可能性模糊C-均值聚类新算法

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)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.     

基于模糊C-均值的增量式聚类算法

给出了一种新的基于FCM的聚类算法，能根据由数据的分布的特性自动获取要聚类的数日，在新增数据后,可以进行增量式聚类，结果对孤立点不敏感，并能完成FCM不具备的非球型或椭球型分布的数据集的聚类，实验结果显示算法的有效性和优越性。     

快速自动模糊C-均值聚类彩色图像分割算法

针对传统模糊C-均值（FCM）聚类算法计算复杂度高、无法自动确定聚类数目的问题,提出了一种快速自动FCM聚类彩色图像分割算法。首先通过改进的简单线性迭代聚类（SLIC）超像素算法预分割图像,将传统基于单个像素的聚类转化为基于超像素区域的聚类,降低FCM计算复杂度;其次利用改进的密度峰值算法自动确定聚类数目,提高算法灵活性;最后,对超像素图像进行基于直方图的FCM聚类,完成图像分割。为验证所提算法的有效性,采用BSDS500、AID和MSRC公共数据库作为实验数据集,并与其他4种FCM分割算法进行了比较。实验结果表明,所提分割算法在分割精准度、模糊分割系数、模糊分割熵和视觉效果等方面均优于其他几种比较算法。     

基于自适应正则化的核模糊C-均值聚类图像分割

模糊聚类是将模糊集的概念应用到传统聚类分析中,让数据集的对象在分组中的隶属用隶属函数来确定,隶属度函数更好地描述边缘像素亦此亦彼得特点,对象在各分组中的隶属度为连续区间[0,1]之间的某个值,以不同程度隶属于多个簇,而非确定硬聚类中的0或1的二值逻辑。模糊C-均值聚类算法是模糊聚类中的一种经典算法,如果样本空间是非线性可聚的,该聚类不能效果就不理想。而核模糊C-均值聚类利用特征映射很好解决了这个问题。最后用正则化参数来提高分割的鲁棒性和提高图像的细节。提出了加权图像,并采用高斯径向基函数。     

融合空间模糊C-均值聚类的纱线疵点检测算法

为了精确评价纱线疵点的种类与个数,提出了一种融合空间模糊C均值(FCM)聚类的纱线疵点检测算法.首先利用融合空间FCM聚类算法提取纱线条干;然后对纱线条干进行形态学开运算处理,以获取精确的纱线条干,并利用条干上下边缘点之间的像素个数计算纱线的直径与平均直径;最后根据纱线疵点标准判定纱线疵点的种类与个数.为了验证本算法的...     

基于改进QPSO的模糊C-均值聚类算法

针对模糊C-均值聚类算法容易陷入局部极值等缺陷,提出了基于改进QPSO的模糊C-均值聚类,算法利用QPSO的优点,并对量子门更新策略进行了改进。实验结果显示该算法提高了模糊聚类算法的聚类效果以及搜索能力,在全局寻优能力、跳出局部最优能力、收敛速度等方面具有优势。     

基于模糊C-均值聚类的粮虫图像分割

储粮害虫图像分割是粮虫特征提取和分类识别的基础和关键。本文介绍了基于模糊C-均值聚类算法的储粮害虫数字图像分割,利用该方法对粮虫数字图像进行分割,实验结果表明,图像分割效果较好,通用性强,为粮虫图像的特征提取提供了良好基础。     

一种模糊C均值聚类算法及实现

模糊聚类是一种重要数据分析和建模的无监督方法。本文对模糊聚类进行了概述, 从理论和实验方面研究了模糊 c 均值聚类算法,并对该算法的优点及存在的问题进行了分析。该算法设计简单,应用范围广,但仍存在容易陷入局部极值点等问题,还需要进一步研究。     

两阶段模糊C-均值聚类算法

针对模糊C-均值(Fuzzy C-Means,FCM)算法对初始值敏感、收敛结果易陷入局部极小的问题,本文提出了一种新型的两阶段模糊C-均值聚类算法。算法提出了一种简洁快速的初始聚类中心的选取规则,从而使获得的聚类结果为全局最优。仿真结果证明了该算法的有效性和优越性。     

一种改进的模糊C-均值图像分割算法

图像分割是图像处理中是一个重要问题.在FCM方法的基础上,对其参数m和算法的运行速度进行改进,实验结果表明,该改进在优化算法的速度和分割效果上都有显著的提高.     

CONSIDERING NEIGHBORHOOD INFORMATION IN IMAGE FUZZY CLUSTERING

Fuzzy C-means clustering algorithm is a classical non-supervised classification method. For image classification, fuzzy C-means clustering algorithm makes decisions on a pixel-by-pixel basis and does not take advantage of spatial information, regardless of the pixels' correlation. In this letter, a novel fuzzy C-means clustering algorithm is introduced, which is based on image's neighborhood system. During classification procedure, the novel algorithm regards all pixels' fuzzy membership as a random field. The neighboring pixels' fuzzy membership information is used for the algorithm's iteration procedure. As a result, the algorithm gives a more smooth classification result and cuts down the computation time.     

