下载文档原格式
基于改进粒子群和自适应滤波的快速模糊聚类图像分割黄山;李众;李飞;黄蒙蒙【摘要】为改进传统模糊C均值聚类(FCM)算法对初始聚类中心敏感、易陷入局部收敛、抗噪性差、计算量大的问题,提出一种新的基于改进粒子群算法的快速模糊聚类图像分割方法(PSOFFCM);方法首先利用自适应中值滤波对图像进行滤波处理,增强算法的鲁棒性;然后,将图像像素灰度值映射到二维直方图特征空间,作为聚类样本,优化FCM的目标函数,减少图像分割的计算量;最后,利用PSO算法代替FCM 的梯度迭代过程,减弱了算法对初始聚类中心的依赖,同时增强全局搜索能力;实验结果表明,该方法不仅克服了FCM算法对初始聚类中心的依赖,而且抗噪能力强,收敛速度快,分割精度明显优于传统FCM.【期刊名称】《计算机测量与控制》【年(卷),期】2016(024)004【总页数】4页(P171-173,177)【关键词】FCM聚类算法;粒子群算法;图像分割;自适应中值滤波【作者】黄山;李众;李飞;黄蒙蒙【作者单位】江苏科技大学电子信息学院,江苏镇江212003;江苏科技大学电子信息学院,江苏镇江212003;江苏科技大学电子信息学院,江苏镇江212003;人民解放军96904部队信息支援站,江苏苏州 215000【正文语种】中文【中图分类】TP391图像分割技术是图像处理关键技术，是计算机视觉研究中最重要的部分之一。
目前图像分割最常用的方法有：阈值法分割、区域生长法、边缘检测法、聚类分析法等[1]。
这些已有算法都有各自的优势和局限性，聚类分析法以像素样本之间的相似性为依据的图像分割方法。
模糊C均值聚类算法(FCM)是目前应用最为广泛的一种聚类方法，利用FCM聚类算法进行图像分割可以有效解决图像分割中的不确定性和模糊性等问题，克服了硬分类方法将图像属性一刀切的缺点。
然而，传统FCM聚类算法仍然有许多不足[2]：1)FCM聚类算法对初始聚类中心和隶属度矩阵依赖性较强，易于陷入局部最优解；2)FCM聚类算法仅针对像素灰度值进行聚类，不考虑像素的位置信息，所以对噪声敏感，鲁棒性不强；3)算法在图像分割的过程中对每个像素都要计算其属于每个类别的隶属度，所以当图像尺寸较大即数据样本较大时导致计算量较大。
基于改进粒子群的K-means聚类算法吴涤单【期刊名称】《电脑知识与技术》【年(卷),期】2014(000)006【摘要】针对传统的k-means算法处理离散型数据的不足以及选取初始聚类中心的随机性等缺点，提出了一种基于改进的粒子群优化k-means算法，根据文中提供的优化算法寻找初始聚类中心后，在阀值范围内进行数据样本间的迭代更新，直至聚类中心稳定。
经过实验结果验证分析表明，经过改进的粒子群优化k-means 算法与传统的k-means算法相比，更具有良好的聚类收敛效果，聚类效果也相对稳定。
%Random defects in the traditional K-means algorithm to process the discrete data insufficiency as well as the selection of initial clustering center, put forward an improved particle swarm optimization based on K-means algorithm, to find the initial cluster center according to the optimization algorithm is provided in this paper, are updated iteratively between data samples in the threshold range, until the clustering center. Through the experimental results verify the analysis shows that, by K-means algo-rithm, the improved particle swarm optimization k-means algorithm compared with the traditional clustering, has a good conver-gence effect, cluster effect is also relatively stable.【总页数】4页(P1238-1241)【作者】吴涤单【作者单位】南京信息职业技术学院，江苏南京210023【正文语种】中文【中图分类】TP18【相关文献】1.一种改进粒子群和K-means结合的聚类算法 [J], 钱伟强2.基于改进粒子群优化的K－means算法在学生状态分析系统中的应用 [J], 陆维3.基于改进粒子群和K-Means的文本聚类算法研究 [J], 钮永莉;武斌;4.基于改进粒子群和K-Means的文本聚类算法研究 [J], 钮永莉;武斌5.基于K-means聚类的改进粒子群优化算法研究 [J], 谭若洋;王治宇因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进粒子群和K-means结合的聚类算法作者：钱伟强来源：《卷宗》2011年第10期摘要：本文首先提出一种基于适应度权重的改进粒子群算法，该算法能够根据群中粒子收敛情况动态地调整构成粒子运行速度。
