模糊C均值聚类算法在图像分割中的应用
图像分割技术的原理及应用
图像分割技术的原理及应用图像分割至今尚无通用的自身理论。
随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法。
聚类分析特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。
其中，K均值、模糊C均值聚类（FCM）算法是最常用的聚类算法。
K均值算法先选K个初始类均值，然后将每个像素归入均值离它最近的类并计算新的类均值。
迭代执行前面的步骤直到新旧类均值之差小于某一阈值。
模糊C均值算法是在模糊数学基础上对K均值算法的推广，是通过最优化一个模糊目标函数实现聚类，它不像K均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对各类的隶属度，用隶属度更好地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。
利用模糊C均值（FCM）非监督模糊聚类标定的特点进行图像分割，可以减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。
FCM算法对初始参数极为敏感，有时需要人工干预参数的初始化以接近全局最优解，提高分割速度。
另外，传统FCM算法没有考虑空间信息，对噪声和灰度不均匀敏感。
模糊集理论模糊集理论具有描述事物不确定性的能力，适合于图像分割问题。
1998年以来，出现了许多模糊分割技术，在图像分割中的应用日益广泛。
模糊技术在图像分割中应用的一个显著特点就是它能和现有的许多图像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。
模糊阈值技术利用不同的S型隶属函数来定义模糊目标，通过优化过程最后选择一个具有最小不确定性的S函数。
用该函数增强目标及属于该目标的像素之间的关系，这样得到的S型函数的交叉点为阈值分割需要的阈值，这种方法的困难在于隶属函数的选择。
基于模糊集合和逻辑的分割方法是以模糊数学为基础，利用隶属图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题。
模糊C均值（FuzzyC-Means）聚类论文：模糊C均值（FuzzyC-Means）聚类支..
模糊C均值(Fuzzy C-Means)聚类论文：模糊C均值(Fuzzy C-Means)聚类支持向量机(SVM) Laws纹理测同质性模型 Gabor滤波器【中文摘要】图像分割是图像处理的一个重要工具,一个有效的、前端的、复杂的算法。
它能够简化对图像的后续处理,并在视频和计算机视觉方面都有应用,如目标定位或识别、数据压缩、跟踪、图像检索等等。
虽然大量的图像分割算法已被广大研究者提出并改进,但是没有人提出一种完美的,适合于任何一种图像的分割算法,现有的方法都多少存在着方法或算法上的不足。
因此到目前为止,图像分割作为一个重要工具的同时,仍然是图像处理领域的一个具有挑战性的难题。
当前,对基于像素级、多特征、多种分割算法相结合的分割方法的研究,已经成为图像分割领域的热点。
通过认真总结,本文对模糊聚类算法和优于传统机器学习的支持向量机方法,从理论和实验结果等方面都进行了全面系统的比较和分析。
通过像素颜色,纹理等特征来描述图像的具体信息,并结合模糊C均值聚类(FCM,Fuzzy C-Means)算法和支持向量机(SVM)的方法展开实验,主要任务如下:1.本文对模糊聚类算法特别是模糊C均值聚类(FCM,Fuzzy C-Means)分割算法进行细致深入的研究探讨,并认真研究了模糊聚类图像分割算法中初始聚类类别数确定、初始聚类中心和隶属度函数的选择。
2.以模糊C均值聚类(FCM,Fuzzy C-Means)理论为基础,提出了一种结合laws纹理测度与自适应阈值的FCM聚类算法对图像进行分割。
通过大量实验对比表明,该算法与人的视觉感知系统一致性好,对噪声有良好的抑制效果,节省实验过程中程序运行的时间,提高图像分割速度。
