针对现有的金属氧化物避雷器(Metal Oxide Arrester, MOA)红外图像故障检测方法存在识别精度低、检测速度较慢的问题, 提出一种基于改进 YOLOv3的 MOA红外图像故障检测方法。首先, 以 Darknet19网络代替 YOLOv3原始的 Darknet53网络, 并在特征学习时针对样本中不同 MOA长宽比例, 通过 K-means聚类算法对 MOA图像中的目标帧进行分析, 重新聚类样本中心锚点框, 得到合适的锚框数目和大小。最后, 利用改进 YOLOv3模型完成 MOA红外图像故障检测。实验结果表明, 改进的 YOLOv3模型识别精度达到 96.3%, 识别速度为 6.75 ms。

为修复破损纺织品文物图像，在Criminisi算法基础上，提出一种改进的基于K-means颜色分割的纺织品文物图像修复算法。根据纺织品文物图像的特点，将RGB图像转化为Lab颜色模型，采用K-means分类器对a*b*层数据基于颜色进行分割处理，对纹样图案边缘进行标定并缩小匹配块搜索区域；引入L值的标准差来表示颜色离散度，对优先权函数以及自适应匹配块进行改进。用所提算法与文献报道的3种算法对自然破损纺织品文物图像和人为破损纺织品图像进行修复，并对修复结果进行评价。实验结果表明，所提算法修复的图像纹理自然、结构合理，峰值信噪比、结构相似性、特征相似性、均方误差值更好。

传统基于聚类的波段选择方法多属于硬聚类，在对波段进行划分时不够精确。针对该问题，提出一种基于模糊C-均值聚类（FCM）的无监督波段选择方法，通过引入萤火虫算法（FA）得到FCM-FA，利用FA的全局搜索特性，修正FCM在特定情况下获得局部最优解的问题。在两个公开高光谱数据集上进行分类实验，结果表明：在136组实验中，所提FCM-FA所选波段在55.9%的情况下能够达到使用全波段的分类精度；在77.9%情况下能够达到最优分类精度；FA的引入有效地提升了FCM的效果，总体精度最大提高了3.12个百分点，Kappa最大提高了4.26个百分点。经验证，FCM-FA能够在大幅减少数据量的同时保留原数据的主要信息，可进一步进行推广和研究。

在某燃料元件产品中燃料颗粒随机弥散分布在非金属材料中，表征燃料颗粒的分布状况进而评估产品工艺质量具有重要意义。针对该问题，对三维空间内相邻燃料颗粒的间距测量进行了研究，使用X射线微焦计算机层析成像（CT）对该类产品进行了三维扫描成像，从而得到了三维CT图像。在三维CT图像的基础上，提出了一种结合改进型空间直觉模糊C均值聚类和三维区域生长的自动算法，用于分割图像中的燃料颗粒以得到每个燃料颗粒的空间结构。然后，通过计算质心获得燃料颗粒的中心坐标，进而自动计算出相邻燃料颗粒的空间距离。通过仿真实验验证了所提算法的可行性，通过标准球实验验证了测量误差，并通过实际燃料元件测试了相邻燃料颗粒间距的自动测量，表明了所提方法对燃料颗粒间距测量的有效性。

图像分割在日常生活中扮演着重要角色, 传统的K-means图像分割具有随机性且容易陷入局部最优等缺陷, 使得分割质量大大降低。为改善这些现象, 提出一种基于Halton序列改进蝠鲼觅食优化(HMRFO)算法的K-means图像分割, HMRFO采用Halton序列初始化种群, 使得个体位置充分均匀, 再引入折射反向学习提升算法的全局搜索能力, 最后引入新型的高斯变异策略, 减小算法陷入局部最优的概率。在6个基准测试函数中对比了5种算法, 验证了HMRFO的有效性及可行性。同时, 将其应用于K-means图像分割中, 与其他4种算法进行对比, 结果显示HMRFO优化K-means具有较好的分割质量及泛化能力。

