基于模糊粗糙C均值的图像大数据CNN聚类与分类
模糊c均值算法的实现
模糊c均值算法的实现
模糊c均值算法是一种聚类算法，它通过将数据样本分成不同的聚类集合，并将每个数据样本与这些集合中心之间的距离最小化，从而确定聚类中心。
以下是模糊c均值算法的实现过程：
1. 初始化：选择聚类中心的数量和隶属度的初始值。
一般情况下，隶属度的初始值是随机分配的，而聚类中心可以选择数据集中的一些点。
2. 计算隶属度矩阵：根据当前的聚类中心计算每个数据点属于不同聚类的隶属度。
隶属度矩阵的元素表示一个数据点对各聚类中心的隶属程度，一般为一个0到1的实数值，表示该数据点与聚类中心之间的相似度。
3. 计算聚类中心：根据隶属度计算每个聚类集合的中心点。
聚类中心的计算是将每个数据点的坐标乘上其隶属度，然后相加得到该聚类集合的中心坐标。
4. 更新隶属度矩阵：使用新的聚类中心重新计算每个点的隶属度，这样就可以得到更新后的隶属度矩阵。
5. 判断终止条件：为了避免算法的无限循环，需要设置一些终止条件，例如隶属度矩阵的变化量小于一个给定的阈值，或者达到最大迭代次数。
6. 重复步骤2-5，直到满足终止条件。
最后，将数据点根据其隶属度进行分类，可以得到不同的聚类结果。
基于模糊C均值聚类和减法聚类结合的图像分割
＝１
Ｖ ｋ ＝ １ ２， ， ， … ｎ
用隶属度函数定义的聚类损失 函数为 ：
ｒ ｔ Ｃ
－ ， ，）＝∑ ∑ｕ Ｊ ， Ｍ （
Ｉ＝ｌ ＝ｌ ｉ
ｌ ＜ ｂ ＜＋ ∞
其中Ｍ ＝｛ ，： ， ， ｃ是聚类 中心。Ｆ Ｍ要求在进行聚类之后 ， ｎ ｉ １２ …，｝ Ｃ 上述的聚类损失函数 －（ ， ， ） ， ｕ ｃ
维普资讯
２０ ０ ８年 ６月
陕
西
理
工
学
院
学
报
Ｊｎ ．０８ ｕ ｅ２ ０
Ｖ０． ４ Leabharlann ｏ ２ １２ ． 第２ ４卷第 ２期
Ｊｕｎ ｌｏ ｈ ａ ｘ ｉｅｓｔ ｆＴ ｃ ｎ ｌｇ ｏ ｒａ ｆＳ ａ ｎ ｉＵｎｖ ｒｉ ｏ ｅｈ ｏｏｙ ｙ
作者简介 ： 王克刚（９４ ）男 ， １７一 ， 陕西镇 巴人 ， 西北大学硕士研究生 ， 安康学 院讲 师 ， 主要研究 方 向为数 字图像处理 、 模式
维普资讯
陕
西
理
工
学
院
学
报
第 ２ 卷 ４
“ ：— — — — — — — — 一 ————————
都作为潜在的聚类 中心 ， 其具体过程如下： Ｘ＝｛。 ， ， ｝ ， …， 是数据样本集 ， 为样本集中数据个数 ， ， ／ ７ ， 对于 ∈ 计算其密度指数 ： Ｘ，
组织测量以及实现三维重建有着不可忽视的重要作用。因 Ｃ Ｔ图像具有模糊性和不确定性， 其中包括 灰度和几何的模糊性以及不确定知识 ， 对于 ｃ Ｔ图像进行模糊 聚类方法加 以处理 ， 实现分割 ， 是一种有
效的 Ｃ Ｔ图像分割方法 。但对于常用的模糊 ｃ均值聚类方法 ， 其聚类 中心的初始化过程和聚类类别的 确定都存在人为干预的因素 ， 本文利用减法 聚类进行模糊 ｃ均值聚类的数据初始化工作 ， 并根据聚类 有效性 函数 ， 实现对聚类类别的确定。
改进型模糊C均值聚类算法在图像分割中的应用研究
改进型模糊C均值聚类算法在图像分割中的应用研究图像分割技术是图像处理领域中的重点研究领域之一，它是将图像分割成多个具有特定属性的区域的过程。
该技术在计算机视觉、人工智能、机器学习等领域中都有广泛应用。
而模糊C均值聚类算法是图像分割领域中常用的一种算法，如何改进该算法以提高图像分割的准确率和效率，则是当前热点的研究方向之一。
本文将重点探讨改进型模糊C均值聚类算法在图像分割中的应用研究。
一、模糊C均值聚类算法的基本原理模糊C均值聚类算法（FCM）是一种基于聚类分析的无监督学习算法，其主要思想是将相似的数据点划分为同一类别，不同的类别之间分界线清晰。
该算法可以对图像进行分割，生成多个不同区域的像素集合，每个像素都属于一个类别或群集。
