模糊聚类的遗传算法在图像压缩中的应用
改进的遗传模糊聚类算法对医学图像的分割
ａ ｄＣｏ ｎ ｍｍｕ ｉ ａｉ ， ｎ ｈ ｕＵｎｉｅ ｓｔ ｏ Ｔ ｃ ｎ ｏ ｙ Ｌａ ｚ ｏ ３ ０ ０ ｎｃ ｔ ｏｎ Ｌａ ｚ ｏ ｖ ｒｉ ｆ ｅ ｈ ｏｌｇ ， ｎ ｈ ｕ７ ０ ５ ，Ｃｈｎ ；３ Ｄｅ ａ ｔ ｎ ｆ ｍｐ ｔｒ ｇ ｅ ｒｎｇ ｙ ｉａ ． ｐ ｒｍｅ ｔ Ｃｏ ｕ ｅ ｉ ｅ ｉ ， ｏ Ｅｎ ｎ
Ｍ Ａ Ｈｕ ＺＨＡＮ Ｇ Ｙｏ ｇ ， ＪＡ Ｇｕ— ｉ３ ａ， ｎ２ Ｉ ｉｘａ
（ ． ｐ ｒ ｎ ｆｎ ｏｍａｉｎＳ ｉｎ ｅ ａｓａ ｄｃ ｌ ｏｌｇ ，Ｔ ｉｎ２ ０ ，Ｃ ｉａ ． ｌ ｇ ｆ ｍｐ ｔｒ ｃｅ ｃ １ Ｄｅ ａｔ ｔ ｉｆ ｒ ｔ ｃｅ ｃ ，Ｔ ｉ ｎＭｅ ｉａ Ｃ ｌ ｅ ａａ ７ ０ ｈｎ ；２ Ｃｏｌ ｅ Ｃｏ ｕｅ ｉｎ ｅ ｍｅ ｏ ｏ ｈ ｅ １ ０ ｅ ｏ Ｓ
改进的遗传模糊聚类算法对医学图像的分割
马 华 张 ， 永 贾桂 霞 ，
模糊聚类的原理和应用
模糊聚类的原理和应用1. 简介模糊聚类是一种聚类分析方法，它通过考虑数据点属于不同聚类的程度，使得数据点可以同时属于多个聚类。
与传统的硬聚类方法不同，模糊聚类能够更好地处理实际问题中的复杂性和不确定性。
本文将介绍模糊聚类的原理和应用。
2. 模糊聚类的原理在传统的硬聚类方法中，每个数据点只能隶属于一个聚类，而在模糊聚类中，每个数据点可以属于多个聚类，且属于不同聚类的程度可以从0到1之间的任意值。
这种程度被称为隶属度，用来表示数据点与聚类的关联程度。
模糊聚类的原理可以通过以下步骤来解释：1.初始化聚类中心：首先随机选择一些数据点作为聚类中心。
2.计算隶属度：计算每个数据点与每个聚类中心的隶属度，可以使用模糊C均值（FCM）算法来计算。
3.更新聚类中心：根据隶属度计算出每个聚类的中心点，更新聚类中心。
4.重复步骤2和3，直到聚类中心不再变化或达到预设的迭代次数。
模糊聚类的核心是通过计算隶属度来确定每个数据点对每个聚类的归属程度，从而实现多类别的聚类。
3. 模糊聚类的应用模糊聚类在许多领域中具有广泛的应用，包括数据挖掘、模式识别、图像处理和生物信息学等。
以下是几个常见的应用领域：3.1 数据挖掘在数据挖掘中，模糊聚类可以帮助找到数据集中的隐藏模式和关联规则。
通过将数据点划分到不同的聚类中，可以更好地理解数据的结构和特征。
模糊聚类还可以用作预测分析和聚类分析的基础。
3.2 模式识别在模式识别中，模糊聚类可以帮助将输入数据分类到模式类别中。
通过考虑隶属度，模糊聚类可以更好地处理模糊和不确定性的输入数据。
这在人脸识别、手写体识别等任务中非常有用。
3.3 图像处理在图像处理中，模糊聚类被广泛应用于图像分割和图像压缩等任务。
通过将图像像素划分到不同的聚类中，可以实现图像的分割和压缩。
模糊聚类还可以用于图像特征提取和图像检索等应用。
3.4 生物信息学在生物信息学中，模糊聚类被用于处理基因表达数据和蛋白质序列数据等。
计算智能大作业