3.通过核函数类型、核参数、惩罚因子等因素,对采用支持向量机(SVM)进行图像分割的方法的可行性进行了分析、研究,提出了一种基于无监督的支持向量机分类算法,为使用支持向量机方法(SVM)进行图像分割提供了依据。
模糊C均值聚类算法实现与应用
模糊C均值聚类算法实现与应用聚类算法是一种无监督学习方法，在数据挖掘、图像处理、自然语言处理等领域得到广泛应用。
C均值聚类算法是聚类算法中的一种经典方法，它将数据对象划分为若干个不相交的类，使得同一类中的对象相似度较高，不同类之间的对象相似度较低。
模糊C均值聚类算法是对C均值聚类的扩展，它不是将每个数据对象划分到唯一的类别中，而是给每个对象分配一个隶属度，表示该对象属于不同类的可能性大小。
本文主要介绍模糊C均值聚类算法的实现方法和应用。
一、模糊C均值聚类算法实现方法模糊C均值聚类算法可以分为以下几个步骤：1. 确定聚类数k与参数m聚类数k表示将数据分成的类别数目，参数m表示隶属度的度量。
一般地，k和m都需要手动设定。
2. 随机初始化隶属度矩阵U随机初始化一个k×n的隶属度矩阵U，其中n是数据对象数目，U[i][j]表示第j个对象隶属于第i个类别的程度。
3. 计算聚类中心计算每个类别的聚类中心，即u[i] = (Σ (u[i][j]^m)*x[j]) / Σ(u[i][j]^m)，其中x[j]表示第j个对象的属性向量。
4. 更新隶属度对于每个对象，重新计算它对每个类别的隶属度，即u[i][j] = 1 / Σ (d(x[j],u[i])/d(x[j],u[k])^(2/(m-1)))，其中d(x[j],u[i])表示第j个对象与第i个聚类中心的距离，k表示其他聚类中心。
5. 重复步骤3和4重复执行步骤3和4，直到满足停止条件，例如聚类中心不再变化或者隶属度矩阵的变化趋于稳定。
二、模糊C均值聚类算法应用模糊C均值聚类算法可以应用于多个领域，包括图像处理、文本挖掘、医学图像分析等。
下面以图像分割为例，介绍模糊C均值聚类算法的应用。
图像分割是图像处理中的一个重要应用，旨在将一幅图像分割成多个区域，使得同一区域内的像素具有相似度较高，不同区域之间的像素相似度较低。
常见的图像分割算法包括全局阈值法、区域生长法、边缘检测法等。
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。
模糊 c 均值聚类算法
模糊 c 均值聚类算法概述模糊 c 均值聚类算法是一种基于模糊逻辑的聚类算法，其通过将每个数据点分配到不同的聚类中心来实现数据的分组。
与传统的 k-means 算法相比，模糊 c 均值聚类算法在处理数据集特征模糊和噪声干扰方面表现更好。
本文将详细介绍模糊 c 均值聚类算法的原理、优点和缺点，以及其在实际应用中的一些场景和方法。
原理模糊 c 均值聚类算法基于模糊集合理论，将每个数据点分配到不同的聚类中心，而不是像 k-means 算法一样将数据点硬性地分配到最近的聚类中心。
算法的核心是定义每个数据点属于每个聚类中心的权重，即模糊度。
具体而言，模糊 c 均值聚类算法的步骤如下：1.初始化聚类中心。
从输入数据中随机选择一些数据作为初始聚类中心。
2.计算每个数据点到每个聚类中心的距离。
可以使用欧氏距离或其他距离度量方法。
3.根据距离计算每个数据点属于每个聚类的模糊度。
模糊度是一个介于 0 和1 之间的值，表示某个数据点属于某个聚类的程度。
4.更新聚类中心。
根据数据点的模糊度重新计算每个聚类的中心位置。
5.重复步骤 2、3 和 4，直到聚类中心的位置不再发生明显变化或达到预定的迭代次数。
优点模糊 c 均值聚类算法相比传统的 k-means 算法具有以下优点：1.模糊度。
模糊 c 均值聚类算法可以为每个数据点分配一个模糊度值，这样可以更好地应对数据集中的噪声和模糊性。
而 k-means 算法仅将数据点硬性分配到最近的聚类中心。
2.灵活性。
模糊 c 均值聚类算法中的模糊度可以解释某个数据点同时属于多个聚类的情况，这在一些实际应用中可能是具有意义的。
3.鲁棒性。
模糊 c 均值聚类算法对初始聚类中心的选择相对不敏感，因此在大多数情况下能够获得较好的聚类结果。
缺点虽然模糊 c 均值聚类算法具有许多优点，但也存在一些缺点：1.计算复杂度。