FCM算法的基本流程如下：1. 随机选定C个聚类中心；2. 将数据点划分到距离最近的聚类中心；3. 根据所划分的点重新计算聚类中心的位置；4. 重复步骤2和3直至聚类中心不再变化或达到预设的最大迭代次数。
这种算法是一种模糊聚类算法，因为它不仅仅将每个数据分配到它最相似的聚类中心，而且也分配了一定的权重（概率）到其他的聚类中心上。
二、模糊C均值聚类算法的缺点然而，该算法也存在一些缺陷，如对离散数据处理不够好，收敛速度较慢，信息熵增加过快等问题。
这些问题严重地影响了FCM算法在图像分割领域的应用。
三、改进型模糊C均值聚类算法的研究现状为了解决FCM算法的缺陷，研究人员提出了许多改进型FCM算法。
其中，改进型FCM（I-FCM）算法是一种较为常用的算法。
该算法结合了区域生长算法和模糊C均值聚类算法，通过选择更合适的距离计算方式和权值计算方式，对图像分割的效果进行提高。
另外，基于光学流动的改进型FCM（OF-FCM）算法，利用图像序列中连续帧间的像素信息来引入空间和时间的先验知识，提高了FCM算法在图像分割领域中的应用效果。
四、结语总之，改进型模糊C均值聚类算法是在经典的模糊C均值聚类算法上进行改进而来的算法，通过选择合适的距离计算方式和权值计算方式实现了对图像分割效果的提高。
基于模糊C-均值聚类医学图像分割的优化算法
基于模糊C-均值聚类医学图像分割的优化算法廖林峰;邱晓晖【摘要】Fuzzy C-Means Clustering ( FCM) has a good effect in the segmentation of fuzzy medical images. By setting the initial cluster center,the division is carried out according to the membership degree of each pixel,and segmenting results are obtained by means of itera-tion. Aiming at the problem that FCM is susceptible to initial value of cluster center and noise,the genetic algorithm and particle swarm algorithm are combined to determine a set of suitable initial clustering centers. After combination,the convergence rate of initial clustering center is accelerated than that of only use of genetic algorithm. Then the objective function of standard FCM is reconstructed by introdu-cing neighborhood information of pixels so as to improve the similarity between the neighborhood and the center pixel,which makes the adjacent pixels more divided into the same class and overcomes the problem that the standard FCM only considers the gray value between the pixels and causes the sensitivity to noise and outliers. The proposed method is applied into the MRI brain image segmentation experi-ment which shows that it is superior to the standard FCM and genetic algorithm on segmentation effect.