应用聚类有效性函数指导数据分类算法的研究

研究了应用聚类有效性函数指导数据分类的算法,指出文[6]中算法的不足并对其进行了修改。实验结果表明,修改后的算法是可行的。     

模糊C-均值算法在直觉模糊数聚类中的应用

提出了直觉模糊数的非监督模糊C-均值聚类算法。该算法首先定义了直觉模糊数之间的距离,其次构造了直觉模糊数聚类问题的目标函数,最后得到了直觉模糊数聚类的模糊C-均值聚类算法,聚类中心初始化方法,以及相关的聚类有效性函数。实验结果表明,该算法是有效的。     

核空间广义均衡模糊C-均值聚类算法

目的 针对现有广义均衡模糊C-均值聚类不收敛问题,提出一种改进广义均衡模糊聚类新算法,并将其推广至再生希尔伯特核空间以便提高该类算法的普适性。方法 在现有广义均衡模糊C-均值聚类目标函数的基础上,利用Schweizer T范数极限表达式的性质构造了新的广义均衡模糊C-均值聚类最优化目标函数,然后采用拉格朗日乘子法获取其迭代求解所对应的隶属度和聚类中心表达式,同时对其聚类中心迭代表达式进行修改并得到一类聚类性能显著改善的修正聚类算法;最后利用非线性函数将数据样本映射至高维特征空间获得核空间广义均衡模糊聚类算法。结果 对Iris标准文本数据聚类和灰度图像分割测试表明,提出的改进广义均衡模模糊聚类新算法及其修正算法具有良好的分类性能,核空间广义均衡模糊聚类算法对比现有融入类间距离的改进模糊C-均值聚类(FCS)算法和改进再生核空间的模糊局部C-均值聚类(KFLICM)算法能将图像分割的误分率降低10%30%。结论 本文算法克服了现有广义均衡模糊C-均值聚类算法的缺陷,同时改善了聚类性能,适合复杂数据聚类分析的需要。     

基于关联熵系数的图像分割新算法

图像分割是图像分析的基础,阈值法因简单、快速和稳定而成为图像分割的一种重要方法,在图像处理与识别中广泛应用。针对图像分布具有多样性,本文提出基于随机变量之间关联熵联系的图像分割新算法,该算法通过最大化目标和背景两个概率分布之间的关联熵系数并获得图像分割的最佳阈值。实验结果表明,本文提出的关联熵系数阈值分割方法是可行的。     

基于QDCT和贝叶斯谱熵的盲彩色图像质量评价

图像质量评价算法在评价彩色图像质量时,往往会因损失色彩信息或者破坏彩色图像结构的整体性,而使得评价结果与人眼观测结果不一致.由于图像越模糊其频谱的高频分量分布越不均匀,基于四元数离散余弦变换(QDCT)和贝叶斯谱熵,提出了一种无参考模糊彩色图像质量评价算法.首先,利用四元数矩阵对彩色图像进行表示并分解成不重叠的8×8 ...     

归一化型划分熵

讨论了基于样本最大分类信息的改进划分熵的若干性质 ,并对Bezdek提出的划分熵、基于样本最大分类信息的改进划分熵、划分熵的归一化形式的分类性能进行了比较实验。结果表明归一化形式的分类性能是最好的。     

基于Itakura-Saito散度的图像分割法

针对Otsu阈值法仅适合图像目标和背景分布呈正态分布且两者像素量和方差要求基本相当的不足,提出了基于Itakura-SaitoS散度的图像阈值化分割新算法。实验结果表明,对有些图像采用Itakura-Saito散度的阈值法比传统Otsu阈值法能够获得较好的分割效果。     

新的鲁棒模糊C-均值聚类分割算法及其应用

针对Krinidis和公茂果等提出的系列鲁棒模糊局部C-均值聚类算法存在聚类中心迭代公式缺乏严格数学理论基础的不足,于是将其聚类目标函数及其约束条件采用拉格朗日乘子法进行严格数学推导,从而获得最优解逼近的隶属度和聚类中心迭代表达式,并通过多次循环迭代实现图像聚类分割。实验结果表明,本文所建议的鲁棒模糊局部C-均值聚类分割算法是有效的,相比现有鲁棒模糊局部C-均值聚类分割算法更适合复杂遥感等图像的分割需要。     

乘积型Otsu阈值法的快速迭代算法

针对乘积型Otsu分割准则进行阈值选取需要花费大量时间的不足,提出了乘积型Otsu阈值化分割准则的快速迭代算法。实验结果表明,本文的快速算法是有效的。