题目：遗传算法在图像处理中的应用研究课程: 计算智能姓名：学号：专业：模式识别与智能系统遗传算法在图像处理中的应用摘要遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。
近年来，由于遗传算法求解复杂优化问题的巨大潜力，广泛应用在生物信息学、系统发生学、计算科学、工程学、经济学、化学、制造、数学、物理、药物测量学和其他领域之中，这种算法受到了国内外学者的广泛关注，尤其是在计算机科学人工智能领域中。
本文介绍了遗传算法基本理论，描述了它的主要特点和基本性质；重点综述遗传算法在图像处理中的主要应用，特别是在图像分割、图像压缩、图像增强等方面的作用；深入研究目前遗传算法在图像处理领域中存在的问题，并结合自己的研究方向，对这些问题提出了一些深刻的见解，展望了今后遗传算法在图像处理应用的发展方向。
关键词：遗传算法，数字图像处理1.背景介绍遗传算法(Genetic Algorithm,GA)是一种自适应启发式群体型概率性迭代式的全局收敛搜索算法,其基本思想来源于生物进化论和群体遗传学,体现了适者生存、优胜劣汰的进化原则。
使用遗传算法求解科学研究工作和工程技术中各种组合搜索和优化计算问题这一基本思想早在20世纪60年代初期就由美国Michigan大学的Holland教授提出,其数学框架也于20世纪60年代中期形成。
由于GA的整体搜索策略和优化计算不依赖于梯度信息,所以它的应用范围非常广泛,尤其适合于处理传统方法难以解决的高度复杂的非线性问题。
它在自适应控制、组合优化、模式识别、机器学习、规划策略、信息处理和人工生命等领域的应用中越来越展示出优越性。
图像处理(image processing)，用计算机对图像进行分析，以达到所需结果的技术。
又称影像处理。
图像处理一般指数字图像处理。
数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。
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。
聚类算法在图像分析中的应用
聚类算法在图像分析中的应用图像分析是一个非常重要的领域，它与计算机视觉领域密切相关。
目前，图像数据在人们生活中的重要性越来越受到普及，因此图像分析的研究和应用也越来越广泛。
而聚类算法则是图像分析中一个非常重要的算法。
聚类算法是一种数据挖掘算法，其目的是根据数据的相似性将数据分组成不同的类别。
聚类算法在图像分析中的应用非常广泛，例如图像分类、目标识别、特征提取等等。
本文将结合具体例子介绍聚类算法在图像分析中的应用。
一、图像分类在图像分类中，需要将图像分成不同的类别。
图像分类是一个非常基础的任务，在图像检索、自动化检测和识别等方面均有广泛应用。
聚类算法可以帮助我们将大量的图像数据自然的聚集在一起，以便更好的理解和分类。
例如，假设我们有一个数据集包含许多猫和狗的图片，并且我们想要将它们分成两类，那么我们可以使用聚类算法来帮助我们快速准确地分类。
在聚类算法中，我们可以使用k-means算法来实现图像分类。
k-means算法是一种基于聚类的分组算法，可以帮助我们将数据分成若干个不同的类别。