%模糊C-均值聚类(FCM)算法在分割模糊的医学图像中有很好的效果,通过设置初始聚类中心,根据每个像素的隶属度来划分属于哪一类,采用迭代的方式来得到分割结果.针对FCM 算法容易受到聚类中心初始值和噪声的影响,采用遗传算法和粒子群算法的结合算法来确定一组合适的初始聚类中心,通过遗传算法和粒子群算法的结合算法加快了单纯使用遗传算法确定初始聚类中心的收敛速度;再通过引入像素的邻域信息,重构标准FCM算法中的目标函数,以提高邻域像素和中心像素之间的相似程度,使得相邻的像素更容易划分到同一类别,克服了标准FCM算法只考虑像素间的灰度值而导致对噪声和异常值的敏感问题.将该方法应用到核磁共振成像(MRI)脑部图像分割实验中,相比标准的FCM分割算法和遗传模糊聚类算法,分割效果更好.【期刊名称】《计算机技术与发展》【年(卷),期】2017(027)012【总页数】4页(P81-84)【关键词】模糊C-均值聚类;遗传算法;粒子群算法;邻域像素;核磁共振成像【作者】廖林峰;邱晓晖【作者单位】南京邮电大学通信与信息工程学院,江苏南京 210003;南京邮电大学通信与信息工程学院,江苏南京 210003【正文语种】中文【中图分类】TP301.6由于医学图像含有的噪声高，而且各种组织之间边界比较模糊，且组织内部的灰度很不均匀，对比度也相对较低，所以采用传统的分割技术很难达到预期的效果[1]。
模糊C-均值聚类算法及其在图像分割中的应用
ｓｅｇｍｅｎｔａｔｉｏｎ．
ａ
Ｍａｎｙ ｒｅｓｅａｒｃｈｅｒｓ ｈａｖｅ ｄｏｎｅ
ａｐｐｒｏａｃｈｅｓ
ｏｎ
ｌｏｔ ｏｆ ｗｏｒｋ
ａｎｄ ｐｒｅｓｅｎｔｅｄ ｔｈｏｕｓａｎｄｓ
ｎｏ
ｏｆ
ｉｍａｇｅ
ｓｅｇｍｅｎｔａｔｉｏｎ．Ｕｎｆｏｒｔｕｎａｔｅｌｙ ｔｈｅｒｅ ｉｓ
ｉｓ
ｅｖｅｎ
ｕｎｉｖｅｒｓａｌ ｍｅｔｈｏｄ ｗｈｉｃｈ ｆｏｒ ｅｖａｌｕａｔｉｎｇ ａｎｄ ｗｉｄｅ。ｕｓｅｄ
ｎｏｗ，ｍａｎｙ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｈａｖｅ ｂｅｅｎ ｐｒｅｓｅｎｔｅｄ，ｂｕｔ ｔｈｅｓｅ ａｌｇｏｒｉｔｈｍｓ ａｔｅ ｏｎｌｙ
ｓｕｉｔｅｄ ｓｐｅｃｉａｌ ｐｒｏｂｌｅｍｓ ａｎｄ
ｕｓｅｒｓ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｔｈｅｙ
ａｒｅ
ｉｍｐｅｒｆｅｃｔ
ｂｏｔｈ ｔｈｅｏｒｅｔｉｃａｌｌｙ
ｍｏｄｉｆｉｅｄ ｐａｒａｍｅｔｅｒ
ａｌｇｏｒｉｔｈｍ
ｉｓ ｐｕｔ ｆｏｒｗａｒｄ．Ｔｈｅ
ｂａｓｉｃ ｉｄｅａ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ
ｓｕｂｊｅｃｔｉｏｎ
ｏｆ ｃｌｕｓｔｅｒｓ
ｖａｌｕｅ ｂｙ ａｄｄｉｎｇ ｗｅｉｇｈｔｅｄ ｖａｌｕｅ ａｎｄ ｔｈｅ ｏｐｔｉｍａｌ ｃｈｏｉｃｅ ｆｏｒ
Ｃ
ｂａｓｅｄ
ｏｎ
ｃｌｕｓｔｅｒ ｖａｌｉｄｉｔｙ
ｆｕｎｃｔｉｏｎ．Ｔｈｅｎ，ｔｈｅ
ＦＣＭ ｂａｓｅｄ
ｏｎ
．Ｖ．
山东师范大学硕士学位论文
ＳＡ．ＰＳＯ ｉｓ ｐｕｔ ｆｏｒｗａｒｄ．Ｔｈｅ ａｌｇｏｒｉｔｈｍ ＰＳＯ ａｎｄ ｔｈｅ ａｂｉｌｉｔｙ ｔｏ
Ｃａｌｌ
改进的基于模糊C-均值聚类的图像分割算法
