结合模糊聚类算法的图像分割方法
一种基于模糊聚类的快速图像分割算法
１ 标 准 的 Ｆ Ｍ 算 法 Ｃ
设 集 合 Ｘ ＝ ｛ 。ｚ ， ， 是特 征空 间上 个待 聚类 样本 的集合 ， ＝ ｛ 。 ， ， ） Ｃ 聚类 ｚ ，：… ｚ ） Ｖ ，： … 是 个
原 型的集 合 ， 是 满足 ２≤ Ｃ Ｃ ≤ 的整数． Ｃ 聚类 算 法定义 的 目标 函数 为 ＦＭ
心 以便 很好 地指 导 高分辨 率塔底 的 聚类分 割 ， 以减少 塔底 的大 数据集 运算 从而 提 高分 割速度 ． 但上述 方
法应用 于低 信噪 比图像时 ， 分割效 果并 不 理想 ． 文 献 在其 二 维 直方 图 （ Ｄ 如 ２ Ｈ：２Ｄ ｍｅ ｓｏ ａ Ｈｉ ｏ － ｉ ｎ ｉｎ ｌ ｓ — ｔ
Ｖｏ ． ９ Ｎｏ ２ １３ ． Ａｐ ． ２ ０ ｒ ０７
２０ ０ ７年 ４月
一
种基 于模糊 聚类 的快速 图像分 割算法
杨 润玲 ， 高新 波 介 军 ，
（．西安建筑 科技 大学信控学院 ， １ 陕西 西安 ７ ０ ５ ；．西安 电子科技 大学 电子工程学 院， １０ ５ ２ 陕西 西安 ７０ ７ ） １０ １
模糊 、 不确定 性 问题． 该方 法是 由 Ｄｕ ｎ提 出 ， 过 Ｂ ｚ ｅ ｎ 经 ｅｄ ｋ的推广 后¨ ， 得 了 十分广 泛 的 应用． 在 对 ］获 但
大数据 样本 集聚类 时 ， 该算 法极 为耗 时 ， 而且 对 于低信 噪 比的 图像 的分 割结 果很 不 理想． 针对其 不足 国
图像分 割是 模式 识别 和计算 机视 觉 中的经典 研究 课题 ． 它利 用 不 同的 图 像特 征 将 原 图分 成各 自独
立的 区域 ， 而抽 取 出感兴趣 的 目标． 从 因此 ， 图像分 割方 法 的 正确 性 和 自适 应 性在 一 定 程度 上 影 响着 目
基于快速模糊C均值聚类算法的红外图像分割
快 速 Ｆ Ｍ 改 进 方 法 。首 先 ， 用 边 缘 信 息 进 行 邻 域 搜 索 得 到种 子 像 素 ； 过 区 域 生 长 快 速 获 得 区域 分 割 类 别 Ｃ 利 通
数 和 对 应 的 聚类 中心 值 ， 将 图像 分 成 确 定 类 别 的 区 域 和 未 确 定 类 别 的 区 域 ； 后 利 用 所 得 的 聚 类 中 心 值 和 并 最 Ｆ Ｍ 算 法 对 未 确 定 类 别 区域 进 行 聚 类 。实 验 证 明 ， 文 提 出 的 改 进 方 法 大 大 减 少 了 计 算 量 ， 著 提 高 了 图像 Ｃ 本 显 分割速度 ， 而且 由 于 聚类 考 虑 了相 邻 像 素 点 的关 系 ， 像 分 割 结 果 能 够 清 晰 地 保 留 目标 轮 廓 ， 高 了 图像 分 割 图 提
第２ ３卷第 ６期 ２ １ 年 ６月 ０１
强 激 光 与 粒 子 束
ＨＩ ＧＨ ＰＯＷ ＥＲ ＬＡＳＥＲ Ａ ＮＤ ＰＡ ＲＴＩ ＣＩＥ ＢＥＡ Ｍ Ｓ
Ｖｏ ． ３ １ ２ ，ＮＯ ６ ．
Ｊｎ ｕ ．。２ １ Ｏ１
文 章 编 号 ： １ ０—３ ２ ２ １ ）６１ ６—４ ０ １４ ２ （ Ｏ １ ０ — ４ ７０
１ 模 糊 Ｃ均值 聚 类
模 糊 ｃ均 值 聚类 （ Ｃ 通 过对 目标 函数 的迭 代优 化 实现集 合划 分 ， 以表示 各个 像 素属 于 不 同类别 的程 Ｆ Ｍ） 可 度 ， 将各 个像 素都 唯一 地划 分 到其 中一个 类别 。 目标 函数 的值 为 并
Ｎ （ ’
Ｗ （，：） 【Ｖｘ 一∑ ∑ （ ｌ 一 ＿ ， ） ｌ ｌ 。
