1、“.....对于个图像是图像在，位置灰度值，∈，−，是所有系列灰度图像数量。定义灰度图像直方图为，因此个加权直方图修改成员为相应聚类中心新目标函数为进步完善模糊隶属度上面提及新算法隶属度值是在之间，这表明每个数据都属于个不同隶属度类。这些隶属度值影响迭代过程收敛速度。因此我们在这里给出个方程，能扩大隶属度最大程度并且进步降低隶属度。设样本属于类别通过最大隶属度，除此之外，隶属度完善表达式为通过以上方程，我们可以发现如果隶属度最大值小，那么它系数就相反地增大，确实是事实。所以方程式中文字出处毕业论文设计外文翻译水下强噪声图像目标分割方法研究学生姓名指导教师专业名称电子信息工程所在学院信息工程学院年月基于优化直方图加权模糊均值的种快速水下光学图像分割算法摘要水下图片的信噪比是低的而且有模图像测绘。综上所述，可以说，图像本身具有很强模糊性......”。

2、“.....水下图像分割是图像分析理解和视觉识别技术前提，也是水下图像处理难题之。在当前分割中，由于阈值法它简洁和稳定，成为图像分割基本技巧之。传统算法通过最小化目标方程取得最佳解。因为基于目标函数群集过程是通过迭代步骤找到极限点和存在目标函数大量极限值，此外，不正确初始化可能会导致该算法收敛到局部极值并且不能取得最佳解。所以在本文中，通过使用灰度图像直方图统计特性，提出了种快速有效水下图像分割方法，通过加权直方图修改模糊资格，不仅能在传统算法计算过程中删减大量数据处理和存储以加快分割效率，而且提高了水下图像分割质量。然后，由正弦函数描述粒子群优化算法被引入到上面提及算法中。它弥补了算法不能取得全域最优解不足，另方面，还极大地提高了计算速度和达到高实时有效性需求。这篇文章目是在确保分割质量前提下，改善实时分割和大大降低计算时数据量，它也是其它改进算法有价值参考......”。

3、“.....迭代优化目标函数已确定最佳聚类。通过这个实现在图像中和待变相关图像宽度和高度，根据加权资格隶属度属于每个聚类中心图像中像素，当目标函数最小时，迭代地优化目标函数来获得模糊划分矩阵和类中心矩阵。目标函数为通过拉格朗日乘数法，建立等式个必要条件可以推导出这种典型图像分割是为了通过迭代搜寻最优聚类中心和隶属度来获得最小目标函数。三直方图加权聚类算法算法描述通过分析算法，可以发现影响计算时间个主要因素是聚类中心更新频率太低。在算法中，每个聚类中心更新必须等到所有输入模式完成遍历。当它用在图像分割中，因为图像采样数据数量非常大每个图像尺寸为，数量为，计算就十分耗时。因此，根据水下图像特性，我们提出了种快速分割算法。在迭代处理中，通过采集图像强度直方图统计特性作为隶属度权重，目标函数最优解可以得到。因此......”。

4、“.....对于个图像是图像在，位置灰度值，∈，−，是所有系列灰度图像数量。定义灰度图像直方图为，因此个加权直方图修改成员为相应聚类中心新目标函数为进步完善模糊隶属度上面提及新算法隶属度值是在之间，这表明每个数据都属于个不同隶属度类。这些隶属度值影响迭代过程收敛速度。因此我们在这里给出个方程，能扩大隶属度最大程度并且进步降低隶属度。设样本属于类别通过最大隶属度，除此之外，隶属度完善表达式为通过以上方程，我们可以发现如果隶属度最大值小，那么它系数就相反地增大，确实是事实。所以方程式程，图像采集是从二维图像到三维图像测绘。综上所述，可以说，图像本身具有很强模糊性。图像分割是计算机可视研究领域经典研究课题之。水下图像分割是图像分析理解和视觉识别技术前提，也是水下图像处理难题之。在当前分割中，由于阈值法它简洁和稳定，成为图像分割基本技巧之。传统算法通过最小化目标方程取得最佳解......”。

5、“.....此外，不正确初始化可能会导致该算法收敛到局部极值并且不能取得最佳解。所以在本文中，通过使用灰度图像直方图统计特性，提出了种快速有效水下图像分割方法，通过加权直方图修改模糊资格，不仅能在传统算法计算过程中删减大量数据处理和存储以加快分割效率，而且提高了水下图像分割质量。然后，由正弦函数描述粒子群优化算法被引入到上面提及算法中。它弥补了算法不能取得全域最优解不足，另方面，还极大地提高了计算速度和达到高实时有效性需求。这篇文章目是在确保分割质量前提下，改善实时分割和大大降低计算时数据量，它也是其它改进算法有价值参考。二水下图像分割传统算法聚类分割算法中心思想是根据加权相似性来衡量像素和聚类中心，迭代优化目标函数已确定最佳聚类。通过这个实现在图像中和待变相关图像宽度和高度，根据加权资格隶属度属于每个聚类中心图像中像素，当目标函数最小时......”。