在k-means算法中，我们首先需要确定要分成几类，这个数字被称为“k”。
然后我们要做的就是计算图像之间的距离，最终将所有距离最近的图像分成同一组。
二、目标识别目标识别是指对特定物体的识别和提取。
在图像目标识别中，我们需要通过对图像中的物体进行分析，能够快速准确地识别出目标物体的位置和大小。
聚类算法在目标识别中具有很大的优势。
例如，我们可以使用基于自适应聚类（Fuzzy c-Means）的算法实现目标的检测。
在这种算法中，我们首先要确定我们希望需要检测的目标具有哪些特征，例如像素值、纹理、形状等等。
然后我们要对图像中的每个像素根据其特征把它们聚集在不同的集群中。
最后，我们可以应用一些边缘检测算法来识别出目标物体的位置和大小。
三、特征提取特征提取是指对数据集中有用的信息进行提取。
在图像分析中，我们可以使用聚类算法帮助我们进行特征提取。
模糊聚类方法
模糊聚类方法模糊聚类是一种基于模糊集合理论的聚类算法，它在数据分析和模式识别中得到广泛应用。
与传统的硬聚类方法相比，模糊聚类能够更好地处理数据中的不确定性和模糊性，能够给出每个数据点属于不同聚类的概率，从而更全面地描述数据的特征。
一、模糊聚类的基本原理模糊聚类的基本原理是根据数据点之间的相似性将它们分成不同的聚类。
与传统的硬聚类方法不同，模糊聚类允许数据点属于多个聚类，且给出每个数据点属于不同聚类的权重。
通过引入隶属度函数，模糊聚类能够更好地处理数据的模糊性，给出更丰富的聚类结果。
二、模糊聚类的算法步骤模糊聚类的算法步骤一般包括以下几个方面：1. 初始化隶属度矩阵：隶属度矩阵用于描述每个数据点属于每个聚类的概率，一般通过随机初始化或者根据先验信息进行初始化。
2. 计算聚类中心：根据隶属度矩阵计算每个聚类的中心点，一般采用加权平均的方式计算。
3. 更新隶属度矩阵：根据当前的聚类中心，更新隶属度矩阵，使得每个数据点更准确地属于不同聚类。
4. 判断停止条件：根据一定的准则（如隶属度矩阵的变化程度或者目标函数的收敛性）判断是否达到停止条件，如果未达到，则返回第2步继续迭代。
5. 输出聚类结果：根据最终的隶属度矩阵，确定每个数据点最可能属于的聚类，输出聚类结果。
三、模糊聚类的优势相比传统的硬聚类方法，模糊聚类具有以下优势：1. 能够更好地处理数据的模糊性和不确定性。
在现实世界的数据中，往往存在一些边界模糊或者属于多个类别的情况，传统的硬聚类无法很好地处理这种情况，而模糊聚类能够给出每个数据点属于不同聚类的概率。
2. 能够更全面地描述数据的特征。
传统的硬聚类方法只能将数据点划分为一个聚类，而模糊聚类能够给出每个数据点属于不同聚类的权重，从而更全面地描述数据的特征。
3. 能够适应不同的聚类形状和大小。
传统的硬聚类方法通常假设聚类的形状是凸的，并且假设聚类的大小相等，但在实际应用中，聚类的形状和大小往往是不确定的，而模糊聚类能够更好地适应不同的聚类形状和大小。
模糊聚类算法在图像分割中的应用实践
模糊聚类算法在图像分割中的应用实践图像分割是计算机视觉领域的一个重要研究方向，其主要目的是将图像中的像素按照一定的规则划分为不同的区域，从而实现对图像内容的理解和分析。