基 于快 速 模 糊 Ｃ均 值 聚 类算 法 的 红 外 图像 分 割
医学图像分割方法综述
原理: 分裂合并的思想将图像先看成一个区域，然后区域不断被 分裂为四个矩形区域，直到每个区域内部都是相似的。研究重 点是分裂和合并规划的设计。
缺点: 分裂技术破坏区域边界。
example
• 在想要分割的部分选择一个或者多个种子 • 相邻像素就会以某种算法进行检测 • 将符合检测条件的像素加入到区域中 • 逐渐生长为满足约束条件的目标区域
途径: 先用基于区域的分裂合并方法分割图像，然后用边界信息对区 域间的轮廓进行优化；先在梯度幅值图像中检测屋脊点和波谷点, 通 过最大梯度路径连接奇异点获得初始图像分割，然后采用区域合并技 术获得最终结果等
其它分割方法
基于模糊理论:图像分割问题是典型的结构不良问题，而模糊集理论具 有描述不良问题的能力。基于模糊理论的图像分割方法包括模糊阈值 分割方法、模糊聚类分割方法和模糊连接度分割方法等。
优点:实现简单，对不同类灰度值或其他特征相差很大 时，能有效分 割。常做医学图像的预处理。
缺点: 不适应多通道和特征值相差不大的图像；对噪声和灰度不均匀 很敏感；阈值选取困难。
直方图
• 图像区域由灰度值区分开
基于阈值的图像分割
阈值:
选择灰度值作为阈值
g m in和g m a x
遍历整幅图像检测像素是否在此区域内
分类: 形变模型包括形变轮廓(deformable contour) 模型（又称 snake或active contour ），三维形变表面（deformable surface ）模型。
形变轮廓模型: 使轮廓曲线在外能和内能的作用下向物体边 缘靠近，外力推动轮廓运动，而内力保持轮廓的光滑性。
基于阈值的图像分割
基于快速高斯核函数模糊聚类算法的图像分割
本文 首先用 阈值模糊聚类方法得到模糊规则 数
和初始 聚类 中心 ； 然后 通过引入高斯核 函数 ， 平滑 图 像 的像素灰度值 ， 从而提 高 图像 分割 的抗 干扰能力
和鲁棒性 ； 最后用普通模糊 聚类算 法优化模 糊隶属 度 和聚类 中心值 。本文方法有效地提高了图像分割 的精度和速度 ， 仿真结果验 证 了本方 法的鲁棒 性和
目标从背景 中分割出来等等 。因为图像分 割在计算 机视觉领域 中的基 础作用 ， 分割 的准 确性直 接影 响 后续任务 ， 得它在 图像理解 、 于内容 的视频压缩 使 基
Ｓ ， ） 通过引入变量改进 了 目标函数 ， 提高 了图像分 割精度 。Ｃ ｅ 等人对 Ｔ ｌ ｓ Ｐ ｎｓ ｈｎ ｏａ 和 ａａ 提出的模糊 ｉ
邹立 颖 郝 ， 冰 沙丽娟 ，
（ 齐齐哈尔大学 ａ 通信与电子工程学院 电工 电子教学与实验 中心 ； ．
ｂ 计 算 机 与 控 制 工 程学 院 自动 化系 ， 龙 江 齐 齐哈 尔 １ １０ ） ． 黑 ６ ０６
摘要 ： 对模糊 聚类算法通过 引入 高斯核 函数 ， 平滑 图像像 素灰 度值 ， 而增 强 图像分割 的抗 干扰 能力和鲁 从 棒性 ， 并结合 阈值模糊聚类算法 ， 高了图像分割的速度。首先利 用阈值模 糊聚类 法划 分初 始输入 空间， 提 得到模 糊规则数及 初始聚类 中心 ； 然后 用高斯核 函数平 滑图像的像素灰度值 ； 最后 用标准模糊聚类算法求解并优化模糊 隶属度和聚类 中心。将本算法应用 于添加噪声的嫦娥 一号采集 的月球地 面灰度 图像 和 Ｌ ｎ ｅａ灰度 图像进行 图像 分割 ， 仿真结果验证 了本方法的鲁棒性 、 有效性和实用性 。 关键词 ： 高斯核函数 ； 阈值模糊聚类 ； 标准模糊聚类算法 ； 图像分割 中 图分 类号 ： Ｐ ８ 文 献 标 识 码 ： 文 章 编 号 ： ００３ ３ （ ００ １－０ １０ Ｔ１ Ａ １０ —９ ２ ２ １ ） １０ ８ － ４ １ 引 言
在Matlab中使用模糊C均值聚类进行图像分析的技巧
在Matlab中使用模糊C均值聚类进行图像分析的技巧在图像分析领域，模糊C均值聚类（FCM）是一种常用的工具，它可以帮助我们发现图像中隐藏的信息和模式。
通过使用Matlab中的模糊逻辑工具箱，我们可以轻松地实现FCM算法，并进行图像分析。
本文将介绍在Matlab中使用FCM进行图像分析的技巧。
首先，让我们简要了解一下FCM算法。
FCM是一种基于聚类的图像分割方法，它将图像的像素分为不同的聚类，每个聚类代表一类像素。
与传统的C均值聚类算法不同，FCM允许像素属于多个聚类，因此能够更好地处理图像中的模糊边界。
在Matlab中使用FCM进行图像分析的第一步是加载图像。
可以使用imread函数将图像加载到Matlab的工作区中。
例如，我们可以加载一张名为“image.jpg”的图像：```matlabimage = imread('image.jpg');```加载图像后，可以使用imshow函数显示图像。
这可以帮助我们对图像有一个直观的了解：```matlabimshow(image);```接下来，我们需要将图像转换为灰度图像。
这是因为FCM算法通常用于灰度图像分析。
可以使用rgb2gray函数将彩色图像转换为灰度图像：```matlabgrayImage = rgb2gray(image);```在使用FCM算法之前，我们需要对图像进行预处理。
预处理的目的是消除图像中的噪声和不必要的细节，从而更好地提取图像中的特征。
常用的图像预处理方法包括平滑、锐化和边缘检测等。
Matlab中提供了许多图像预处理函数。
例如，可以使用imnoise函数向图像中添加高斯噪声：```matlabnoisyImage = imnoise(grayImage, 'gaussian', 0, 0.01);```还可以使用imfilter函数对图像进行平滑处理。
常见的平滑方法包括均值滤波和高斯滤波：```matlabsmoothImage = imfilter(noisyImage, fspecial('average', 3));```一旦完成预处理步骤，我们就可以使用模糊逻辑工具箱中的fcm函数执行FCM算法。
基于模糊逻辑的图像处理算法研究
基于模糊逻辑的图像处理算法研究随着图像的广泛应用，图像处理技术成为了越来越重要的领域。
在图像处理过程中，要对一张图像进行分析、处理、抽取特征等多个环节。
为了更准确、高效地处理图像，研究者们不断地探索各种新的算法，其中，基于模糊逻辑的图像处理算法是其中一种值得探究的算法。
模糊逻辑是一种将模糊性或不确定性引入逻辑的思想。
在图像处理中，应用模糊逻辑可以解决一些传统算法难以处理的问题，例如由于光照、阴影等原因引起的图像变形。
下面将介绍一些基于模糊逻辑的图像处理算法。
一、模糊聚类算法模糊聚类算法是指将相似的图像像素聚类到一起的算法。
传统的聚类算法会将像素分为不同的类别，而模糊聚类算法则将像素划分到不同的群体中，且这些群体之间并没有明显的边界。
模糊聚类算法被广泛应用于图像分割和目标识别等领域。
在模糊聚类算法中，模糊度是非常重要的概念。
模糊度可以描述一个像素点归属于某个群体的程度，也可以描述某个群体的特征。
在实际处理中，可以通过调整模糊度来控制聚类的精准度和效率，以达到最优的结果。
二、模糊神经网络算法模糊神经网络算法是指在神经网络中加入模糊逻辑，从而更加适应图像处理中的模糊性问题。