模糊 c 均值聚类算法需要在每个迭代步骤中计算每个数据点与每个聚类中心的距离，这导致算法的计算复杂度较高。
加权模糊C均值算法在图像分割中的应用
加权模糊C均值算法在图像分割中的应用摘要：基于模糊C均值聚类的图像分割法是图像分割领域中广泛应用的一种算法，特别适合解决灰度图像中存在的模糊和不确定性的问题。
但是由于噪声等干扰因素的影响，使得利用传统的聚类方法进行图像分割得不到满意的结果，鉴于此，本文提出了基于二维直方图加权的塔形模糊c均值聚类算法和基于统计检验指导的WFCM算法。
论文关键词：图像分割,聚类分析,FCM,WFCM,塔形分解图像分割是数字图像处理中的关键技术之一，图像分割的好坏直接影响对计算机视觉中的图像理解。
在众多的图像分割算法中，基于聚类分析的图像分割方法是图像分割领域中一类极其重要和应用相当广泛的算法。
传统的聚类分析是一种硬划分，它把每个待辨识的对象严格地划分到某个类中，具有非此即彼的性质，因此这种分类的类别界限是分明的。
而实际上大多数对象并没有严格的属性，它们在性态和类属方面存在着中介性，适合进行软划分。
Zadeh提出的模糊集理论为这种软划分提供了有力的分析工具，人们开始用模糊的方法来处理聚类问题，并称之为模糊聚类分析，将模糊聚类分析引入图像分割之中，便形成了模糊聚类图像分割技术。
基于模糊C均值聚类的图像分割方法是图像分割领域中广泛应用的算法。
FCM算法的本质上是一种局部搜索寻优技术，它是通过极小化目标函数来求得最优解。
基于模糊C均值聚类的图像分割方法适合解决灰度图像中存在的模糊和不确定性的问题。
但是，在实际的图像中，由于噪声等干扰因素的影响，使得利用传统的聚类方法进行图像分割得不到满意的结果。
鉴于此，本文提出了一种基于二维直方图加权的塔形模糊c均值聚类算法。
二、加权FCM算法模糊C均值聚类算法（FCM），是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。
它早期作为硬均值聚类（HCM）算法的一种改进，在1973年，由Bezdek提出。
FCM算法可如下描述：初始化：给定聚类别数c，2≤c≤n,n是数据个数，设定迭代停止阈值，初始化聚类中心，设置迭代计数器b=0。
结合模糊聚类算法的图像分割方法
（ 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
- 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)。
模糊C均值聚类算法在图像分割中的应用
【摘要】由于在大多数图像分割场合，不可能清楚知道图像中的各个物体位置，因此在一定意义上图像分割可以作为一个聚类问题来解决。
并且由于图像具有的模糊和不均匀性，因而模糊C均值聚类技术在图像分割中得到成功的应用。
本文对标准模糊C均值聚类分割算法进行了简单的介绍，采用了一种结合空间信息的快速模糊C均值聚类分割算法。
关键词：图像分割，模糊聚类算法，模糊C均值聚类算法
1、模糊聚类算法
传统的聚类方法在划分对象时是硬性的，对象归属哪一类是明确的，不能同时属于两个或者多个类别。
换句话说，每一个对象与最终的类别是一一对应的，不会出现一个元素分属多个类的情况，类与类之间有着严格的界限。
自然世界中的事物都存在模糊性，没有“非此即彼”的严格界限，一个事物与多个类别都相关的情况是十分正常的。
因此，要精确地表示这种复杂的关系就需要对这种“亦此亦彼”的性质进行描述。
与硬性的聚类划分相比，模糊聚类将模糊集合理论引入到聚类算法中，利用模糊数学对处理事物之间模糊关系的精确描述，能更好地解决了现实世界中的实际问题。
模糊聚类算法用数学的方法描述了对象与不同类别之间的隶属关系，打破了严格的类别界限，建立起样本对于类别的不确
定性的描述，实现了聚类问题的软划分。
隶属度是样本类属模糊性的度量，隶属度的大小用来区分对象隶属于不同类别的差异程度。
使用模糊聚类算法来对数据对象集合进行划分需要构造模糊分类矩阵。
模糊聚类算法多种多样，随着对模糊聚类的研究，模糊聚类算法不断发展和改进。
