改进FCM 的图像聚类方法

对传统FCM算法的隶属度函数进行了改进,改进后的算法有效降低了孤立点对图像数据聚类结果的影响。通过灰度-梯度共生矩阵对图像进行纹理特征提取,利用主分量分析法对提取后的图像高维特征进行降维处理,结合本文改进的FCM图像聚类算法对预处理后的图像数据进行聚类。实验证明,该方法具有较好的聚类效果,且能以较少的迭代次数达到全局最优。     

基于小波分解和模糊聚类的图像分割方法

传统的FCM图像聚类法由于需要大量先验知识和聚类速度的原因,大大限制其在图像分割领域的应用.提出一种基于小波分解和模糊聚类相结合的图像分割算法,首先对图像进行小波变换,对于L空间得到的灰度图像利用小波多尺度分解的性质得到特征图像,利用此特征图像的一维灰度信息采用模糊C均值聚类(FCM)算法,并自动确定FCM算法聚类数和聚类中心从而完成聚类的无监督化,实现对经小波分解后的特征图像的高效快速分割.     

模糊C均值聚类与硬聚类的性能比较及改进

本文以灰度值的图像分割为基础,对模糊C均值聚类算法(Fuzzy C-means,FCM)[1]和硬聚类进行了详尽的讨论,在此基础上对两者进行了比较,包括两者的迭代速度比较和两者的分割效果比较,聚类中心的初始化对迭代速度和分割效果的影响,并以此为基础对FCM聚类算法进行了改进。实验表明,改进的FCM聚类算法在迭代速度和分割效果方面都明显优于原始的FCM聚类算法。     

改进的粒子群优化模糊C均值聚类算法

针对传统模糊C均值聚类算法（FCM）存在对初值敏感和易陷入局部收敛的缺陷,利用改进的粒子群算法对FCM进行优化,提出一种新的模糊C均值聚类算法Improved PSOFCM,并建立基于熵的聚类有效性函数,对聚类算法的性能进行客观评价。数据集实验表明,Improved PSOFCM算法不仅能克服传统FCM算法的不足,而且在聚类正确率和有效性上也优于基于粒子群与基于遗传优化的FCM算法。     

基于改进粒子群和自适应滤波的快速模糊聚类图像分割

为改进传统模糊C均值聚类(FCM)算法对初始聚类中心敏感、易陷入局部收敛、抗噪性差、计算量大的问题,提出一种新的基于改进粒子群算法的快速模糊聚类图像分割方法(PSOFFCM);方法首先利用自适应中值滤波对图像进行滤波处理,增强算法的鲁棒性;然后,将图像像素灰度值映射到二维直方图特征空间,作为聚类样本,优化FCM的目标函数,减少图像分割的计算量;最后,利用PSO算法代替FCM的梯度迭代过程,减弱了算法对初始聚类中心的依赖,同时增强全局搜索能力;实验结果表明,该方法不仅克服了FCM算法对初始聚类中心的依赖,而且抗噪能力强,收敛速度快,分割精度明显优于传统FCM。     

粒子群模糊聚类方法在病理图像分类中的应用

结合模糊C均值(FCM)算法局部搜索的特点,将PSO优化聚类结果作为后续FCM算法的初始值,使算法有很强的全局搜索能力.同时,采用Markov随机场与模糊聚类的耦合策略计算适应度函数,利用新的分类中心调整粒子位置,产生新的聚类中心,并将该方法应用于病理图像的分割.与传统的处理方法进行了比较,结果表明,该聚类更为准确且对病理图像的分割效果比原算法效果更好,但对于如何减少算法的运算量仍需作深入研究.     

基于初始聚类中心选取的改进FCM聚类算法

针对模糊C-均值(Fuzzy C-Means,FCM)算法聚类效果往往受到初始聚类中心影响,收敛结果易陷入局部极小的问题,提出了一种改进的模糊C均值聚类算法.算法给出了一种简洁快速的初始聚类中心的选取规则,并根据聚类中心的分离特性改进了目标函数,从而使获得的聚类结果为全局最优.仿真结果证明新算法与传统FCM方法相比,迭代次数少,准确率高,同时也更加适用于样本数据分类不均衡的聚类问题.     