然后将已提出的改进粒子群算法与K-means算法结合，使结合后的聚类算法取改进粒子群算法之所长，补K-means算法之所短。
通过分析证明，在算法的有效性和算法效率上比其他算法都有明显的提高。
关键词：粒子群算法；聚类算法1. 引言粒子群优化(Particle Swarm Optimization，PSO)是一种群智能(Swarm Intelligence)方法的进化计算技术。
其具有原理简单，便于理解，算法容易实现、操作参数少、易于收敛等优点。
聚类分析(Cluster Analysis)利用数据间的相似性对数据进行分类。
使得不同类别中的数据尽可能相异，而同一类数据之间尽可能相似，从而发现数据其中隐含的、有用的信息[1]。
各种聚类算法中，K-means算法凭借其便于理解，算法简单易行，以及收敛速度快等特点，成为了最著名、最常用的聚类算法。
但是其本身具有易陷入局部最优解，处理海量数据效率低下等不足。
如何改进K-means算法，一直以来受到了广泛的关注和研究。
2. 基于适应度权重的改进粒子群算法基于对粒子群优化算法的分析，本文将引入粒子运动适应度权重这一概念，并以此为核心提出一种改进的粒子群优化算法FWPSO。
FWPSO将每个粒子的适应度和整个粒子群粒子的适应度进行计算，得出粒子的适应度权重，并将该权重引入到粒子速度的计算中。
虽然增加了一定的计算量，但能够使粒子的运动速度和方向更加合理，从而提高算法收敛解的精度，有效避免算法陷入局部最优解，提高算法的性能。
2.1 适应度权重本文通过测算每次迭代时粒子群中粒子适应度的差异情况，以此得出粒子群适应度权重，并将其作为判断粒子群收敛程度的标准。
粒子群适应度权重定义如下：其中，t为迭代的次数；n为粒子群粒子个数；σ(t)为第t次次迭代时的适应度权重；fi(t)为第t次循环时i个粒子的适应度，favg(t)为第t次循环时所有粒子的适应度均值。
基于分裂式K均值聚类的图像分割方法张健;宋刚【摘要】Fuzzy C-Means (FCM) clustering algorithm is an efficient unsupervised segmentation method, which is suitable for any classification number without the need to predict the image characteristics, but its clustering result has direct impact from sample noise component and the set of initial conditions.Therefore, a Fissive K-Means(FKM) clustering algorithm for color image segmentation was proposed, which firstly denoised the sample data using median filtering, then preclassified the image samples according to a fissive clustering method to get an initial partition of sample set, finally iteratively optimized segmentation using K -means clustering based on the rule of probability distance from the initial partition.The experimental results show that the algorithm can avoid the misclassification of FCM such as dead center, center overlapping and local minima, and accelerate the segmentation speed.%模糊C均值聚类(FCM)算法是一种有效的无监督图像分割方法,适用于任意分类数,不需要预知图像特征,但其聚类效果直接受待分类样本噪声和分类初始条件的影响.因此,提出了一种适用于彩色图像分割的分裂式K均值聚类(FKM)算法,该算法首先使用中值滤波对分类样本去噪,然后使用一种分裂聚类法对图像样本进行预分类,得到一组样本集初始划分,最后以这组划分为起点,使用基于概率距离的K均值聚类对图像分割进行迭代优化.实验结果表明,该算法可以避免FCM的误分类,诸如陷于中心死区、中心重叠和局部极小值,而且提高了分割速度.【期刊名称】《计算机应用》【年(卷),期】2011(031)002【总页数】3页(P372-374)【关键词】图像分割;分裂式K均值;模糊C均值;聚类;无监督【作者】张健;宋刚【作者单位】山东大学信息科学与工程学院,济南,250100;山东大学信息科学与工程学院,济南,250100【正文语种】中文【中图分类】TP391.410 引言图像分割是指依据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同[1]。
