particle Swarm Optimization (PSO) and Fuzzy C-means clustering algorithm (FCM) for image segmentation.

研究动机与目标

• 解决标准模糊C均值（FCM）在图像分割中的局限性，特别是其对初始聚类中心和噪声的敏感性。
• 通过引入自适应参数调节，克服传统PSO的缺点，以提升收敛性和聚类质量。
• 开发一种混合框架，利用APSO作为FCM的更优初始化器，实现更精确和鲁棒的分割。
• 提升在复杂彩色图像中图像分割的可靠性与性能，因为标准FCM在这些情况下无法产生令人满意的结果。

提出的方法

• 应用自适应粒子群优化（APSO）动态调整关键超参数（特别是惯性权重和认知/社会学习因子），基于优化过程中的群体行为。
• 使用APSO优化后的粒子位置作为模糊C均值（FCM）聚类算法的初始聚类中心。
• 将FCM与改进的初始化相结合，基于模糊隶属度细化像素分类，并最小化衡量类内方差的目标函数。
• 利用PSO的快速收敛性和低参数数量优势，同时通过自适应控制机制增强其性能。
• 将FCM的目标函数表述为像素与聚类中心之间加权平方距离之和的最小化，其中包含模糊隶属度。
• 根据个体最优和全局最优位置，利用速度和位置更新规则迭代更新APSO中的粒子位置，并结合自适应参数调整。

实验结果

研究问题

• RQ1 在PSO中采用自适应参数调节是否能显著提升FCM在彩色图像分割中的初始化质量？
• RQ2 所提出的APSOF框架在分割精度和抗噪鲁棒性方面是否优于标准FCM和PSO-FCM？
• RQ3 APSO中惯性权重和学习因子的动态调整如何影响收敛速度和聚类质量？
• RQ4 与传统FCM相比，APSOF在多大程度上降低了对初始聚类数量和初始中心选择的依赖性？
• RQ5 该混合APSOF方法是否能在真实世界彩色图像上产生视觉上更优且更精确的分割结果？

主要发现

• 由于通过自适应参数控制实现了更优的初始化，APSOF算法在分割精度方面优于标准FCM和PSO-FCM。
• APSO通过有效探索搜索空间并收敛到最优配置，降低了FCM对初始聚类中心选择的敏感性。
• 惯性权重和学习因子的自适应调整增强了收敛速度，并防止了优化过程中的早熟收敛。
• 实验结果表明，APSOF能够产生更精确和稳定的聚类中心，从而在彩色图像中实现更好的像素分类。
• 所提出的方法在正确识别图像区域真实数量和最小化分割误差方面，优于FCM和PSO-FCM。
• 视觉评估证实，与FCM相比，APSOF在噪声或复杂彩色图像中能生成更连贯、更有意义的分割区域。