食品的品种不同则其含有营养成分和功效存在差异, 得到的傅里叶变换红外光谱也存在差异。 为了准确的实现品种分类, 设计了一种将傅里叶变换红外光谱与模糊聚类分析方法相结合的品种鉴别方法。 在模糊Kohonen聚类网络(FKCN)基础上将模糊K调和聚类(FKHM)引入到Kohonen聚类网络的学习速率和更新策略中, 提出了模糊K-Harmonic-Kohonen网络(FKHKCN)算法。 FKHKCN利用模糊C均值(FCM)聚类的模糊隶属度计算其学习速率, 以FKHM的聚类中心为基础通过推导计算得到FKHKCN的聚类中心, 可以解决模糊Kohonen聚类网络方法对于初始类中心敏感而导致聚类结果不稳定的问题。 FKHKCN作为一种模糊聚类算法, 可实现傅里叶变换红外光谱数据的聚类分析。 采用三种数据集: (1)采集产自四川的三种茶叶(优质和劣质的乐山竹叶青以及峨眉山毛峰)作为实验样本, 样本总数为96。 (2)两个品种(robusta和arabica)的咖啡样本。 (3)三个品种(鸡肉、 猪肉和火鸡)的肉类样本。 首先对三个光谱数据集进行预处理, 利用多元散射校正降低茶叶样本原始光谱数据集的散射影响, 使用Savitzky-Golay减少噪声对肉类和咖啡这两个光谱数据集的影响。 再利用主成分分析将高维的三种光谱数据集压缩至低维。 然后采用线性判别分析进行特征提取, 将光谱数据投影到求得的鉴别向量上。 最后分别采用FCM, FKCN和FKHKCN对茶叶、 肉类和咖啡进行判别。 最终结果如下: FCM, FKCN和FKHKCN对茶叶品种的聚类准确率分别为90.91%, 90.91%和93.94%; 对肉类品种的聚类准确率分别为90.83%, 0.00%和92.50%; 对咖啡品种的聚类准确率分别为89.17%, 89.17%和90.83%。 以上实验结果表明: 采用傅里叶红外光谱技术结合主成分分析、 线性判别分析和FKHKCN的方法能够较有效地对食品的品种进行鉴别, 且鉴别准确率比FCM和FKCN更高, 聚类结果更稳定。

玻璃在中国史料中早有记载, 但是由于长期存在名称和质地的混淆, 且近现代有关中国古代玻璃的研究起步较晚, 关于古代硅酸盐玻璃的风化和成分研究比较缺乏。以往研究古代玻璃器的著作, 多是从王朝更替的角度, 对文化交流、化学分析等方面研究玻璃的文化艺术形态及其自身的运行发展的规律, 较少有学者系统建立数学模型并使用智能算法定性定量开展风化硅酸盐玻璃原成分预测及亚分类方法研究。本工作以多组风化和未风化硅酸盐玻璃为研究对象, 提取其化学成分含量、纹饰和颜色等数据, 利用Spearman系数分析了纹饰、颜色和玻璃大类之间的相关性并研究影响表面风化的因素; 利用决策树进行大致分类, 然后用神经网络预测玻璃风化前主要化学成分的含量, 并总结硅酸盐玻璃的分类依据。此后通过K-means聚类建立分类模型: 确定最佳类别数, 进行亚类划分, 寻找铅钡玻璃和高钾玻璃的最优分类数量。研究结果表明, 只有玻璃类型对表面风化具有显著影响; 风化过程中参与度较高的化学成分为二氧化硅、氧化铝、氧化铅、氧化钡、氧化铅和五氧化二磷; 风化后, 铅钡玻璃二氧化硅含量明显下降, 氧化铅含量明显上升, 而高钾玻璃二氧化硅含量明显上升, 氧化钾氧化钙和氧化铝含量明显下降; 高钾玻璃分为3个亚类, 铅钡玻璃分为4个亚类。为后续利用机器学习研究古代硅酸盐玻璃的风化和成分提供了参考。

针对传统人脸检测中存在色偏所造成检测精度偏低, 深度学习方法中通过训练大量数据来实现人脸检测而造成硬件要求高等问题。提出了训练简单的卷积神经网络来实现人脸和非人脸的判断, 并利用白平衡算法来解决色偏的问题。将YCgCr颜色空间与K均值聚类的方法结合起来实现肤色检测, 最后在肤色检测的基础上实现人脸检测。其精度相较于传统的人脸检测方法提升3%左右, 速度比基于深度学习的人脸检测快2倍左右。

为改善高光谱压缩感知的重构质量，提出基于双频带预测的高光谱重构算法。引入K 均值聚类算法自适应地完成频带分组，并确定各组组内的双参考频带；再建立双频带预测模型获得预测图像；最后，在预测图像的基础上采用修正重构和加权融合方式，实现图像的高精确度重构。结果表明：在相同采样率下，该方法的重构图像的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于已有的重构方法。

背景去除是从单幅条纹投影图中恢复相位的重要问题之一，提出了一种改进的模糊c均值（FCM）聚类算法来移除单幅条纹投影图中的背景。该方法使用改进的FCM算法将条纹分为黑、白条纹，并通过改进的FCM目标函数得到背景，从而从条纹投影图中去除背景。将该方法应用在两张模拟图和一张实验图上，并与傅里叶变换方法、基于形态学操作的二维经验模态分解方法、变分分解TV-Hilbert-L²模型进行了比较。实验结果表明，该方法提高了背景去除的能力和相位提取的精度。