本科毕业论文（设计）题目：基于K-均值聚类算法的彩色图像分割改进算法教务处制二○一二年六月诚信声明本人郑重声明：本人所呈交的毕业论文（设计），是在导师的指导下独立进行研究所取得的成果。
毕业论文（设计）中凡引用他人已经发表或未发表的成果、数据、观点等，均已明确注明出处。
除文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或在网上发表的论文。
特此声明。
论文作者签名：日期：年月日摘要在一幅图像中,景物往往有众多的目标组成,反映在图像中是众多的区域。
图像分割属于图像处理中一种重要的图像分析技术。
图像分割的传统方法是对灰度图像分割，处理图像的亮度分量，简单快速。
但却忽略了图像中很大一部分信息：色彩，因此分割效果不佳。
对彩色图像分割的研究一直是图像处理的焦点，它采用各种颜色空间模型，使得图像分割更全面，更精确。
本论文首先介绍了传统的图像分割与聚类算法分割，然后重点介绍一种基于K-均值聚类算法的图像改进分割方法。
实验结果表明, 改进的分割方法能够实时稳定的对目标分割提取，分割效果良好。
关键词：K-均值聚类；图像分割；聚类算法AbstractIn an image, the scene is often a large number of targets, reflected in many are- as in the image. Image segmentation is an important image analysis technique of with the luminance component of the image，simple and fast. But it ignores a large part of the information in the image: color, so the poor segmentation results.Research on color image segmentation has been the focus of image processing, which uses a variety of color space model, making the segmentation more comprehensive and more accurate.This paper first describes the traditional image segmentation and clustering algorithm to partition, and then focuses on a segmentation method based on the K- means clustering algorithm for image improvement. The experimental results show that the segmentation method can improve real-time stability of segmentation to ext- ract the target partition to good effect.Key words:K-means clustering; image segmentation; clustering algorithm目录序言 (1)1图像分割综述 (1)1.1 图像分割技术的现状和发展情况 (1)1.2 图像分割主要研究方法 (2)2 K-均值聚类算法 (2)2.1 聚类概念 (2)2.2 K-均值聚类算法 (2)3 基于K-均值聚类的彩色图像分割算法及改进 (3)3.1引言 (3)3.2 图像特征提取 (4)3.2.1 颜色特征的提取 (4)3.2.2 纹理特征的提取 (4)3.3 K-均值聚类图像分割算法的研究与改进 (5)3.4 实验结果与分析 (6)总结与展望 (8)4.1 工作总结 (8)4.2 工作展望 (8)参考文献 (9)序言在计算机视觉和图像分析中。
粒子群算法在图像分割中的应用图像分割是计算机视觉领域中的一个重要研究方向，旨在将一幅图像分解成具有相似特征的区域。
图像分割广泛应用于医学影像分析、目标检测、图像识别等领域。
近年来，粒子群算法（Particle Swarm Optimization, PSO）作为一种优化算法，已被引入到图像分割问题中，取得了较好的结果。
粒子群算法是一种基于群体智能的优化算法，灵感来源于鸟群觅食的行为。