模糊神经网络算法具有自学习和自适应的特点，可以在处理过程中不断调整感知器的权值，以达到更优的分类结果。
模糊神经网络算法广泛应用于图像处理中的分类、检测和识别等方面。
例如，在人脸识别中，通过学习一定数量的样本数据，可以构建出一个高度泛化的模型，并且可以将这个模型应用于不同光照、角度、表情等情况下的人脸识别中。
三、模糊遗传算法模糊遗传算法是指将模糊理论引入到遗传算法中，以优化图像处理中的各种问题。
模糊遗传算法主要应用于图像的分割和特征抽取等问题，例如通过调整阈值，实现图像的二值化。
模糊遗传算法和传统遗传算法的不同之处在于，它能够处理具有模糊性的问题，并且能够自适应地调整变异概率和交叉概率，以达到最优的结果。
在实践中，模糊遗传算法被广泛应用于图像特征的抽取和匹配，例如在车牌识别中，可以通过模糊遗传算法来提取出车牌中的字符串和颜色信息。
模糊聚类及其在图像分割中的应用
密级：学校代码：10075分类号：学号：20061000工学硕士学位论文模糊聚类及其在图像分割中的应用学位申请人：曹 铮指导教师：李昆仑教授副指导教师：刘明副教授学位类别：工学硕士学科专业：通信与信息系统授予单位：河北大学答辩日期：二○一○年六月Classified Index: CODE: 10075 U.D.C: NO: 20061000A Dissertation for the Degree of Master Fuzzy Clustering and the application on Image SegmentationCandidate:Cao ZhengSupervisor:Prof. Li KunlunAssociate Supervisor Associate Prof. Liu Ming Academic Degree Applied for: Master of EngineeringSpecialty: Comm. &Info. SystemUniversity:Hebei UniversityDate of Oral Examination:June, 2010摘 要图像分割是指把图像分为各具特性的不重叠区域以提取出感兴趣目标的技术和过程，是数字图像处理技术中的关键技术之一，也是计算机视觉中的一个经典问题。
图像分割是对图像进行分析理解的基础，在计算机视觉、模式识别、目标跟踪和医学图像处理等领域已经得到了广泛应用。
由于图像在成像过程中受到各种因素的影响，导致待提取目标和背景之间具有一定的相似性和不确定性，而模糊理论和模糊图像处理技术适合于处理这种带有不确定性的问题。
模糊聚类方法是处理图像分割问题的一个重要理论分支。
目前在实际应用中广泛使用的是模糊C-均值（Fuzzy C-means, FCM）算法，它将聚类归结为一个带有约束的非线性规划问题，通过对目标函数的优化求解获得数据集的模糊划分。
基于模糊聚类的SAR图像分割算法研究
基于模糊聚类的SAR图像分割算法研究摘要：本文针对合成孔径雷达（SAR）图像分割问题，提出了一种新的基于模糊聚类的图像分割算法。
首先，通过对SAR图像进行预处理，提取出SAR图像的特征向量；其次，利用模糊聚类算法对特征向量进行聚类，得到不同的图像区域；最后，根据聚类结果，对原始SAR图像进行分割。
在仿真实验中，本算法在分割准确率和分割速度方面均比传统算法有较大的提升，具有良好的应用前景。
关键词：SAR图像；图像分割；模糊聚类；特征向量；分割准确率；分割速度1. 引言SAR图像具有极高的分辨率和时空特性，因此在军事、遥感等领域得到了广泛应用。