基于隶属度光滑约束的模糊C均值聚类算法

传统的FCM聚类算法未利用图像的空间信息,在分割叠加了噪声的MR图像时分割效果不理想。本文考虑到脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用图像空间信息的原则,对传统的FCM聚类算法进行了改进,增加了使隶属度趋向于分片光滑的约束项,得到了新的聚类算法。通过对模拟脑部MR图像和临床脑部MR图像的分割实验结果表明,本文提出的新算法比传统的FCM算法等多种图像分割算法有更精确的图像分割能力,并且运算简单、运算速度快、稳健性好。     

基于蚁群和自适应滤波的模糊聚类图像分割

为了改进模糊C均值聚类(FCM)算法对初始聚类中心敏感、抗噪性能较差、运算量大的问题,提出一种新的基于蚁群和自适应滤波的模糊聚类图像分割方法(ACOAFCM).首先,该方法利用改进的蚁群算法确定初始聚类中心,作为FCM初始参数,克服FCM算法对初始聚类中心的敏感;其次,采用自适应中值滤波抑制图像噪声干扰,增强算法的鲁棒性;最后,用直方图特征空间优化FCM目标函数,对图像进行分割,减少运算量.实验结果表明,该方法克服了FCM算法对初始聚类中心的依赖,抗噪能力强,收敛速度快,分割精度高.     

基于类间极大化的PCM聚类技术的图像分割方法

在图像分割的多种方法中,模糊C均值（FCM）聚类是最简单有效的。可能性C-均值算法（PCM）作为FCM的同类算法具有更佳的聚类性能和概率解释性,但无论是FCM还是PCM均受隶属度的约束影响使其对噪声点和野值点较为敏感。针对以上问题,提出了一种新的称之为类间极大化的PCM算法（MPCM）聚类算法。该算法考虑了对类间的惩罚,通过调控参数[λ],拉大类中心之间的距离,实现图像中像素点的最佳分类。给出了人工合成纹理图像、真实图像以及带有椒盐噪声的真实图像的实验,结果表明算法在图像分割效果上优于传统的聚类分析算法。     

一种基于核的快速可能性聚类算法

传统的快速聚类算法大多基于模糊C均值算法（Fuzzy C-means,FCM）,而FCM对初始聚类中心敏感,对噪音数据敏感并且容易收敛到局部极小值,因而聚类准确率不高。可能性C-均值聚类较好地解决了FCM对噪声敏感的问题,但容易产生一致性聚类。将FCM和可能性C-均值聚类结合的聚类算法较好地解决了一致性聚类问题。为进一步提高算法收敛速度和鲁棒性,提出一种基于核的快速可能性聚类算法。该方法引入核聚类的思想,同时使用样本方差对目标函数中参数η进行优化。标准数据集和人造数据集的实验结果表明这种基于核的快速可能性聚类算法提高了算法的聚类准确率,加快了收敛速度。     

关于模糊C-均值（FCM）聚类算法的改进

针对模糊C-均值（FCM）聚类算法的容易收敛于局部极值的不足,提出了一种改进的模糊FCM聚类算法,此新算法在聚类中心选取和优化过程中进行了充分的考虑,是一种用于确定最佳聚类数的聚类算法,并且利用了分阶段思想,结合动态直接聚类算法和标准聚类算法,来尽量避免模糊C-均值（FCM）聚类算法的不足。新算法与传统（FCM）聚类算法方法相比,提高了算法的寻优能力,并且迭代次数更少,在准确度上也有较大的提高,具有很好的实际应用价值。     

基于改进布谷鸟优化的模糊聚类图像分割

模糊C均值聚类算法(FCM)是一种应用非常广泛的聚类算法,但是它受初始聚类中心影响较大,容易陷入局部最优。 在标准布谷鸟算法(CS)的基础上 提出改进布谷鸟优化算法(ICS),将发现概率P由固定值转变成随迭代次数逐渐减小的变量,这样不仅可以提高搜索种群的质量,而且保证了算法的收敛。因此,可以将改进布谷鸟优化算法用于FCM算法聚类中心生成的过程(ICS_FCM),从而有效地避免FCM陷入局部最优。改进的算法具有良好的聚类效果和运行速度。实现基于改进布谷鸟优化的FCM图像分割,并与基于模拟退火的FCM算法(SA_FCM)进行对比。由实验结果可知,该算法(ICS_FCM)不仅取得了较好的分割效果,效率上也有明显的提高。     