在粒子群算法中，问题的可能解被表示为粒子的位置，粒子之间通过相互通信和信息共享，调整自己的位置以寻找最优解。
在图像分割中，粒子群算法被用来寻找最优的分割边界，使得分割后的区域具有相似的颜色、纹理或其他特征。
下面将详细介绍粒子群算法在图像分割中的应用。
首先，粒子群算法通过定义适应度函数来衡量每个解的质量。
在图像分割中，适应度函数的设计是关键的一步。
常用的适应度函数包括基于颜色直方图、基于边缘信息、基于纹理特征等。
通过适应度函数的计算，可以评估每个粒子的划分好坏程度。
接下来，粒子群算法通过迭代的方式，更新每个粒子的位置和速度。
位置的更新考虑了自身当前的位置、个体最优位置和全局最优位置，以及一定的随机扰动。
速度的更新则受到粒子当前速度、个体最优位置和全局最优位置的影响。
在更新位置和速度后，粒子群算法会对每个粒子的位置进行约束处理，确保其位置在图像的像素范围内。
同时，还可以引入一些先验知识，如图像边缘、区域大小等约束条件，以进一步提高分割的效果。
最后，通过迭代更新，粒子群算法将寻找到的最优解作为最终的分割结果。
我们可以根据最优的分割边界将图像分割成不同的区域，并可以进一步分析和处理每个区域。
与传统的图像分割方法相比，粒子群算法具有以下几个优势：首先，粒子群算法是一种全局优化算法，具有很强的全局搜索能力。
它可以避免陷入局部最优解，并能够在搜索空间中找到全局最优解。
其次，粒子群算法不需要对图像进行预处理或先验知识的引入。
它能够直接从图像中提取特征，并将其作为适应度函数的输入，从而更好地适应不同的图像分割问题。
问题研究基于K-means 聚类的改进粒子群优化算法研究谭若洋王治宇摘要：针对标准粒子群算法在处理复杂高维优化问题时早熟收敛的现象，基于K-means聚类的思想，提出了动态领域种群模型。
该模型致力于提高种群多样性，避免寻优时陷入局 部极值。
在每一次迭代时，利用K-means 聚类算法实现粒子领域内信息的交流。
将改进算法与标准粒子群算法进行若干测试函数的寻优实验，对比实验结果表明，改进后的粒子群算 法具有更稳定的寻优性能，种群多样性始终高于标准粒子群算法，能在更大程度上避免粒子 陷入局部极值。
关键词：改进粒子群算法;K —means 聚类；种群多样性DOLlO.l9456/j .cnki.tjyzx.2020.03.007一、引言粒子群算法(particle swarm optimization , PSO)是 智能优化算法的典型代表之一，具有收敛快、鲁棒性好、易编程等优势，由Eberhart 和Kennedy 提出［1I O 该 算法模仿了自然界鸟群捕食的过程，也属于仿生类算 法。
智能优化算法包括遗传算法、蚁群算法和模拟退 火算法等。
Rahimi 冋指出粒子群算法具有优异的收敛 性、鲁棒性和高效性。
文献［3］认为相对于遗传算法,粒 子群算法计算效率更高。
文献™和文献旳则指出，粒 子群算法寻优性能比差分进化算法更佳。
此外，粒子群算法不需要计算导数和可行解的预估冏，而是根据 评价函数来进行迭代求解。
因此在求解许多不连续、 多耦合的复杂优化问题时具备较强的优势。
尽管如此，传统的粒子群算法具有容易过早收敛 而陷入局部最优、不易处理约束条件等缺点。
因此对 粒子群算法的改进是提升算法性能的重要途径。
2001年，Eberhart"等人率先提出了线性递减的惯性权重，以此区分传统的粒子群算法中惯性权重为常数的情况。
2015年Zhao 问等人针对传统的单纯随机 搜索的形势,将混沌系统引入随机捜索步骤中，提出了混沌粒子群算法(CPSO),结果表明，该算法提高了全局 搜索能力，有助于提升全局优化的性能。
基于动态粒子群优化与K-means聚类的图像分割算法作者：李立军张晓光来源：《现代电子技术》2018年第10期摘 ;要：为了解决K⁃means聚类算法图像分割质量过度依赖于初始聚类中心选取，且易于陷入局部最优解等问题，提出一种基于动态粒子群优化（DPSO）与K⁃means聚类的图像分割算法（DPSOK）。
通过动态调整惯性系数与学习因子来增强PSO算法的性能;然后计算粒子群适应度方差，找准切换至K⁃means算法时机;随后，将DPSO输出结果用来初始化K⁃means 聚类中心，使其收敛至全局最优解;最后，通过最小化目标函数的多次迭代，使K⁃means的聚类中心不断更新，直到收敛。
实验结果表明，DPSOK能有效提高K⁃means的全局搜索能力，在图像分割中它比K⁃means，PSO获得了更好的分割效果，且与粒子群优化和K⁃means算法相比， DPSOK算法具有更高的分割质量与效率。