在此过程中，模糊聚类算法是一种常用的图像分割方法，该算法通过对图像像素的聚类分析，实现对图像分割的精准和有效。
一、模糊聚类算法基础模糊聚类算法是指一类基于模糊理论的聚类算法，主要使用模糊集合和隶属度函数来描述聚类过程中数据点的归属关系。
在模糊聚类算法中，每个数据点可以被分配到多个聚类中心，而且分配的隶属度不是只有0或1，而是在0到1之间的某个值，这种灵活性使得模糊聚类算法具备更好的适应性和鲁棒性，因此适用于多种不同数据的聚类问题。
模糊聚类算法中常用的模糊集合包括模糊C均值、模糊C中心算法等，这些算法都是基于迭代优化的思想来实现聚类过程中的分类，通过不断优化每个数据点的隶属度和聚类中心的位置，最终得到高精度的数据聚类结果。
二、模糊聚类算法在图像分割中的应用模糊聚类算法在图像分割中的应用是基于其广泛适用性和高效性而得以实现的。
由于图像具有高维度和大规模的特点，传统的聚类算法很难取得较好的效果，而模糊聚类算法则具有较好的适应性和鲁棒性，可以适用于不同尺寸、不同灰度级和不同形状的图像分割问题。
在图像分割中，常用的模糊聚类算法包括基于模糊C均值的图像分割算法、基于模糊C中心的图像分割算法等。
这些算法的基本思路是将图像中的所有像素视为数据点，通过迭代优化的方式得到像素的聚类结果，最终将图像分割成多个区域，并实现对各个区域的特征提取和分析。
三、实践应用场景在实践中，模糊聚类算法在图像分割领域中应用广泛，其中涉及到医学图像分析、计算机视觉、图像处理等不同领域。
以下是一些典型的实践应用场景：1、医学图像分析模糊聚类算法在医学图像分析中具有重要的应用价值，特别是对于对比度不高、噪声较多的医学图像分割问题。
例如，利用模糊C均值算法对乳腺X光图像进行分割，可以有效地提取出乳腺的三维形态结构，实现对乳腺肿瘤的自动检测和定位。
模糊C均值聚类算法的优化与应用研究
模糊C均值聚类算法的优化与应用研究近年来，随着大数据和人工智能技术在各行业的广泛应用，聚类算法作为一种重要的无监督学习方法，被广泛应用于数据挖掘、图像识别、模式识别等领域。
在众多聚类算法中，模糊C均值聚类算法（FCM）因其简单易实现、适用范围广等特点而备受关注。
然而，FCM算法在处理较大数据量、较高维度数据时，聚类结果模糊度高、计算复杂度大等问题也日益凸显。
本文将从模糊C均值聚类算法的原理入手，探讨了几种优化方法并进行实验验证，分析其在实际应用中的效果。
一、模糊C均值聚类算法原理模糊C均值聚类算法是基于向量量化（Vector Quantization）原理的一种聚类算法。
旨在给定数据集将其中的数据分成k个不同的簇。
其主要思想是通过计算数据点到各簇中心的距离，来确定一个数据点可能属于各个簇的概率值，从而获得各数据点所属簇的隶属度矩阵，以此反复迭代更新簇中心和隶属度矩阵，最终达到聚类的目的。
具体来说，设原始数据集为$X=\{x_1,x_2,……,x_n\}$，要将其分成k个簇，每个簇的质心为$V=\{v_1,v_2,……,v_k\}$。