其中，基于模糊关系和目标函数是最常见的两类，前者出现较早，对对象集合的大小有局限性，后者以其简便、通用性高、容易实现等优势逐渐成为各个领域最流行的模糊聚类方法。
神经网络的发展也为模糊聚类分析注入了新的活力，尤其是提高了方法的效率，因此这类方法受到了各国研究者的重视。
2.模糊C均值聚类算法在图像分割中的应用
模糊C 均值聚类算法(Fuzzy C-means，FCM)是一种经典的模糊聚类算法，它是从硬C 均值聚类算法(Hard C-means，HCM)改进优化而来的。
模糊集合理论出后，1969 年RusPini在自己的文章中阐述了模糊划分这一概念，并给出了硬聚类算法的原理，Dunn 提出了模糊聚类算法，此后各国的研究者利用这一概念，通过对目标函数进行优化提出了多种聚类方法。
Bezdek通过改进模糊聚类算法提出了模糊C 均值聚类理论。
模糊C 均值聚类算法属于基于目标函数的模糊聚类算法的范畴，即基于目标函数的非线性迭代最优化方法，依据最小二乘原理，通过计算目标函数的均方差，得出每个数据点对类中心的隶属程度和目标函数的最
小值。
现在，模糊 C 均值聚类方法已经有较为完善的理论基础，成为图像分割领域的一个有效工具。
近年来，这一方法仍然被研究者不断地改进和优化，无论是理论还是应用都得到了迅猛的发展。
[1]
在诸多的图像分割算法中，基于模糊C均值(CFM)的分割算法是最常见的一种，一方面，该算法具有良好的局部收敛特性。
另一方面，它适合在高维特征空间中进行像素的分类。
模糊C均值聚类算法通过对目标函数的迭代优化实现集合划分，它可以表示出图像各个像素属于不同类别的程度。
[2]
3.模糊C均值聚类算法在图像分割中主要步骤
一是当分割精度没有达到需求和要求时，有必要进一步开展特征选择，即对以上三个部分进行重复。
二是根据已经明确的特征范围和特征标准，采用合理的分割技术来分割特征空间，同时以分割对象的特征标准度范围和标准度量值为依据来匹配中的各个区域以确定需要进行分割的区域。
三是对分割对象本身所具有的所有特性做出分析，为分割需要提供依据。
在图像分割过程中，选取这些特征的原则为更好、更容易的区分分割对象。
在此方面又包括以下几点内容：可靠性，属于同类对象的特征应当相似。
区别性，属于不同类别的识别对象所具有的特征值应当存在差异。
独立性，在分割过程中所使用的特征应当不存在紧密关联。
四是通过特征转换成为确定特征基础上的特征空间。
在此过
程中变换域方法、神经网络方法以及模糊理论等方法都可以作为变换方法。
4.模糊C均值聚类算法在图像分割中存在的问题和需要的改进
目前，图像分割还没有一种通用的、能使各种类型的图像达到最优分割质量的图像分割方法，所提出的各种图像分割方法都只是针对特定类型的图像而言。
较之相应的传统方，基于模糊理论的图像分割能取得更好的分割效果，因而具有很好的发展前景。
[3]
将模糊C均值聚类算法应用于图像分割，不论采用何种算法，首先都需要通过构造隶属函数来完成待分割图像到模糊矩阵的映射，不同的隶属函数会对算法的处理结果以及算法实现的难易程度产生不同的影响。
因此，隶属函数的设计是非常关键的。
这要求隶属函数必须能客观、准确地反映图像中存在的不确定性。
目前，还没有一个可遵循的一般性准则。
在对实际图像进行分割时，通常需要我们根据经验来确定合理的隶属函数。
因此，关于隶属函数的建立原则及方法的研究将是今后努力的方向之一。
目前有人尝试将模糊系统的处理方法引入到图像处理中，将图像分割的过程看作是一个模糊控制过程，首先选取合适的图像特征，然后建立起一套用于图像分割的模糊规则，最后按照模糊推理的方法推理出最后的分割结果。
该方法具有较好的通用性，并且分割的效果取决于模糊规则建立的好坏。
该方法是一种值得期待的研究方向。
参考文献
[1] 章毓晋.图像分割[M].北京:科学出版社，2001.
[2] 丁军娣.复杂结构的聚类学习及图像分割研究[D].南京航空航天大学，2008.
[3] 高新波.模糊聚类分析及其应用[M].西安:西安电子科技大学出版社，2004.
作者简介
郑丽鸽（1989.02-），女，河南许昌县人，硕士，五邑大学，研究方向：图像分割，联系地址：广东省江门市蓬江区东城村22号五邑大学，邮编529000。