关键词：图像分割; 动态粒子群优化; K⁃means聚类; 适应度方差; 聚类算法; DPSOK中图分类号： TN911.73⁃34; TP391 ; ; ; ; ;文献标识码： A ; ; ; ; ; ; ; ; ; ; ; ;文章编号：1004⁃373X（2018）10⁃0164⁃05Abstract： An image segmentation algorithm based on dynamic particle swarm optimization and K⁃means clustering （DPSOK） is proposed to resolve the problems that the image segmentation quality of K⁃means clustering algorithm overly relies on the selection of initial clustering center，and it is easy for the algorithm to fall into the local optimal solution. The performance of the particle swarm optimization （PSO） algorithm is enhanced by dynamically adjusting the inertia coefficient and the learning factor. The variance of the particle swarm adaptability is calculated， and the timing of switching to the K⁃means algorithm is captured. The output results of dynamic particle swarm optimization （DPSO） are used to initialize the K⁃means clustering center and enable it to converge to the global optimal solution. The K⁃means clustering center is updated constantly until reaching convergence by means of multiple iterations of the minimized objective function. The experimental results show that the DPSOK can effectively improve the global search capability of K?means， obtain a better segmentation effect than K⁃means and the PSO in image segmentation，and has higher segmentation quality and efficiency in comparison with the particle swarm optimization and K⁃means algorithm.Keywords： image segmentation; dynamic particle swarm optimization; K⁃means clustering; fitness variance; clustering algorithm; DPSOKK⁃means原理简单、计算速率高，已广泛应用于图像分割领域[1⁃3]。
但其也存在以下几个缺点[4]：K⁃means必须在算法初始化时给出聚类数k值;K⁃means对初始聚类中心选取要求很高;K⁃means容易收敛到局部最优解，将导致其错过全局最优解。
为了克服这些缺点，研究人员提出改进的K⁃means算法。
如Chen提出基于层次的犹豫模糊K⁃means聚类算法[5]，穆瑞辉提出了一种基于粒子群优化的模糊K⁃means目标分类算法[6]，Siddiqui提出一种增强型移动K⁃means聚类算法 [7]。
但是，这些改进的算法的复杂度较高。
因此，需要更进一步的研究来解决K⁃means的问题。
另外，也有部分学者利用PSO算法[8⁃10]实现图像分割，但是PSO技术也存在着局部搜索能力较差、搜索精度不高并且容易陷入局部极值等缺点[9⁃10]。
因PSO具有强大的全局优化能力，K⁃means具有优异的局部搜索能力，所以有研究人员试图将PSO与K⁃means结合起来以得到一个更好的混合算法。
例如：班俊硕提出了基于PSO 与K⁃means聚类的混合算法[11]，这种算法的主要思想是：所有粒子的初始化由K⁃means完成，聚类由PSO实现。
近年来，研究人员将PSO与K⁃means聚类组合主要有以下三种主要方式：K⁃means+ PSO;K⁃means+ PSO + K⁃means;PSO + K⁃means。
如Gao证明了PSO + K⁃means算法优于其他两种方法[12]。
刘桂红等使用PSO +K⁃means混合算法来改进全局优化能力[13]，Shi将其应用于YCbCr彩色空间中的棉花图像分割 [14]，Avanija使用它来恢复语义网中相关文档等[15]，PSO + K⁃means算法得到了一些研究人员的肯定。
