基于直觉模糊C-均值聚类算法的图像分割

基于直觉模糊集理论对模糊C-均值(Fuzzy C-Means,FCM)聚类算法进行改进。采用模糊补算子生成非隶属度,得出相对应的直觉模糊集犹豫度,用于更新模糊C-均值聚类算法中的模糊隶属度值。针对常用测试图像的仿真实验结果显示,在分割的视觉效果几乎一致的情况下,改进算法在迭代效率上相对于原FCM聚类算法有一定提高。     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。     

基于微粒群优化算法的文本模糊聚类方法

针对模糊C-均值算法(FCM)具有局部最优问题和初值敏感性的缺陷,将微粒群优化算法应用于文本模糊聚类, 提出了基于微粒群优化算法的模糊C-均值算法PFCM．该算法首先采用实数编码方式对聚类原型进行编码,利用微粒群优化算法的全局搜索性能对初始聚类原型的选取进行指导,然后利用模糊C-均值算法进行聚类．使用算法PFCM对文本集合进行聚类实验,并用目标函数值和划分系数来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的全局收敛性和较好的聚类结果．     

模糊C-均值聚类算法改进研究

通过对模糊C-均值聚类算法的研究,用遗传算法的相关知识对其进行优化与改进.并使用著名的IRIS数据集分别对传统的模糊C-均值聚类算法和用遗传算法改进后的模糊C-均值聚类算法进行测试、比较.实验结果表明,用遗传算法改进后的模糊C-均值聚类算法比传统的模糊C-均值聚类算法更加准确、高效.这将为以后的聚类分析研究工作提供一定的帮助.     

基于未确知聚类的动态联盟伙伴选择研究

就盟主企业建立动态联盟的过程、盟友的评价指标体系、优化决策的算法进行分析研究,建立盟主选择的数学模型,提出未确知C-均值聚类(UCM)。将此聚类算法应用于实践中,证明其可行性和有效性,最后在理论上与C-均值聚类、模糊C-均值聚类(FCM)作出比较,证明此方法的科学性。     

基于粒子群和免疫克隆的模糊C-均值聚类

目的基于梯度下降的模糊聚类算法（FCM）选择最优解做改进,降低原FCM对初始值的敏感度,改进模糊C-均值算法,加快收敛速度,改善聚类的效果.方法该算法通过克隆选择改变粒子群优化算法（PSO）中群体的多样性,用PSO代替了FCM算法的基于梯度下降的迭代过程.结果算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度.通过机器学习中的W ine和Iris数据对所提出的算法进行验证,取W ine样本数据为178个,条件属性为13,聚类类别数为3;Iris数据150个,条件属性个数为4,对这两类数据分别进行聚类分析,将试验结果与单纯的FCM和基于PSO的FCM比较,聚类的正确性有所提高.结论基于粒子群和免疫克隆的模糊C-均值聚类算法具有很强的全局搜索能力,提高了聚类的效果和效率.     

新的改进型可能C-均值聚类

改进型可能C-均值聚类(IPCM)是在模糊C-均值聚类(FCM)和可能C-均值聚类(PCM)的基础上提出来的。通过引入一种新的非欧式距离以替代IPCM目标函数中的欧式距离,提出了一种称为新的改进型可能C-均值聚类(NIPCM)算法。在基于鲁棒统计观点和影响函数基础上,新的非欧式距离比欧式距离鲁棒性更强。从而NIPCM比IPCM和FCM更有鲁棒性。另外,NIPCM在处理噪声或野值数据方面比IPCM和FCM更有效。实验结果表明,NIPCM具有比IPCM和FCM更好的性能。     

改进的初始中心与隶属度函数的模糊C-均值算法

针对模糊C-均值(FCM)算法对初始中心敏感的缺点,通过选取离均值最远的点作为初始聚类中心的方法,提出了一种基于均值距离的初始中心选取算法,同时由于远离各类聚类中心的野值样本会影响迭代结果,通过改变隶属度函数来克服这种缺陷.然后选取有代表性的样本作为实验数据集进行实验,通过实验得出,与传统的FCM算法比较,改进的FCM...     

基于改进模糊均值聚类算法的遥感图像分割技术

针对遥感图像分割迅速性和准确性不高的问题，提出了一种基于改进模糊均值聚类算法的遥感图像分割技术并将其应用于电力规划建设领域。以模糊均值聚类算法为基础，采用样本特征值平方差方式定义了新的特征距离，并通过引入空间函数方式实现了对图像空间信息的利用，从而对模糊均值聚类算法进行改进。结果表明：改进FCM算法单张图像处理时间约为FCM-S图像处理算法的0.43倍，约为FCM图像处理算法的0.19倍；改进FCM算法图像分割准确率约为95.3%,比FCM-S算法高约2.7%,比传统FCM算法高约7.1%。     

基于蚁群及空间邻域信息的FCM图像分割方法

针对模糊C均值(FCM)聚类算法聚类个数难以确定、搜索过程易陷入局部最优的缺陷,把蚁群算法与改进的FCM聚类算法相结合,提出了一种基于蚁群算法的带有空间邻域信息的模糊C均值聚类图像分割算法.首先利用分水岭算法对图像进行初始分割,然后利用蚁群算法寻优,求得聚类中心和聚类个数,将其作为模糊C均值聚类的初始聚类中心和聚类个数进行模糊聚类.实验结果表明:由于聚类样本数量显著减少,很大程度上提高了聚类速度和抗噪能力,增强了算法的鲁棒性.     

