(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221027347 7.1 (22)申请日 2022.03.18 (71)申请人 桂林理工大 学 地址 541004 广西壮 族自治区桂林市七 星 区建干路12号 (72)发明人 凌子琪　金红　 (51)Int.Cl. G06V 10/762(2022.01) G06K 9/62(2022.01) G06N 3/00(2006.01) (54)发明名称 一种基于蝙蝠算法的图像聚类分割方法 (57)摘要 本发明涉及一种基于蝙蝠算法的图像聚类 分割方法， 主要用于使用K ‑means聚类方法分割 图像的时候， 优化聚类中心的选择， 提高蝙蝠算 法的全局与局部搜索能力， 从而提高图像分割的 精度。 权利要求书1页 说明书3页 附图2页 CN 114782726 A 2022.07.22 CN 114782726 A 1.一种基于蝙蝠算法的K ‑means图像分割方法， 其特 征主要在于： (1)使用蝙蝠算法寻找聚类中心取代人为选择； (2)蝙蝠算法搜索速度服从一个递减凸函数， 优化了寻找最佳适应度的能力。权　利　要　求　书 1/1 页 2 CN 114782726 A 2一种基于蝙蝠算法的图像聚类分割方 法 技术领域 [0001]本发明涉及一种基于蝙蝠算法的图像聚类分割方法， 主要用于使用K ‑means聚类 方法分割图像的时候， 优化聚类中心的选择， 提高蝙蝠算法的全局与局部搜索能力， 从而提 高图像分割的精度。 背景技术 [0002]图像分割是 图像处理的一个重要预处理手段， 是后续图像分析与理解的基础。 聚 类方法也是在图片分割领域常见的方法之一， 其原理是将图像空间内具有相似性的像素划 分到同一类中， 而使不同类间的像素具有较低的相似度。 常见的图像聚类方式主要有K ‑ Means算法、 Mean  Shift算法和超像素方法等。 K ‑means聚类由于计算效率简洁,且不需要另 外设定标签等优势,在图像 分割中也有着 很广阔的应用,由于K ‑means算法是一个无监督的 机器学习方式,可以从数据中的一些特性发现相互关系,在图像分割的实际应用中,K ‑ means算法可以把图像中的象素点对应为特征矢量,再通过比较它们特征 空间的相似性,对 特征空间进行细分,进而映射到原图像空间,从而得出分离结论。 但是因为K ‑means计算在 开始前往往要 人为选取好K值,而初始聚类分析法中心是随意界定的,所以计算很容易过于 依靠类簇的选取， 导致最终结果不理想， 针对该问题， 提出一种改进的蝙蝠算法与K ‑means 算法融合， 通过蝙蝠算法搜索最优位置作为初始聚类中心， 进一步提高聚类效果， 优化分割 效率。 发明内容 [0003]本发明针对于K ‑means系统聚类算法在图像分离处理过程中易 受原始聚类分析法 中心影响， 并由此导致分离结果不稳定的问题， 提供了一个基于蝙蝠计算的K ‑means图像聚 类分割方案， 该方法可以利用智能优化计算的方式迭代 寻优， 得到K ‑means算法的原始聚类 中心， 进而利用K‑means聚类算法中心对图像进行分割。 [0004](1)改进的蝙蝠算法： 根据蝙蝠在搜索最优解的过程中行为模式的不同， 提出一种 动态改变蝙蝠飞行速度变化率的方式， 设计了一种非线性速度权重因子w， 使其速度更新 公 式变为下式： [0005] [0006]权重因子w服从下式： [0007] [0008]提出的改进蝙蝠算法模型中， 权重因子w服从一个递减的凸函数， 因此蝙蝠在搜索 过程中速度将由大到小动态地变化， 一开始在 全局探索， 具有较大的初始速度， 当转入局部 开采阶段时， 速度变化 率减小， 速度更新变慢， 有利于局部寻优； [0009](2)BA K‑means算法： 根据传统K ‑means算法存在过于依赖初始簇类中心的影响， 导致聚类效果不稳定的缺陷， 提出使用蝙蝠优化算法生成聚类中心的方法。 蝙蝠算法根据说　明　书 1/3 页 3 CN 114782726 A 3