模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

湖南省教育厅高等学校科研项目资助遥感图像的半监督的改进FCM算法*

对模糊C均值算法进行了改进,采用更适合遥感图像的Mahalanobis距离代替欧氏距离,并在聚类中加入了先验信息。在聚类过程中,未标签的样本通过与已标签的样本进行相似性比较来提高算法的准确性。实验表明,改进的算法能有效提高算法准确度。     

快速模糊C均值聚类的图像分割方法

模糊C均值(FCM)聚类算法广泛应用于图像的自动分割,但标准的FCM算法存在计算量大,运算速度慢等问题。对FCM算法进行改进,提出了一种快速FCM图像分割算法(FFCM),该算法将图像从像素空间映射到其灰度直方图特征空间,并在此基础上,充分利用像素的邻域特性,对隶属度函数做一定改进,实验结果表明该算法能快速有效地分割图像,并具有较好的抗噪能力。     

低层特征获取高层语义的图像检索

首先采用基于颜色聚类的方法将图像分割成区域,提取每个区域的Gabor小波纹理特征和灰度共生矩阵纹理特征,接着采用信息熵对特征进行选择,使用选择后的特征对图像区域进行聚类,得到每幅图像的语义特征向量;然后提出遗传模糊C均值算法对图像进行聚类。在图像检索时,查询图像和聚类中心比较,在距离最小的类中进行检索。实验表明,提出的方法可以明显提高检索效率,提高了检索的精度。     

一种协同的可能性模糊聚类算法

模糊C-均值聚类（FCM）对噪声数据敏感和可能性C-均值聚类（PCM）对初始中心非常敏感易导致一致性聚类。协同聚类算法利用不同特征子集之间的协同关系并与其他算法相结合,可提高原有的聚类性能。对此,在可能性C-均值聚类算法（PCM）基础上将其与协同聚类算法相结合,提出一种协同的可能性C-均值模糊聚类算法（C-FCM）。该算法在改进的PCM的基础上,提高了对数据集的聚类效果。在对数据集Wine和Iris进行测试的结果表明,该方法优于PCM算法,说明该算法的有效性。     

遥感图像的半监督的改进FCM算法

对模糊C均值算法进行了改进，采用更适合遥感图像的Mahalanobis距离代替欧氏距离，并在聚类中加入了先验信息。在聚类过程中，未标签的样本通过与已标签的样本进行相似性比较来提高算法的准确性。实验表明，改进的算法能有效提高算法准确度。     

基于模糊聚类的图像分割方法

本文分析了模糊聚类在图像分割领域的应用,介绍了模糊集和聚类分析的作用,最后引出了模糊C均值聚类图像分割算法。     

基于捕食者—食饵微粒群优化的二维FCM图像分割方法

传统模糊C均值聚类算法进行图像分割时仅利用了像素的灰度信息,没有考虑像素的空间邻域信息,因此抗噪性能差．为了克服传统模糊C均值聚类算法的局限性,提出了一种基于捕食者—食饵微粒群算法的二维模糊C均值聚类图像分割方法．该方法将图像的聚类分割转化为一个优化问题,根据像素的灰度信息和改进二维直方图描述的像素邻域关系特性,建立包含邻域信息的适应度函数,并利用捕食者—食饵微粒群的全局优化能力,通过迭代优化获得最优聚类中心,实现图像分割．仿真结果表明,所提算法不易陷入局部最优,抗噪能力强,聚类正确性高,分割效果好,是一种有效的图像分割算法．     

基于FCM和图割的交互式图像分割方法

为了提高在前景和背景颜色相似情况下图像的分割效果,提出了一种基于模糊C均值聚类（FCM）和图割的交互式图像分割方法。首先,利用分水岭算法对图像进行预处理,将图像分成多个小区域,用区域代替像素点进行分析。然后,采用模糊C均值算法对用户标记的前景区域和背景区域分别进行聚类分析,挖掘用户交互所提供的隐藏信息。用未标记区域的颜色分量到前景区域及背景区域类心的最小距离表示相似能量,用未标记区域与其相邻区域的相关性表示先验能量。最后,利用最大流/最小割算法求能量函数的全局最优解。与其他方法相比,该文方法具有较好的分割性能,能从前景背景相似的图像中较精确地提取感兴趣的物体,且用户操作简单。     