6、“.....目标函数为通过拉格朗日乘数法，建立等式个必要条件可以推导出这种典型图像分割是为了通过迭代搜寻最优聚类中心和隶属度来获得最小目标函数。三直方图加权聚类算法算法描述通过分析算法，可以发现影响计算时间个主要因素是聚类中心更新频率太低。在算法中，每个聚类中心更新必须等到所有输入模式完成遍历。当它用在图像分割中，因为图像采样数据数量非常大每个图像尺寸为，数量为，计算就十分耗时。因此，根据水下图像特性，我们提出了种快速分割算法。在迭代处理中，通过采集图像强度直方图统计特性作为隶属度权重，目标函数最优解可以得到。因此，它减少了迭代过程大量数据存储而且加速了收敛速度。对于个图像是图像在，位置灰度值，∈，−，是所有系列灰度图像数量。定义灰度图像直方图为，因此个加权直方图修改成员为相应聚类中心新目标函数为进步完善模糊隶属度上面提及新算法隶属度值是在之间......”。

7、“.....这些隶属度值影响迭代过程收敛速度。因此我们在这里给出个方程，能扩大隶属度最大程度并且进步降低隶属度。设样本属于类别通过最大隶属度，除此之外，隶属度完善表达式为通过以上方程，我们可以发现如果隶属度最大值小，那么它系数就相反地增大，确实是事实。所以方程式可以满足扩大隶属度最大值和降低其它隶属度要求。四最快算法模糊均值聚类算法是个局部搜索算法，它对初始值非常敏感。初始值不正确选择很可能导致在局部最小点处收敛。在解决空间上，粒子群优化算法并不局限于个点，而是群点，同时地这些点可以避免落入局部解中。所以是种动态基于人口进化计算科技，表现出很强收敛，容易完成没有多余参数设置。中每个粒子都是解空间解，它通过自己和同伴飞行经历调整自己飞行。每个粒子飞行时经历最好地方是粒子本身最优解，也被叫做个体极值最佳，在本文中由每个类最佳极值替代。由整个群体经历过最佳位置......”。

8、“.....也叫最佳。粒子群优化算法将会更新粒子速度和位置，由接下来等式和等式可见。埃伯哈特和施通过研究发现，在等式中，为大时，该算法将有较强全域搜索能力和当变小时，算法趋于局部搜索。可得知，通过从最大到最小地迭代值，我们可以得到更好搜索结果，这首先集中于全域搜索，然后提高局部搜索能力。因此，为了克服模糊均值过分依赖于初始值并且太容易变为局部最小值缺点，由单方程描述粒子群优化算法被引入到算法用于水下图像分割。等式和等式如下所示五实验结果和讨论为了验证提及两种分割算法准确性和实时有效性，将他们应用到水下图像分割并且将他们和传统分割算法相比较。在装有操作系统电脑上，主频为，内存为。对中具有代表性三个人造物体在泳池中拍摄，三菱形球形四菱形图像尺寸为，分别采用本文提及两种算法和传统算法用来分割。这里，聚类中心为，加权指数为，组数为学习因子为，为同时，让迭代最大数为，最大上升速度系数为......”。

9、“.....可知当进行球体分割时，内部细节和结果轮廓几乎没有差别。用于三菱形和四菱形时，图像上部分有点噪音。但是水下目标分割目是为了获得整体轮廓，所以，上面提及差距可以忽略。鉴于考虑到计算速度和分割质量两个因素，修改方法更具有价值。六总结在这篇文章中，有代表性三个人造物体在池中拍摄，通过对模糊均值算法和充分利用灰度图像直方图统计特性进行分析，提出种快速有效模糊聚类算法。根据水下图像特性，我们给出些参数和修改过隶属度矩阵和聚类中心矩阵，这不仅减少了传统算法计算过程中数据处理和存储，从而也加快了分割效率，并且也改善了水下图像分割质量。然后，由正弦函数描述粒子群优化算法被引入到上述算法中。通过修改位置更新和算法中速度增量，改善全局范围优化搜索，使这种方法可以克服模糊均值聚类算法过度依赖于初始值并且容易变为局部最小值缺点。除此之外，计算速度进步大幅提升，实验结果表明......”。