改进的基于模糊C-均值聚类的图像分割算法李伟【摘要】目前的FCM类型的算法聚类数目的确定需要聚类原形参数的先验知识,否则算法就会产生误导.为了提高图像分割算法的抗噪性能,用K均值聚类算法简单、快速的优点对模糊C均值聚类算法进行改进.结合图像的邻域信息,对图像的直方图作均衡化处理,改善图像质量,通过自适应滤波,降低噪声对分割效果的影响.先用K均值聚类算法对图像进行分割,快速的获得较为准确的聚类中心和初次分割图像,避免了FCM算法中初始聚类中心选择不当造成的死点问题.用邻域灰度均值信息代替传统模糊C均值聚类算法中的灰度信息,对K均值聚类得到的图像作二次分割.该方法能更好的抑制噪声的干扰,提高了聚类算法的分割精确度.%The number of clustering in the FCM algorithm need prior knowledge of the clustering prototype parameters,or the algorithm will produce misleading.This paper used simple and fast advantages of K-means clustering algorithm to improve fuzzy C-means clustering algorithm in order to improve the performance of the noise in the algorithm,and combined with the neighborhood information of the image and make equalization processing on the histogram of the image.The quality of the image was improved.This paper reduced the noise effect to the segmentation through the adaptive ed K-means clustering algorithm in the image segmentation to obtain accurate clustering center and the initial segmentation image in order to avoid the dead point problem caused by the inappropriate initial clustering center,obtained secondary division image with the neighborhood grayscale average information instead of the grayinformation of traditional fuzzy C-means clustering algorithm.This method could reduce the interference of noise better and improve the accuracy of segmentation of the clustering algorithm.【期刊名称】《哈尔滨商业大学学报（自然科学版）》【年(卷),期】2013(029)004【总页数】5页(P457-461)【关键词】模糊C-均值聚类;图像分割;空间邻域;灰度直方图;模糊聚类;K均值聚类【作者】李伟【作者单位】哈尔滨工程大学信息与通信工程学院,哈尔滨150001【正文语种】中文【中图分类】TN911.73图像分割是计算机视觉研究中重要的研究领域.根据Fu和Mui 的综述，图像分割的方法可以被归为3 类，即特征阈值化和聚类、边缘检测、区域检出［1］.模糊聚类分析是非监督模式识别的主要技术之一.模糊聚类在图像分割中是一种较好的方法，能有效解决经典数学不能精确表达的问题，是一种有效的聚类方法.该算法广泛应用于特征分析、模式识别、图像处理与分析、智能信息处理等领域［2－3］.本文用K 均值聚类算法对模糊C－均值(FCM)聚类算法进行改进，对灰度图像进行聚类分割.FCM 算法是由Dunn 提出，经过Bezdek 的推广后，获得了较广泛的应用.