一种改进的模糊聚类图像分割算法

为了提高强噪声污染图像分割的鲁棒性,给出一种改进的非局部模糊聚类图像分割算法。改进算法将模糊因子的局部邻域值替换为非局部均值滤波图像的像素值,并加入局部空间信息,产生新的目标函数。借助拉格朗日乘子法,从最小化目标函数得出隶属度和聚类中心的迭代公式,进而完成图像分割。对合成图像、医学图像和自然图像添加高斯噪声、莱斯噪声和椒盐噪声,用于分割测试,结果显示,改进算法对强噪声图像具有更高的正确分割率和较小的模糊性。     

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。     

结合空间信息的模糊C均值聚类的图像分割算法

针对传统的模糊C均值聚类算法未考虑图像的空间信息,对噪声图像分割不理想,提出了一种结合空间信息的模糊C均值聚类的图像分割算法。此算法充分考虑像素的邻域特性,对隶属度函数做一定的修改,并将局部信息和非局部信息引入到数据和聚类中心的相异性测度中。实验结果表明,该算法能有效地分割图像,并具有较好的抗噪能力。     

小波域局部信息约束的鲁棒模糊聚类算法

提出了一种结合颜色特征与纹理特征的彩色图像分割算法.将图像转换到Lab颜色空间计算像素的平方欧式距离.在局部窗口上对图像进行小波分解,对所得高频子带的小波系数建立广义高斯分布(Generalized Gaussian Density,GGD)模型,以GGD模型的参数表示局部窗口的纹理特征.以Kullback-Leibl...     

一种基于改进PFCM的鲁棒图像分割算法

给出一种基于图形模糊聚类(fuzzy clustering method on picture fuzzy sets,PFCM)的改进鲁棒分割算法。该算法将样本聚类所对应的中立度和拒绝度相结合,构造幂积型表达式,将该表达式作为正则项嵌入聚类目标函数,通过目标函数最小化存在极值的必要条件获得改进的图形模糊聚类迭代方法。再将邻域像素灰度信息嵌入改进的图形模糊聚类目标函数,利用拉格朗日乘子法获得图像分割的像素聚类迭代算法。通过标准图像及噪声干扰的分割测试,结果表明,与模糊C-均值聚类、直觉模糊聚类算法和图形模糊聚类分割算法相比,改进算法对无噪图像分割更有效;与鲁棒模糊C-均值聚类和鲁棒直觉模糊聚类算法相比,改进算法对噪声图像分割具有更强的抗噪能力。     

基于遗传模糊C-均值聚类算法的图像分割

将遗传算法（GA）与模糊C－均值聚类算法（FCM算法）相结合，并运用于图像分割，以期解决标准FCM算法在图像分割中运算速度慢和对初始值依赖大的两大缺陷。首先对模糊聚类中心进行编码，然后依据FCM算法的目标函数建立适应度函数，在适当的交叉率和变异率下，最终实现了基于遗传模糊C－均值算法的图像分割。考虑在一维图像分割特征向量情况下，通过引入直方图统计特性，实现了遗传模糊C－均值算法的快速运算，最后，运用真实的磨粒图像对算法进行了详细验证，并与标准FCM算法进行了对比，分割实验表明了本方法比标准FCM算法具有更快的计算速度和更好的鲁棒性。     

基于聚类的一种改进模糊辨识算法

针对一类以往的聚类算法不能很好的优化输入空间的问题，从模型简化的思想出发，充分考虑了样本输出对系统的作用，将无导师的学习算法与基于梯度的信息寻优算法相结合，并根据数据分布的密度自适应的调整聚类点的分布情况，给出了基于该算法的T－S模糊神经网络实现，并以函数逼近为例说明新算法在自适应能力，建模精度及计算量等方面均优于原算法，从而达到优化系统结构的目的。     

自适应的模糊C均值聚类算法

针对模糊C均值聚类算法对聚类数预先不可知的缺陷,提出了自适应的模糊C均值聚类算法,该算法利用已有的有效性函数自动确定聚类数目,继而进行模糊聚类,实验表明,该方法无须人工的干预,并且具有良好的有效性和可行性．     

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.     

