152信息：技术与应用信息记录材料2022年12月第23卷第12期0引言K-means作为一种经典的基于划分的聚类算法，它具有操作简单、效率高、局部搜索性能好等优势[1]。但是传统的K-means算法也存在很多的问题：（1）K值需要预先确定，但在实际中K值的选定是非常困难的；（2）K-means算法中相似度是以欧氏距离来度量的，因此远离群点的存在对算法结果影响较大[2]。针对这些问题，文献[3]采用灰度梯度最大熵法从图像中提取特征，再用K-means对图像进行分类，达到了很好的图像分割效果；文献[4]利用遗传算法寻得K值，该算法在降低迭代次数的同时提高了准确率。在分析已有的K-means改进算法的基础上，使用LBP算子提取图像的纹理特征，再使用遗传算法和K-means算法结合的方法对图像进行聚类。将本文算法与FCM和经典K-means算法进行对比实验。实验结果表明，改进后的K-means算法的聚类效果优于经典K-means算法。1LBP特征提取局部二值模式[5]（localbinarypattern,LBP）是一种图像纹理提取算法。本文通过LBP算子实现图像特征提取的步骤如下：（1）细分区域；（2）将每个区域中心点的灰度值作为阈值，并与周围的8个像素进行比较。若周围像素值较大，则被标记为1；否则为0；（3）计算每个区域的直方图，并进行归一化处理。（4）将步骤（3）得到的所有直方图连接成为一个特征向量，即整幅图的LBP纹理特征向量。LBP值计算如式（1）所示。10(,)()2ppccpcLBPxySii−=−∑（1）其中，(x,)ccy表示3*3邻域的中心元素；ci表示中心像素值，pi表示邻域像素值，()pcSii−是符号函数，即：1,()0,pcpcpciiSiiii■|■|■≥−=<（2）2遗传算法遗传算法（geneticalgorithm，GA）是一种模仿大自然进化规律（适者生存，不适者淘汰）的算法。该算法的构成要素包括编码、初始化种群、遗传算子（如交叉、变异）、选择策略和停止策略[6]。首先根据实际问题选择合适的编码方式，并根据问题规模确定种群的规模。然后根据问题设计对应的适应度函数，并设定终止条件。若满足终止条件，则输出结果；否则进行选择、交叉、变异运算。上述流程如图1所示。图1遗传算法流程图基于LBP算子和GA-K-means的图像分割算法王甜甜1，3，史卫亚2，3（1河南工业大学信息科学与工程技术学院河南郑州450001）（2河南工业大学人工智能与大数据学院河南郑州450001）（3河南工业大学粮食信息处理与控制教育部重点实验室河南郑州450001）【摘要】K-means聚类算法具有简单、快速等优点。但是由于聚类中心的选择严重影响...