为了便于表达，本文将文献[13⁃15]中提到的这种混合聚类算法简称为PSOK （Particle Swarm Optimization and K⁃means）。
然而，PSO本身存在一些缺点。
一方面，很难找到合适的常数作为PSO的惯性系数;另一方面，很难找到两个合适的常数作为PSO的学习因子。
不合适的学习因子可能导致粒子在局部极端过渡徘徊，使得最终结果难以收敛或过早收敛到局部最小值。
将PSO和K⁃means进行组合，将会导致算法计算效率较低或数据表现不佳。
所以，巧妙地结合PSO与K⁃means各自优点，将其用于图像分割领域，近年来已成为一个研究热点。
受PSOK的启发，本文提出的DPSOK（Dynamic Particle Swarm Optimization andK⁃means）算法是一种基于DPSO和K⁃means聚类的图像分割算法。
与PSOK不同，DPSOK 采用动态惯性系数和学习因子来计算粒子速度，故其具有平衡优化能力，可获得令人满意的分割效果。
最后，测试了所提算法的分割性能。
3.3 ;定量分析DPSOK相对于PSOK更好，究其原因在于有动态学习因子的DPSO明显优于PSO。
为了证明该观点，本文采用3种标准测试函数共同评估DPSO和PSO各自性能。
测试结果见表1。
在表1中，Sphere是一个单峰函数。
它在[（x1，x2，…，xn）=（0，0，…，0）]处只有一个最小值点。
Griewank在[xi=±kπi（i=1，2，…，n;k=1，2，…，n）]处有很多局部最小值点。
Schaffer的全局最小值在（0，0）处。
因Schaffer在点（0，0）附近不稳定，故Schaffer 难以实现全局优化。
使用这3个标准测试函数对DPSO和PSO分别进行多次测试。
使用这3种标准测试函数测试的迭代结果见图4。
其中图4a）～图4c）分别为Sphere，Griewank，Schaffer函数测试PSO和DPSO的迭代结果。
从图4a）可以看出，在100次迭代过程中，两种算法都能很快地接近最优解，并且两种算法之间的差异很小。
主要原因在于Sphere是一个简单的单峰函数，很容易寻找到极值。
从图4b）可知， DPSO与PSO虽均未收敛于全局最优解，但很明显DPSO相对于PSO更接近全局最优解，而PSO收敛于局部最优解。
从图4c）可知，两种算法均可接近最优解，但当收敛到全局最优时，明显DPSO比PSO更快。
可见，DPSOK在图像分割中实现了所期望的效果。
与K⁃means算法相比，DPSOK的分割图像质量得到了显著提高，仅效率有些降低，是因为利用PSO算法在图像分割初期的全局优化能力来提升DPSOK的全局搜索能力。
与PSOK相比，DPSOK的效率和分割质量均得到了提升，原因是DPSOK使用动态惯性系数和动态学习因子，提高了其优化能力。
本文提出基于动态粒子群优化与K⁃means聚类的混合算法，该算法通过使用动态惯性系数和动态学习因子来提升其优化能力，可获得优异的图像分割效果。
实验结果表明，DPSOK 算法不仅保留了K⁃means快速收敛的优点，而且还克服了其易于收敛到局部最优解的缺点。
与PSOK算法相比，DPSOK在图像分割效率和质量方面具有更大的优势。
[1] 吉长东，李相泽，敖国政.基于全局K⁃means算法的超像素分割方法[J].沈阳大学学报（自然科学版），2017，29（3）：212⁃216.JI Changdong， LI Xiangze， AO Guozheng. Superpixel segmentation method based on globalK⁃means [J]. Journal of Shenyang University （Natural science）， 2017， 29（3）： 212⁃216.[2] 伍育红.聚类算法综述[J].计算机科学，2015，42（z1）：491⁃499.WU Yuhong. General overview on clustering algorithms [J]. Computer science， 2015， 42（S1）： 491⁃499.[3] MEDEIROS R S， SCHARCANSKI J， WONG A. Image segmentation via multi⁃scale stochastic regional texture appearance models [J]. Computer vision and image understanding，2016， 142（C）： 23⁃36.[4] FENG Yuncong， ZHAO Haiying， LI Xiongfei.， et al A multi⁃scale 3D Otsu thresholding algorithm for medical image segmentation [J]. Digital signal processing， 2016， 60：186⁃199.