高效的彩色图像塔形模糊聚类分割方法

这里提出了一种高效的基于模糊c均值(FCM)聚类的彩色图像分割方法,它利用塔形数据结构对彩色图像进行多层分割。通过对一个彩色图像的分割处理,结果表明,文中所用方法的计算时间仅是用FCM聚类算法而不用塔形进行分割下所需计算时间的十三分之一。     

Change detection for SAR images based on fuzzy clustering using multilevel thresholding

A new fuzzy clustering algorithm using multilevel thresholding is proposed to reduce the computational complexity of the fuzzy local information c-means (FLICM) algorithm for solving the clustering problem on the difference image of change detection for SAR images. First, the pixels in the difference image are classified into the “changed” pixels, “unchanged” pixels and unknown status pixels by the multilevel thresholding procedure. Then the unknown status pixels are clustered by the FLICM. If the neighboring pixels in the FLICM are not the unknown status pixels, their degrees of membership are set to 1 or 0. The proposed method improves the precision in the change detection for SAR images with the low computational complexity. Experimental results show that the proposed method has the better performance than fuzzy c-means (FCM) and FLICM algorithms on the change detection for SAR images and that its run time is about 70％ less than that of the FLICM algorithm.     

模糊C-均值聚类图像分割算法的一种改进

针对传统模糊C-均值聚类算法对含噪图像分割时未充分考虑空间信息的问题,提出一种改进的模糊C-均值聚类算法,将图像的局部和非局部两种空间信息引入到模糊C-均值聚类算法的目标函数中,以使两种空间信息在含噪图像分割中发挥互补作用。将改进算法应用于不同含噪图像的分割实验,结果表明图像像素的均方误差均比改进前有所降低。     

结合邻域信息粒子群聚类用于SAR图像变化检测

SAR图像变化检测可以转化为对差异图的聚类问题。由于 SAR 图像本身容易受到斑点噪声干扰,为提高聚类效果提出了一种结合邻域信息的自适应粒子群聚类算法。该方法在模糊 C 均值原目标函数基础上,引入中心像素的邻域信息,并通过自适应粒子群的全局搜索来优化聚类中心。该方法还引入了自学习算子即粒子编码中的中心像素的隶属度,能够向其相邻像素的隶属度学习,并据此修正自身的隶属度值相关。实验结果表明,与模糊C均值和量子免疫克隆聚类算法相比,该方法利用了像素的邻域信息,从而增强了抗噪性能。与模糊局部信息C均值算法相比,该方法对图像细节保持能力较强,运行时间也较少。     

加权空间函数优化FCM的SAR图像分割

传统模糊c-均值聚类算法没有考虑图像像素空间信息特征,在应用于合成孔径雷达图像分割时,由于合成孔径雷达图像中斑点噪声的影响,通常不能得到正确的分割结果．基于此问题提出加权空间隶属度和加权空间函数并应用于c-均值聚类算法,加权空间隶属度是多尺度条件下空间各相邻像素的位置和强度信息的加权隶属度值,加权空间函数中各加权空间隶属度的影响系数由自适应遗传算法优化,最终的隶属度值由加权空间函数修正．由于在这种聚类过程中融入了优化的空间信息,因此弱化了斑点噪声的影响,提高了分割精度．这种算法应用于实际合成孔径雷达图像分割实验,结果表明此算法对初始分类结果不敏感,具有较强的抗噪性能,改善了SAR图像的分割结果．     

基于粒子群的模糊聚类算法研究

利用模糊c均值（FCM）算法是一种最流行的模糊聚类的方法,因为它的效率,计算简单,容易实现.但是针对FCM对初始化敏感和易陷入局部最优解,在本文出了一种基于粒子群算法的模糊聚类.仿真实验结果表明了该方法对有效性和全局性优化.     

一种基于模糊聚类的快速图像分割算法

提出一种基于二维直方图加权的模糊c均值图像快速分割算法.通过将原图像和它的平滑图像相结合,构造一个二元组的“广义图像”,广义图像的直方图就是原图像的二维直方图.然后对此二维直方图进行塔形分解得到金字塔的上一层——顶层,相应地称原二维直方图为底层.最后,利用加权模糊c均值聚类算法分别对顶层和底层进行模糊聚类,从而实现对原图像的分割.实验结果与性能分析表明,该算法具有较高的分割速度和良好的抑制噪声的能力.     

双层聚类模型在日志数据分析中的应用

提出了一种基于自组织特征映射( SOM)神经网络和模糊c-均值( FCM)的双层聚类方法,对Web日志中的日志数据集进行聚类。第一层是无监督SOM神经网络聚类方法,它所产生的类的个数大大减少了原始数据集的个数,降低了FCM对类初始中心点的依赖;然后利用FCM聚类算法的优势对第一层中产生的类的中心点进行聚类,从而大大减少了聚类的时间复杂度;最后通过平行坐标技术可视化展示聚类前后的日志数据集,方便对日志数据进行分析。     

一种改进的模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法中,聚类效果往往受到聚类数目和初始聚类中心的影响这一问题,提出了基于平均信息熵确定聚类数目的方法,并采用密度函数法来获得初始聚类中心.实验结果表明,改进后的算法较好地解决了初值问题,与随机初始化方法相比,迭代次数少,收敛速度快.