一个改进的模糊聚类有效性指标

聚类有效性指标既可用来评价聚类结果的有效性,也可以用来确定最佳聚类数。根据模糊聚类的基本特性,提出了一种新的模糊聚类有效性指标。该指标结合了数据集的分布特征和数据隶属度两个重要因素来评价聚类结果,提高了判别的准确性。实验证明,该指标能对模糊聚类结果进行正确的评价,并自动获得最佳聚类数,特别是对类间有交叠的情况能够做出准确判定。     

加权FCM原型空间特征提取的高光谱图像分类

在原型空间特征提取方法的基础上提出一种基于加权原型空间特征提取的方法用于高光谱图像数据分类。通过加权模糊[C]均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与PSFE相比,w-PSFE对数据集大小的稳定性更高,同时在提取少量的特征用于高光谱图像数据分类时分类精度更高。     

不同相似度测量方式的模糊C均值聚类分析

聚类技术是机器学习、模式识别及数据挖掘等领域中的一个重要研究内容。采用不同相似度测量方式,应用标准模糊C均值聚类算法在UCI的三个知名数据集上完成聚类实验,从正确率和运行效率两个方面对比分析其性能,为聚类分析研究提供了有益的参考。     

基于特征块角点检测的电子稳像方法

针对稳像过程中的局部运动干扰, 提出了一种基于特征块角点检测的电子稳像算法。该算法采用SUSAN算子, 对均匀分布的大尺寸特征块进行检测, 并构造特征块及对应检索区域角点集合。通过计算基于角点响应函数的修正Hausdorff距离实现背景局部遮挡下的特征块配准, 进而通过运动矢量一致性检测得到有效运动矢量。实验结果表明, 该方法对实测抖动视频序列的平均峰值信噪比在稳像后提高了19. 83 dB, 对局部运动干扰下的抖动图像序列具有较好的稳像性能。     

红外图像分割的改进模糊C均值聚类方法

分类数和初始聚类中心的选取对红外图像的分割结果有较大的影响。传统的模糊C均值算法的分类数和聚类中心往往设定为经验值。为获得最佳的分类数,提出采用轮廓指标确定出较理想的分类数。针对传统的模糊C均值聚类算法对初始聚类中心比较敏感的问题,提出了基于直方图灰度值的最小最大距离法来确定初始聚类中心。实验结果表明该方法有效可行。     

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。     

混沌粒子群与模糊聚类在图像分割中的应用

模糊C均值聚类算法是目前使用最广泛的模糊聚类算法,但是该算法也有其局限性,比如在迭代过程中对初始值非常敏感,极容易陷入局部极小值,以至于得不到最佳聚类结果。将粒子群优化算法应用到模糊C均值聚类算法中,提出一种基于混沌粒子群的模糊C均值聚类算法。它能够利用粒子群算法强大的全局寻优能力避免算法收敛于局部极值,最大程度上达到全局最佳聚类结果。为了避免粒子在迭代过程中停滞,该算法引入了混沌变量,以当前的全局最优位置来产生一个混沌序列,用混沌序列中拥有最优适应值的粒子随机代替当前粒子群中的一个粒子。将基于混沌粒子群的模糊C均值聚类算法应用于图像分割中,实验结果表明该算法能够有效地分割图像,并具有良好的鲁棒性和适应性。     

基于模糊C-均值的无线传感器网络算法

在低功耗自适应集簇分层型协议算法的基础上,提出一种基于模糊C-均值的无线传感器网络算法。在簇形成阶段采用模糊C-均值方法根据基站预先指定的最优簇头个数Q,将整个传感器网络节点分成Q个簇,每个节点隶属于其中一个簇,在整个网络生命周期内,这个簇将固定不变。在新的一轮开始时,簇内簇头节点的选择基于节点的当前能量值。在数据传输阶段,在簇内通信采用单跳模式,簇间通信采用多跳模式。仿真实验表明,该算法具有可行性和有效性。     

一种具有影响力因子的硬聚类算法

为解决传统聚类方法对不同规模类不能正确聚类的问题,探讨了带影响力因子的硬聚类方法。为每个类均赋予一个影响力因子,使样本的隶属关系不只受距离的影响,而且受类的规模的影响。通过对18个数据集的实验,证明该方法的可行性,并且观察了影响力因子的取值对收敛过程和算法产生结果的影响,提出了今后的工作重点。