该算法用于图像分割，是一种非监督模糊聚类后标定的过程，适合于图像中存在模糊性和不确定性的特点.然而，由于传统的FCM 算法实际上是一种基于像素分类的图像分割方法，仅利用了图像的灰度信息而没有考虑像素的空间信息，对于分割含噪图像不能得到满意的结果.该算法存在着一些明显的不足:1)有时聚类类数无法预先确定，使用时需要确定聚类的有效性准则;2)类中心位置不一定事先知道，必须进行初始猜测;3)对大数据样本集进行聚类时，运算开销太大.4)对初始化极为敏感，容易陷入局部极小值而得不到全局最优解［4］.这些不足之处限制了该算法的应用.本文结合图像的邻域信息，对图像的直方图作均衡化处理，把原本不清晰的图像变得清晰，通过自适应滤波降低噪声对分割效果的影响.利用K均值具有快速、简单的优点对图像作初次分割，得到初次分割图像和较为准确的聚类中心.以K 均值得到的聚类中心为初始聚类中心，在FCM 算法中用邻域灰度均值代替灰度信息对K 均值得到的初次分割图像作二次分割.该方法能更好的抑制噪声的干扰，提高了聚类的分割精确度.1 标准的模糊C－均值聚类算法FCM 算法用于图像分割，是根据图像中像素和C个聚类中心的每一个中心间的加权相似性测度对目标函数进行迭代优化，以获得最优聚类结果［5－6］.目标函数如下:其中:X={x1，x2，……xn}为样本集合，xj∈Rp，n 是聚类空间的样本数;V={v1，v2，…，vc}为c个聚类中心组成的集合，vi∈Rp，c 是聚类的类别数;uij是第i 类样本点xj的隶属度;dij=‖xj－vi‖2 是内积矩阵范数，表示样本点xj距聚类中心vi 的欧氏距离;隶属度矩阵U=［uij］c×n满足式(2)、(3).在每次迭代的过程中，uij 和vi的最小化是分别进行的.最小化必须的条件在执行过程中服从于更新方程式.模糊隶属函数独立于所选的距离函数和原型，表示为式(4):在标准的FCM 算法中，聚类中心是和数据同维度的向量，聚类中心的更新方式为2 K 均值聚类算法在众多的聚类算法中，K 均值是最常用的一种基于硬划分准则的算法.该算法通过不断反复迭代的思想将每个对象惟一的划分到一个类中.在满足式(6)的非线性目标函数最小化的条件下，把数据集(由n个对象Xj(j=1，2，…n)构成)划分成k个类Gi(i=1，2，…，k)，这k个类尽可能独立、紧凑［7］，即类间对象的相似性尽可能的低，而类内对象的相似性尽可能的高.Gj表示含有n个数据对象的Gj的质心:K 均值聚类算法的步骤［8－9］:步骤1:选定聚类类别数目k;步骤2:随即选取数据集Xj中的k个对象作为Gi的初始聚类中心;步骤3:计算Xj与Gi的距离d(Xj，Gi)，将对象划分到与之距离最小的那个类中; 步骤4:新生成的类中所有对象的均值作为新的聚类中心;步骤5:如果非线性目标函数的误差变化很小，达到所设定的阈值则停止迭代，否则重复步骤3～5.迭代过程结束后，得到被分割的图像和聚类中心.鉴于K－均值聚类算法具有简洁、搜索力强、适合处理大数据集的优点，被广泛的应用于数据挖掘领域中.3 改进的基于模糊C－均值聚类的图像分割算法由于图像中噪声的影响，图像变得模糊不清.自适应滤波器保留了图像的边界和图像的高频部分，会产生比线性滤波更好的效果.为了减少噪声对分割效果的影响，需要对待分割图像做自适应滤波处理.由于各种拍摄条件的限制，导致图像模糊不清，对比度较差.图像的直方图是一个统计像素个数的图形，它统计一幅图像中相同像素值的个数.从图1、2 可以看出，图像的像素主要集中分布在70～160 之间，在［0，70］和［160，255］之间基本为没有像素分布.由于该幅图像的像素值在中间部分，导致像素的区分度较小，因此图像的对比度不够，图像模糊不清.因此，可以利用直方图均衡化调整图像的灰度范围，提高图像对比度，使图像细节更加清晰.通过直方图均衡化处理，图像变得清晰，如图3所示.