其中，SAR图像分割是SAR图像处理中的重要问题，其目的是将SAR图像划分为不同的区域，进而对图像进行进一步分析和处理。
传统的SAR图像分割算法主要基于阈值、边缘和区域生长等方法，但这些方法往往受到图像噪声、复杂背景和弱边缘等问题的影响，导致分割结果不够准确。
因此，提出一种高效、精确的SAR图像分割算法具有重要的理论与实际意义。
2. 模糊聚类算法模糊聚类算法是一种常用的图像分割方法，其基本思想是将图像像素划分为不同的类别。
与传统的聚类算法不同，模糊聚类算法允许像素属于多个类别，从而能够更灵活地适应图像的复杂性。
本文采用了基于模糊C均值（FCM）算法的图像分割方法，其主要流程如下：1）初始化隶属度矩阵U和聚类中心矩阵C；2）通过更新隶属度矩阵U和聚类中心矩阵C，得到新的聚类结果；3）根据聚类结果计算目标函数值，若满足停止条件，则输出最终聚类结果；否则返回第二步。
3. 基于模糊聚类的SAR图像分割算法本文提出的基于模糊聚类的SAR图像分割算法主要包括以下步骤：1） SAR图像预处理。
在本算法中，采用小波变换对SAR图像进行去噪处理和图像增强，得到具有更好特征的SAR图像。
2）特征向量提取。
将预处理后的SAR图像划分为若干个大小相同的区域，然后提取每个区域的特征向量作为聚类的输入。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ 江苏建 筑职业技 术 学院公 共基 础 学 院 江 苏徐 州 ２ １ １ ） ２ １ ６
【 摘 要 】在 介绍聚 类分析原 理 的基础 上 ，比较 了几 种聚 类分 割 算法 ， 出 了模糊 Ｃ 均值 聚 类方 法在 图像分 割 中 得 一 的优势 。最 后 ， 于排 列组合 熵和灰 度特征 ， 基 结合 模糊 Ｃ 均值 聚 类算 法 对 图像纹 理进 行分 割。实验结果 表 明， 一 该 方 法 既能 快速地 分割 图像 ，又具 有 较好 的抗 噪能力 ，分 割效 果 较为理 想 。
基 于 聚类分析 的图像 分割方 法是 图像 分割领 域 中
一
理 ， ｗｉ 首 先 提 出 了 图像 分 割 时应 该 采 用 模 糊 处 理 Ｐ ｔ ｔ 的方 法［ 。 ３ 同时 ， 练样本 图像 的匮乏 又需要无 监督 分 ］ 训 析， 而模糊 聚类 正好 满足 这两 方面 的要求 ， 因此成 为图
【 键词 】模 糊 Ｃ 均 值 ，图像 纹 理 ，纹 理分 割 ，灰度特 征 关 一
中 图 分 类 号 ：Ｔ ３ １４ Ｐ ９．１ 文 献 标 识 码 ：Ａ
ＡＢ Ｔ Ｓ ＲＡＣＴ Ｉ ｈ ｎ ｒ ｄ ｃｉ ｎ ｏ ｌ ｓ ｅ ｉ ｇ ａ ａ ｙ ｉ ，ｔ ｅ ｂ ｓｃ ｐ ｉ ｃ ｐ ｅ ｏ ｈ ｏ ａ ｉｏ ｆｓ ｖ ｒ ｌｃ ｕ ｔ ｒｎ ｅ ｍｅ ｔ ｔ ｎ ｎ ｔ ｅ ｉ ｔ ｏ ｕ ｔｏ ｆｃ ｕ ｔ ｒｎ ｎ ｌ ｓｓ ｈ ａ ｉ ｒｎ ｉ ｌ ｆ ｔ ｅ ｃ ｍｐ ｒｓ ｎ ｏ ｅ ｅ ａ ｌ ｓｅ ｉ ｇ ｓ ｇ ｎ ａ ｉ ｏ ａ ｇ ｒｔ ｍ ，ｄ ａ ｔ ｅ ｃ ｍｅ ｎ ｌ ｓ ｅ ｉ ｇ ｉ ｈ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｎ ｍｅ ｈ ｄ ｏ ｄ ａ ｔ ｇ ．Ｆ ｎ ｌ ｉ ｇ ｅ ｔ ｒ ｅ ｍｅ ｔ ｔｏ ａ ｅ ｌ ｏ ｉｈ ｒ ｗ ｈ － ａ ｓ ｃｕ ｔ ｒ ｎ ｔ ｅｉ ｇ ｅ ｍｅ ｔ ｔ ｔ ｏ ｆａ ｖ ｎ ａ ｅ ｉ ａｌ ｎ ｏ ｙ， ｍａ ｅ ｔ ｘ ｕ ｅ ｓ ｇ ｎ ａ ｉ ｎ ｂ ｓ ｄ ｏ ｈ ｅ ｍ ｕ ａ ｉｎ ａ ｄ ｃ ｍｂ ｎ ｔ ｎ ｅ ｔ ｏ ｙ ａ ｄ ｇ ａ ｈ ｒ ｃ ｅ ｉｔ ｓ，ｃ ｍｂ ｎ ｄ ｗｉ ｈ ｕ ｚ — ａ ｓ ｃｕ ｔ ｒｎ ｌ ｏ ｉｈ ．Ｔｈ ｎ ｔ ｅ ｐ ｒ ｔ ｔ ｎ ｏ ｉ ａ ｉ ｎ ｒ ｐ ｎ ｒ ｙ ｃ ａ ａ ｔ ｒｓ ｉ ｏ ｏ ｃ ｏ ｉ ｅ ｔ ｔ ｅ ｆ ｚ ｙ ｃ ｍｅ ｎ ｌ ｓ ｅ ｉ ｇ ａ ｇ ｒｔ ｍ ｈ ｅ