[5] CHEN Na， XU Zeshui， XIA Meimei. Hierarchical hesitant fuzzy K⁃means clustering algorithm [J]. Applied mathematics： a journal of Chinese universities， 2014， 29 （1）： 1⁃17.[6] 穆瑞輝，苗国义.基于粒子群优化的模糊K⁃means目标分类算法[J].计算机测量与控制，2013，21（5）：1266⁃1268.MU Ruihui， MIAO Guoyi. Algorithm for goal classification based on particle swarm optimization and fuzzy K⁃means [J]. Computer measurement & control， 2013， 21（5）：1266⁃1268.[7] SIDDIQUI F U， ISA N A M. Enhanced moving K⁃means （EMKM） algorithm for image segmentation [J]. IEEE transactions on consumer electronics， 2015， 57（2）： 833⁃841.[8] 黄山，李众，李飞，等.基于改进粒子群和自适应滤波的快速模糊聚类图像分割[J].计算机测量与控制，2016，24（4）：171⁃173.HUANG Shan， LI Zhong， LI Fei， et al. Image segmentation of fast fuzzy clustering based on improved particle swarm optimization and adaptive filtering [J]. Computer measurement & control， 2016， 24（4）： 171⁃173.[9] DENG M H， LI Z C， ZHU S P. The agriculture vision image segmentation algorithm based on improved quantum⁃behaved particle swarm optimization [J]. Applied mechanics & materials， 2015， 713⁃715： 1947⁃1950.[10] GAO H， PUN C M， KWONG S. An efficient image segmentation method based on a hybrid particle swarm algorithm with learning strategy [J]. Information sciences， 2016， 369：500⁃521.[11] 班俊硕，赖惠成，林宪峰，等.改进PSO与K均值聚类肤色分割的人脸检测算法[J].激光杂志，2017，38（2）：82⁃86.BAN Junshuo， LAI Huicheng， LIN Xianfeng， et al. Human face detection algorithm for skin color segmentation using improved PSO and K⁃means clustering [J]. Laser journal， 2017， 38（2）： 82⁃86.[12] GAO S， YANG J Y. Swarm intelligence algorithm and applications [M]. Beijing： China Water & Power Press， 2006.[13] 刘桂红，赵亮，孙劲光，等.一种改进粒子群优化算法的Otsu图像阈值分割方法[J].计算机科学，2016，43（3）：309⁃312.LIU Guihong， ZHAO Liang， SUN Jinguang， et al. Ostu image threshold segmentation method based on improved particle swarm optimization [J]. Computer science， 2016， 43（3）：309⁃312.[14] SHI Hao， LAI Huicheng， QIN Xizhong. Image segmentation algorithm of cotton based on PSO and K⁃means hybrid clustering [J]. Computer engineering & applications， 2013， 49（21）： 226⁃229.[15] AVANIJA J， RAMAR K. A hybrid approach using PSO and K⁃means for semantic clustering of web documents [J]. Journal of web engineering， 2013， 12（3/4）： 249⁃264.。