图1 小女孩图像图2 小女孩图像灰度直方图从图3、4 可以看出，经过直方图均衡化和自适应滤波处理之后，图像的灰度直方图反应的灰度范围增大，图像也变得清晰.图3 预处理后图像图4 预处理后图像的灰度直方图K－均值聚类算法通常采用误差平方和函数作为优化的目标函数，如式(6)所示，Gj 表示含有n个数据对象的Gj的质心，目标函数表示数据样本与簇之间中心间的差异度平方的总和，目标函数值的大小跟簇中心有密切的关系.显然，目标函数的值越小则代表聚类结果的质量就越好.新算法中首先利用直方图均衡化与自适应滤波改善图片质量，降低噪声对分割效果的影响.然后利用K 均值聚类算法对图像进行分割，得到分割的图像和聚类中心Gj.由于K 均值聚类算法具有简单、快速的优点，所以用K 均值聚类算法对图像做一次分割，得到初次分割图像和聚类中心，可大大提高FCM 分割算法的效率，避免了FCM 图像分割算法中因聚类中心选择不当造成的死点问题.而且该算法中，用邻域灰度均值代替灰度信息，能有效降低噪声对分割效果的影响.新算法的步骤如下:1)设定循环迭代终止的条件，对待分割图像作直方图均衡化处理得到较为清晰的图像;2)在图像中加入高斯噪声;3)对新图像进行自适应滤波处理，降低噪声对分割效果的影响;4)用K 均值聚类算法对1)～3)处理后的图像作分割处理，得到分割后的图像和聚类中心;5)在标准的FCM 图像分割算法中，初始聚类中心为步骤4)得到的聚类中心，用邻域灰度均值代替图像的灰度信息，对步骤4)得到的图像进行循环迭代，当达到迭代终止条件时停止迭代，否则继续循环;6)迭代终止后，根据最大隶属度原则对清晰图像进行分割;实验及分析见图5～14.图5 K 均值算法图6 标准的FCM 算法图7 本文算法图8 大米图像图9 大米图像加入高斯噪声图10 加入高斯噪声的图像灰度直方图图11 预处理后图像的灰度直方图图12 K 均值算法图13 标准的FCM 算法图14 本文算法从图10 可以看出，噪声的存在严重影响了图像的直方图的分布情况.由于标准的FCM 算法采用了对噪声敏感的欧式距离，而且没有考虑到图像中不同的像素对分割的贡献不同，未将邻域灰度信息加入到算法中，因此分割出的图像含有较多的噪声，甚至会产生误分割.通过对比标准的FCM 算法、K 均值聚类时算法和本文算法的分割效果可以看出，本文算法能有效去除噪声对分割效果的影响，提高分割精度.4 结语本文对标准的FCM 分割算法进行了改进，新算法不仅保持了传统的FCM 算法的模糊划分优势而且降低了对噪声的敏感度.在该算法中，通过直方图均衡化和自适应滤波，尽可能的减少图片中噪声的影响，增强图像对比度.利用K 均值聚类算法快速、简单的优点对图像作初次分割，得到初次分割图像和聚类中心.然后用图像邻域灰度均值信息代替了传统的灰度信息用FCM 算法以K 均值的聚类算法得到的中心为初始聚类中心对初次分割图像作二次分割，不仅依靠K 均值算法提高算法的速度，而且用K 均值聚类中心为初始聚类中心，有效的避免了初始聚类中心选择不当造成的死点问题.实验结果表明，改进的FCM 算法大大提高了算法的鲁棒性，更好的抑制了噪声的干扰，提高了分割算法的精度.参考文献:［1］杨金龙，张光南.基于二维直方图的图像分割算法研究［J］.激光与红外，2008，38(4):400－403.［2］李德俭，柏正尧.一种基于二维直方图与FCM 的图像分割方法［J］.仪器仪表学报，2009，30(6):276－279.［3］沙秀艳，何友.邻域灰度差加权的模糊C 均值聚类图像分割算法［J］.火力与指挥控制，2008，33(12):34－40.［4］张扬，王士同.基于改进模糊聚类算法鲁棒性的图像分割［J］.中国图像图形学报，2008，13(5):911－917.［5］张云飞，张晔.二维直方图创建的新方法实现图像自动分割［J］.光电工程，2007，34(1):76－79.［6］杨润玲，高新波.基于加权模糊C 均值聚类的快速图像自动分割算法［J］.