类极 其 重 要和应 用 相 当广 泛 的算 法 ， 用 于 灰度 图 适
像、 彩色 图像 分割 、 理 图像 等各 类 图像 。 纹
１ 聚类 基 本 原 理
聚 类 就是 用数 学方 法研 究 处 理 给定 的对 象 ， 具 把 有相 似 性质 的事物 区分开并 加 以分类 ［ 。经典 分类 学 １ ］ 往 往是 从 单 因素或 有 限 的几 个 因素 出发 ， 经验 和 专 凭 业知 识对 事 物分类 。 种分类 具有 非彼 即此 的特性 ， 这 同
一
像 处 理 中一个 强大 的研究 分析 工具 。 聚类 分 割 算法 不需 要 提 供 训 练样 本 ， 一种 无 监 是 督 的统计 方法 。 聚类 算法 迭代 地进行 图像 分类 ， 并提 取 各 类 的特 征值 。典 型 的聚类 分 割算 法有 Ｋ 均值 算法 、 模 糊 Ｃ 均值 算法 （ｕｚ — ａ ｓ Ｆ Ｍ ） 期望 最 大化 一 ｆｚｙＣ ｍｅｎ ， Ｃ 、 及 分层 聚类 方法 等 。 均值 算 法先 对 当前 的每一 类 求 均值 ， 后 按新 然 均 值 对像 素 进行 重 新分 类 ， 新 生成 的类再 迭 代 进行 对 前 面 的步骤 ； 糊 Ｃ 均值 算法 是从 模糊 理论 角 度对 模 一 均 值 算法 进 行 推广 ； 望最 大 化算 法 是 把 图像 中每一 期 个 像 素 的灰 度 值 看 作 几 个 概 率 分 布按 一 定 比例 的混 合 ， 过 优化 基 于最 大后 验 概 率 的 目标 函数 来 估计 这 通 几 个 概率 分 布 的参数 和 它 们 之 间 的混合 比例 ； 分层 聚 类 方 法通 过 一 系列 连续 合 并 和分 裂 完成 ， 聚类 过 程可 以 由一 个类 似树 的结构 来表 示 。
ｍｏ ｅ ｉ ｅ １ ｒ ｄ ａ ． ＫＥＹＷ ＯＲＤＳ ｆ ｚ ｙ Ｃ－ ａ ｓ ｉ ｇ ｅ ｔ ｒ ， ｔ ｘ ｕ ｅ ｓ ｇ ｎ ａ ｉ ｎ，ｇ ａ ｈ ｒ ｃ ｅ ｉｔｃ ｕ ｚ ｍｅ ｎ ， ｍａ ｅ ｔ ｘ ｕ ｅ ｅ ｔ ｒ ｅ ｍｅ ｔ ｔ ｏ ｒ ｙ ｃ ａ ａ ｔ ｒｓ ｉｓ
第２ ４卷
第 １ 期 １
电 脑 开 发 与 应 用
文 军 编 号 ：０ ３５ ５ （ ０ １ １ － ０ ９０ １ ０ － ８ ０ ２ １ ） １０ ４ — ３
结合模 糊 聚 类算 法 的 图像 分 割方 法
Ｉ ａ ｅ Ｓ ｇ ｅ ａ ｉ ｎ Ｍ ｅ ｈ ｄ Ｕｓ ｎｇ Ｆｕ ｚ ｕ ｔ ｒ ｎｇ Ａｌ ｏ ｉｈ ｍ ｇ ｅ ｍ ｎｔ ｔｏ ｔ ｏ ｉ ｚ ｙ Ｃｌ ｓ ｅ ｉ ｇ ｒ ｔ ｍ
ｅ ｐ ｒｍｅ ｔ ｌｒ ｓ ｌｓｓ ｏ ｏ ｂ ｆｅ ｔｖ ａ ｅ ｓ ｇ ｎ ａ ｉｎ ａ ｄ ｈ ｓｇ ｏ ｅ ｆ ｒ ｎ ｅ ｏ ｅ ｉｔｎ ｏｓ ｘ ｅ ｉ ｎ ａ ｅБайду номын сангаасｕ ｔ ｈ ｗｎ ｔ ｅ ｅ ｆｃ ｉ ｅ ｉ ｉ ｇ ｅ ｍｅ ｔ ｔｏ ｎ ａ ｏ ｄ ｐ ｒ ｏ ｍａ ｃ ｆｒ ｓｓ ｉ ｇ ｎ ｉｅ，ｓ ｇ ｎ ａ ｉ ｎ ｅ ｆ ｃ ｎ ｍ ｅ ｍｅ ｔ ｔ ｆｅ ｔ ｏ