软硬结合的快速模糊C-均值聚类算法的研究

讨论的是对模糊C-均值聚类方法的改进,在原有的模糊C-均值算法的基础上,提出一种软硬结合的快速模糊C-均值聚类算法。快速模糊C-均值聚类算法是在模糊C-均值聚类算法之前加入一层硬C-均值聚类算法。硬聚类算法能比模糊聚类算法以高得多的速度完成,将硬聚类中心作为模糊聚类中心的迭代初值,从而提高模糊C-均值聚类算法的收敛速度,这对于大量数据的聚类是很有意义的。用数据仿真验证了这种快速模糊C-均值聚类算法比模糊C-均值算法迭代调整过程短,收敛速度快,聚类效果好。     

基于FCM和遗传算法的图像模糊聚类分析

聚类分析在模式识别和图像处理领域中有着极为重要的意义和广泛的应用前景。常用的聚类分析的方法是模糊C均值算法（FCM）,但是FCM算法容易陷入局部最优解。提出一种基于FCM和遗传算法对图像进行模糊聚类分析的方法。对输入图像进行纹理特征提取,通过主成分分析法对提取的特征向量进行降维处理,降低图像聚类分析算法的复杂度,提高结果的精确度,结合FCM和遗传算法对图像数据进行模糊聚类分析。实验结果表明该方法可以得到较好的分类效果。     

新的混合模糊C-均值聚类算法

基于量子行为的粒子群算法(QPSO)是一种改进的粒子群优化算法.它使用的参数个数少,在解的收敛性和全局搜索能力上优于基本的粒子群算法(PSO).将QPSO算法与模糊C-均值(FCM)算法相结合提出一种新的混合模糊C-均值聚类算法(QPSO-FCM),新算法代替了FCM算法的基于梯度下降的迭代过程,在一定程度上克服了FCM算法易陷入局部极小的缺陷,降低了FCM算法的初值敏感度.实验结果表明,改进后的新算法与FCM算法和PSO与FCM结合算法相比,具有良好的收敛性,聚类效果也有较好的改善.     

快速模糊C均值聚类彩色图像分割方法

模糊C均值(FCM)聚类用于彩色图像分割具有简单直观、易于实现的特点，但存在聚类性能受中心点初始化影响且计算量大等问题，为此，提出了一种快速模糊聚类方法(FFCM)。这种方法利用分层减法聚类把图像数据分成一定数量的色彩相近的子集，一方面，子集中心用于初始化聚类中心点；另一方面，利用子集中心点和分布密度进行模糊聚类，由于聚类样本数量显著减少以及分层减法聚类计算量小，故可以大幅提高模糊C均值算法的计算速度，进而可以利用聚类有效性分析指标快速确定聚类数目。实验表明，这种方法不需事先确定聚类数目并且在优化聚类性能不变的前提下，可以使模糊聚类的速度得到明显提高，实现彩色图像的快速分割。     

一种改进的模糊C均值聚类算法

针对数据集中若存在孤立点或者是噪声数据会影响模糊C均值聚类算法(FCM)的聚类性能问题,本文将离群点的辨认方法与FCM算法相结合,提出一种改进的FCM聚类算法。该算法有效地降低了孤立点或噪声数据对正常数据的影响,提高了FCM算法的聚类精度。将该算法在入侵检测系统中进行实验验证,通过与FCM算法进行对比分析,证明了该算法的有效性和可行性。     

基于改进蝙蝠算法优化的FCM聚类算法

针对传统模糊C-均值（Fuzzy C-Means, FCM）聚类算法隐含假设各个样本和各维属性对聚类结果作用相同,导致算法聚类性能降低,以及对初始中心点敏感且易陷入局部最优的问题,提出一种基于改进蝙蝠算法优化的FCM聚类算法。该算法首先采用混沌映射和速度权重来改进蝙蝠算法,然后利用改进蝙蝠算法确定FCM算法的初始聚类中心,最后根据各个样本和各维属性对聚类结果作用不同,采用样本和属性加权法对FCM算法的目标函数重新设计。实验结果表明,改进算法表现出较好的聚类效果。     

改进的模糊C均值的增量聚类算法

针对FCM算法的缺点,提出了一种基于改进的FCM的增量式聚类方法。该算法首先对模糊C均值算法进行加权,并将权系数归一化,然后将改进的算法与增量式聚类算法结合。改进的方法既提高了FCM算法的性能,避免了FCM算法的缺陷,并能够实现增量式聚类,避免了大量的重复计算,并且不受孤立点的影响。实验表明该算法的有效性。