显著信息引导的直觉空间模糊聚类图像分割

为克服直觉模糊C-均值(IFCM)聚类算法应用于图像分割时,易受噪声影响,且对聚类中心初始值敏感的缺陷,给出显著信息引导的直觉空间模糊聚类图像分割方法。使用图像的显著信息初始化聚类中心,能够很大程度地防止算法陷入局部最优;将改进的融合局部空间信息的模糊因子引入到IFCM聚类算法中,可提升算法的抗噪性能。实验结果表明所给方法能在多种含噪声图像上得到较好的分割效果。     

基于中智模糊聚类的彩色图像鲁棒分割算法

为了提高噪声干扰彩色图像分割的鲁棒性,给出一种基于中智模糊聚类的彩色图像改进分割算法。将像素空间邻域信息嵌入现有的中智模糊C-均值聚类目标函数,利用马氏距离代替欧氏距离,度量中智模糊聚类中样本与聚类中心之间的差异程度,获得适合彩色图像分割的模糊聚类目标函数,并采用拉格朗日乘子法获取隶属度和聚类中心的迭代求解表达式。对彩色图像添加高斯噪声和椒盐噪声,图像分割测试结果表明,所给算法相比模糊C-均值聚类算法和基于马氏距离的中智模糊聚类算法有更强的鲁棒性。     

一种基于最大模糊熵的高斯聚类算法

介绍了一种新的模糊聚类方法,定义了模糊熵,提出了基于最大模糊熵的模糊聚类的方法,得到了一种新的聚类算法——GCM算法。该算法的物理意义清晰,有明确的数学含义,相对于传统的FCM聚类算法,其聚类效果更好。     

一种基于光照补偿和模糊聚类的图像分割方法

针对受到光照不均匀影响的图片在直接进行阈值分割造成的错分割问题,提出在分割前对图像进行光照补偿的预处理,从原图中分离出光照不均匀平面矩阵,从而降低光照不均匀对阈值分割造成的不利影响.在分割过程中采用模糊聚类算法,提高了图像分割的有效性.     

基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中,针对模糊C均值（FCM）聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,提出了一种基于蚁群算法的模糊C均值聚类图像分割算法.该算法首先利用蚁群算法全局性和鲁棒性的优点,得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,弥补了传统FCM聚类算法的不足,得到了较好的分割效果.实例分析证明了算法的有效性和实用性.     

一种鲁棒Kalman滤波算法

针对带模型误差系统,利用偏差分离估计提出一种鲁棒Kalman滤波算法,并给出了该算法的渐近稳定条件．仿真结果表明该算法有效．     

混合模糊谱系聚类算法

针对模糊C-均值聚类算法对聚类数预先不可知和谱系聚类所具有的缺陷,提出了混合模糊谱系聚类算法,该算法结合模糊聚类和谱系聚类,自动确定聚类数目,并可以有效的对数据进行聚类．实验表明,该算法具有良好的有效性和可行性．     

一种基于模糊聚类的车牌图像分割方法

车牌图像分割是车牌特征提取和识别的前提,其分割效果直接影响到车牌识别的准确率。针对运动中的车辆牌照受天气等环境的影响,导致车牌图像存在不确定性和模糊性的特点,提出一种基于C均值模糊聚类的车牌图像分割方法,避免图像分割时的阈值设定问题。利用采集的原始车牌图像,在MATLAB7.0环境下进行分割仿真实验,实验结果表明,算法可以有效地去除干扰信息,突出车牌区域的图像特征,为后续的车牌定位、字符分割和字符识别提供重要保证。     

一种集成模糊聚类神经网络

在分析了模糊ＡＲＴ网和ＢＰ网的基础上，提出了把模糊ＡＲＴ网的结构自适应能力和ＢＰ网良好记忆能力结合起来的思想，构成一种集成模糊聚类神经网络，该网络的特点是：类别数不需预先确定，分类效果优于模糊ＡＲＴ网和ＢＰ网。     

一种分散鲁棒自适应控制器的设计方法

基于李雅普诺夫函数法,提出了一种适用于不确定性线性大系统的分散鲁棒稳定控制方法,系统的不确定性因素包括系统参数摄动,关联变化以及外界干扰,由于实际大系统的不确定因素复杂且系统关联变化很难描述,因而在控制律中又引入了对设计参数的自适应算法,大大简化控制器的设计和实现,所提出的控制律可以保证系统在确定性干扰和关联变化的情况下全局稳定,同时自适应算法使参数收敛,仿真结果表明了该控制方法的有效性。