一种基于Ｃ均值的模糊核聚类图像分割算法

模糊核聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,已广泛应用于图像分割领域,但其算法对初值敏感,很大程度上依赖初始聚类中心的选择,并且容易收敛于局部极小值,用于图像分割时,隶属度的计算只考虑了图像中当前的像素探值,而未考虑邻域像素探间的相互关系,故对分割含有噪声图像不理想。故提出了一种改进的模糊核聚类图像分割算法,先通过数据约简,不损失数据聚类结构的前提下对数据进行挖掘,然后在模糊核聚类算法中引入特性核函数,将约简后的数据映射到高维非线性特征空间进行划分,最后再利用表征邻域像素的参数来修正当前空间像素的隶属度。实验结果表明,提出的算法较好地解决了模糊核聚类算法在局部极值处收敛和在迭代过程中出现停滞等问题,最终得到最佳全局聚类,迭代次数降低明显,并具有高鲁棒性、对噪声不敏感的特点。     

基于模糊C均值的数据流入侵检测算法

针对数据在性态和类属方面存在不确定性的特点,提出一种基于模糊C均值聚类的数据流入侵检测算法,该算法首先利用增量聚类得到网络数据的概要信息和类数,然后利用模糊C均值聚类算法对获取的数据特征进行聚类。实验结果表明该算法可以有效检测数据流入侵。     

基于PSO优化模糊C均值的WSN分簇路由算法

针对无线传感器网络节点能量有限、负载不均衡的问题,提出了一种基于粒子群优化模糊C均值的分簇路由算法POFCA.POFCA分别从成簇阶段和数据传输阶段进行了优化.成簇阶段,首先使用粒子群优化算法优化模糊C均值算法,克服了模糊C均值对初始聚类中心的敏感,并根据节点剩余能量和相对距离动态更新簇首,平衡簇内负载.数据传输阶段,...     

基于模糊C均值聚类与空间信息相结合的图像分割新算法

针对传统的模糊C均值聚类（FCM）图像分割方法未考虑图像的空间信息,对噪声十分敏感的问题,本文提出了一种结合空间信息的模糊C均值聚类分割新算法;该算法将图像的二维直方图引入传统的模糊C均值聚类算法中,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属,以改善传统的PCM算法的分割质量。实验结果表明,该算法显示了较好的分割效果和较强的抗噪性能。     

马尔可夫化的多尺度FCM在影像分割中的应用

为了同时处理影像分割问题中的随机性与模糊性,提出了一种多尺度(MR,multi-resolu-tion,马尔可夫随机场(MRF,markov random field)模型下的模糊C均值(FCM,fuzzy C-means)聚类分割算法(MR-MRF-FCM)。利用FCM算法能够处理影像模糊性的优点、MRF模型描述空间关系的长处以及小波的多尺度分析的优点,先对影像进行多尺度小波分解,并对小波系数建立MRF,进而用MR-MRF中的条件概率矩阵代替FCM算法的隶属度矩阵。实验结果从视觉效果和定量指标两方面表明,本文方法优于经典的MRF、多尺度MRF、FCM和核FCM等方法。     

一种改进的模糊C均值聚类算法研究

在图像分割过程中采用FCM算法对颜色进行聚类时使用的欧氏距离不能取得好的聚类效果,本文介绍一种改进的基于HIS模型下欧氏距离计算方法,该方法对颜色聚类能取得良好的效果.     

多分辨率图像锥的FCM聚类图像分割算法

模糊C-均值（FCM）聚类算法是一种基于像素分类的图像分割方法，在分割的过程中，仅仅利用了像素点的灰度信息，但在灰度密度丰富变化和图像的对比度不明显的情况下，物体和背景的分布将相互重叠而密不可分，往往得不到满意的分割效果。为了解决上述问题，现提出了一种基于多分辨率图像锥的模糊C-均值聚类图像分割算法。该方法利用多分辨技术产生多分辨率图像锥，将图像从空间信息引入，考虑图像的局部特性，使分割算法局限于图像的子图像中，物体和背景比单纯运用FCM更容易区分，且算法稳定性高，速度快。     

基于改进模糊均值聚类算法的医学图像分割

为了提高医学图像分割性能,针对传统模糊聚类算法存在的缺陷,提出了一种改进模糊均值聚类算法的医学图像分割方法。首先采用粒子群算法选择模糊均值聚类算法的聚类中心,然后利用空间邻域信息设定聚类样本空间,最后采用具体的医学图像数据进行仿真实验,测试其有效性。仿真结果表明,相对于传统模糊聚类算法,本文算法不仅提高了医学图像分割精度,而且提高了医学图像分割效率。