根据数据点x到簇质心$V_j$的距离，定义出数据点x属于簇j的隶属度$U_{ij}$: $$U_{ij}=\frac{1}{\sum_{k=1}^k(\frac{||x_i−v_j||}{||x_i−v_k||})^{\frac {2}{m−1}}}$$其中，m为模糊指数，$||·||$表示欧式距离。
在U矩阵和V矩阵确定之后，对于一个新的数据点x，将其划分到隶属度最大的簇中。
反复迭代更新U矩阵和V矩阵，直到收敛为止。
二、模糊C均值聚类算法的问题尽管模糊C均值聚类算法的原理较为简单，但其在实际应用中仍存在一些问题。
本节将主要讨论FCM算法可能遇到的两大问题：聚类结果模糊度高和计算复杂度大。
1.聚类结果模糊度高FCM算法的隶属度矩阵U的值为[0,1]之间的实数，因此一个数据点不属于任何一个簇的概率不为0.这就导致FCM算法的聚类结果模糊度高，无法唯一确定每个数据点的簇归属。
- 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)。
６ 收 稿 日期 ： ２Ｏ１１ —０４— １
１ 关 于 遗传 算 法 的描 述
遗传算 法 ＧＡ（ ｎｔ ｇ ｒ ｈ 由美 国 Ｍｉ ｉ Ｇｅｅｉ Ａｌ ｉ ｍ） ｃ ｏｔ ｃ— ｈ
ｇｎ大 学 的 Ｈｏｌ ｄ于 １ ７ 年 提 出 ， 一 种 模 拟 达 尔 ａ ｌｎ ａ ９５ 是
和 传输 带来 了很 多 不便 ， 因此 图像 压 缩 和视 频 压 缩
得 以广 泛应 用． 图像 压 缩 主要 是 利 用 相邻 图像 数 据 间的高 度相 关 性 ， 输 入 图像 数 据 序 列 分 组 （ 一 将 每
算 法复 杂度 较 高 ， 此 一 般 不 单 独 使 用 ． 对 传 统 因 针
类 算 法 对 ３ 图像 分 析 选 择 样 本 ， 过 Ｆ Ｍ 算 法得 到 一 个 有 序 的 像 素 序 列 ， 后 进 行 聚 类 获 Ｄ 通 Ｃ 然
得 压缩． 实验 表 明 ， 用模 糊 聚 类 分 析 法 能 够 有 效 降低 压 缩 算 法 的 复 杂度 ， 能 达 到预 期 的 图 运 并
模 糊 聚 类 的 遗传 算 法在 图像 压 缩 中 的应 用
张勇 昌
（江苏建 筑 职业技 术 学 院 基础 课 教学部 ， 江苏 徐州 ２ １ １ ２ ｌ ６）
摘 要 ：图 像 压 缩 的 关键 在 于 对 图像 中相 似 取 样 点 的 选择 和 处 理 ． 基 于 图像 像 素 的 遗 传 聚 用
Ａｂ ｔａ ｔ Ｔｈｅ ｋｅ ｆ ｉ ｇｅ ｃ ｍ ｐ ｅ ｓｏ ｓ ｅ ｅ ｔｎ ｎ ｒ ｅ ｓ ｎ ｆ ｓｍ ｉａ ａ ｐ ｅ ｐｏ ｎ ｓ ｉ ｓｒ ｃ ： ｙ ｏ ｍａ ｏ ‘ ｒ ｓ ｉ ｎ ｉ ｓ ｌ ｃ ｉ ｇ ａ ｄ ｐ ｏｃ ｓ ｉ ｇ ｏ ｉ ｌ ｒ ｓ ｍ ｌ ｉ ｔ ｎ ｉ ａ ｅ ． ３ ｉ ａ ｎ ｌ ｉ ａ ｐｌ ｓ ｓ ｌ ｃ ｅ ｉ ｅ ｅ ｉ ｌ ｔ ｒｎｇ ａ ｇ ｒ ｔ ｓｂａ ｅ ｎ ｔ ｍ ｇ ｓ Ｄ ｍ ｇｅ ａ ａ ｙｓｓ ｓ ｍ ｅ ｉ ｅｅ ｔ ｄ ｂｙ ｕｓｎｇ ｇ ｎ ｔｃｃ ｕｓ ｅ ｉ ｌ ｏ ｉｈｍ ｓ ｄ ｏ ｈｅ ｐｉ ｅ ｓ ｏ ｈ ｍ ａ ｅ Ａ ｎ ｏｒ ｒ ｄ ｐ ｘｅ ｅ ｅ ｃ ｓ ｂｔ ｉ ｄ ｔ ｏ ｈ ＦＣＭ ａ ｇ ｒｔ ｘ ｌ ｆ ｔ ｅ ｉ ｇ ． ｄｅ ｅ ｉ ｌｓ ｑｕ ｎ ｅ ｉ ｏ ａｎｅ ｈｒ ｕｇ ｌ ｏ ｉｈｍ ｓ ａ ｃ ｍ — ｎｄ ｏ ｐｒ ｓ ｉ ｎ ｉ ｔ ｉ ｅ ｈ ｏ ｈ ｃ ｕｓ ｅ ｉ ｅ ｓ ｏ ｓ ｏｂ ａ ｎ ｄ ｔ ｒ ｕｇ ｌ ｔ ｒｎｇ． Ｔｈｅ ｅ ｐｅ ｉ ｎ ｈｏ ｈａ ｗｅ ａ ｃ ｅ ｓ ｈ ｃ ｍ — ｘ ｒｍｅ ｔ ｓ ｗｓ ｔ ｔ ｃ ｎ ｄｅ ｒ ａ ｅ ｔ ｅ ｏ ｐｌ ｘ ｔ ｆｃ ｍ ｐｒ ｓ ｉ ｎ ａｇｏ ｉｈｍ ｓ ｂｙ ｆ ｚ ｙ ｃ ｕｓ ｅ ｉ ｎａ ｙ ｉ ｎｄ ａ ｈｉｖｅ ｅ ｅ ｔ ｄ ｉ ａ ｏ — ｅ ｉｙ ｏ ｏ ｅ ｓｏ ｌ ｒｔ ｕ ｚ ｌ ｔ ｒｎｇ ａ ｌ ｓ ｓ ａ ｃ ｅ ｘｐ ｃ ｅ ｍ ｇｅ ｃ ｍ ｐｒ ｓ ｉ ｅ ｕｌ． ｅ ｓｏｎ ｒ ｓ ｔ
Ｋｅ ｒ ｙ ｗｏ ｄｓ： ｇ ｎｅ ｉ ｌ ｒｔ ｅ ｔｃ ａ ｇｏ ｉｈｍ ｓ ｆ ｚ — ｅ ｎｓ； ； ｕｚ ｙ ｃ ｍ ａ ｓ ｉ ａ ｒｘ ｈｐ ｍ ｔｉ
由于 图像 和视 频本 身 的数 据 量非 常 大 ， 给存 储
但 是压 缩 比并不 高 ， 且精 确 预 测需 依 赖 于 图像 特 性 的大量 先 验 知 识 ｌ ， 须 进 行 大 量 的非 线 性 运算 ， ＿ 必 ２ ］
Ａｐ ｉ ａ ｉ ｎ ｏ ｎｅ ｉ ｇ ｒ ｔ ｍ ｓ Ｕｓｎｇ Ｆｕ ｚ ｐｌｃ ｔｏ ｆ Ｇｅ ｔｃ Ａｌ ｏ ｉｈ ｉ ｚｙ
Ｃｌ ｓ ｅ ｉ ｇ ｉ ｍ ａ ｅ Ｃｏ ｐｒ ｓ ｉ ｎ ｕ ｔ ｒ ｎ ｎ Ｉ ｇ ｍ ｅ ｓｏ
ＺＨ Ａ Ｎ Ｇ ｎ ｃ ａｎ Ｙｏ ｇ— ｈ ｇ
像 压缩效果．
关 键 词 ：遗 传 算 法 ；模 糊 Ｃ一 值 ； 图像 压 缩 ； 聚 类 ；模 糊 隶 属 矩 标 志 码 ：Ａ 文 章编 号 ：１０ ０ ９—８ ９ （ ０ １ ０ ９ ２ ２ １ ） ３—０ ５ —０ ０５ ４
（Ｄｅ ａ ｔ ｎ ｆ Ｇｅ ｅ ａ ｕ ａ ｉ ｎ， ｉ ｎ ｓ ｉ ｎ ｈ ｐ ｒ ｍｅ ｔｏ ｎ ｒ ｌＥｄ ｃ ｔ ｏ Ｊ ａ ｇ ｕＪａ ｚ ｕ Ｉ ｓ ｉｕ ｅ ｎ ｔｔ ｔ ，Ｘｕ ｈ ｕ，Ｊ ａ ｇ ｕ ２ １ １ ，Ｃｈ ｎ ｚ ｏ ｉｎ ｓ ２ １ ６ ｉ ａ）
第 １卷 第 ３ １ 期
２１ ０ ９ １年 月
徐 州 建 筑 职 业 技 术 学 院 学 报
Ｊ ＯＵＲＮＡｌ ＯＦ ＸＵＺ ＨＯＵ ＮＳ ＴＵＴＥ ＯＦ ＡＲＣＨＩ ＣＴＵＲＡＬ ＴＥ Ｉ ＴＩ ＴＥ ＣＨＮＯＬＯＧＹ
Ｖｏ Ｊ １ ｏ ３ Ｉ １ Ｎ ．
Ｓｐ ２１ ｅ． ０ １
预 测编 码 的不足 ， 文 主要 考 虑 在编 码 前 利用 基 于 本
组 由 ”个 数 据 构 成 一 个 维 矢 量 ） 一 起 进 行 编 ， 码 ＿ ． 统 的 预测 编 码 可 以获 得 较 高 的 编 码 质 量 ， １传 Ｊ
图像 像 素 的遗传 聚类 算 法分 析选 择 样本 ， 通过 算 法 得 到有 序元 素序 列 ， 以获 得 一 系列 的标 准 图像 模 式