中国图像图像学报，2007，12(12):2105－2111.［7］路彬彬，贾振红.基于邻域灰度的模糊C 均值图像分割［J］.光电子激光，2011，22(3):469－473.［8］AWATE S P，ZHANG H.A Fuzzy，Nonparametric Segmentation Framework for DTI and MRI Analysis:With Applications to DTI－Tract Extraction［J］.IEEE transactions on medical imaging，2007，26(11):1525－1536.［9］肖刚.基于小波域软阈值的指纹分割方法研究［J］.哈尔滨商业大学学报:自然科学版，2012，28(2):231－234.。
基于类内类间距离的模糊C-均值聚类分割算法
Ａｂｓｔｒａｃｔ： Ａｉｍ ｉｎｇ ａｔ ｔｈｅ ｄｅｆｅｃｔ ｔｈａｔ ｔｈｅ ｆｕｚｚｙ Ｃ－ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｏｎｌｙ ｃｏｎｓｉｄｅｒｅｄ ｉｎｔｒａ－ｃｌａｓｓ ａｓ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｍ ｅａｓｕｒｅ， ａ ｋｉｎｄ ｏｆ ｆｕｚｚｙ Ｃ－ｍ ｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｗａｓ ｐｒｏｐｏｓｅｄ ａｎｄ ａｐｐｌｉｅｄ ｔＯ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｂｙ ｃｏｍｂｉｎｉｎｇ ｔｈｅ ｉｎｔｅｒ－ｃｌａｓｓ ｄｉｓ— ｔａｎｃｅ ｂｅｔｗｅｅｎ ｃｌｕｓｔｅｒｉｎｇ ｃｅｎｔｅｒｓ． Ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｏｆ ｉｎｔｒａ－ｅｌａｓｓ ｄｉｓｔａｎｃｅ ａｎｄ ｉｎｔｅｒ－ｅｌａｓｓ ｄｉｓｔａｎｃｅ ｗｉｔｈｉｎ ｔｈｅ ｏｂｊｅｃｔ ｆｕｎｃｔｉｏｎ ｗａｓ ｔａｋｅｎ ａｓ ｔｈｅ ｃｌｕｓｔｅｒｉｎｇ ｍｅａｓｕｒｅ，ｗｈｉｃｈ ｎｏｔ ｏｎｌｙ ｃｏｎｓｉｄｅｒｅｄ ｉｎｔｒａ－ｃｌａｓｓ ｃｏｍｐａｃｔｎｅｓｓ，ｂｕｔ ａｌｓｏ ｔｏｏｋ ｔｈｅ ｉｎｔｅｒ－ｃｌａｓｓ ｓｅｐａｒａｔｉｏｎ ｉｎｔｏ ａｃｃｏｕｎｔ．Ｔｈｅ ｃｏｍｐａｃｔｎｅｓｓ ｏｆ ｃｌｕｓｔｅｒｓ ａｎｄ ｓｅｐａｒａｔｉｏｎ ｗｉｔｈｉｎ ｔｈｅｍ ａｃｈｉｅｖｅｄ ｏｐｔｉｍａｌ ｖａｌｕｅｓ ｂｙ ａｄｊｕｓｔｉｎｇ ｔｈｅ ｒｅｌｅｖａｎｔ＂ｐａｒａｍｅｔｅｒｓ， ａｎｄ ｔｈｅ ａｃｃｕｒａｃｙ ａｎｄ ｒｏｂｕｓｔｎｅｓｓ ｏｆ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｗｅｒｅ ｉｍｐｒｏｖｅｄ．Ｒｅｓｕｌｔｓ ｏｆ ｓｅｇｍ ｅｎｔａｔｉｏｎ ｔｅｓｔｓ ｏｆ ａ ｌａｒｇｅ ｎｕｍｂｅｒ ｏｆ ｓｙｎ— ｔｈｅｔｉｃ ｉｍ ａｇｅｓ ａｎｄ ｒｅａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ｉｓ ｅｆｆｅｃｔｉｖｅ，ｅｓｐｅｃｉａｌｌｙ ｆｏｒ ｎｏｉｓｙ ｉｍａｇｅｓ，ｔｈｅ ｅｆｆｅｃｔ ｉｓ ｂｅｔｔｅｒ ｔｈａｎ ｏｔｈｅｒ ｆｕｚｚｙ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｓ． Ｋｅｙ ｗｏｒｄｓ： ｆｕｚｚｙ ｃｌｕｓｔｅｒｉｎｇ；ｉｎｔｒａ－ｃｌａｓｓ ｄｉｓｔａｎｃｅ；ｉｎｔｅｒ－ｃｌａｓｓ ｄｉｓｔａｎｃｅ；ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ；ｅｒｒｏｒ ｒａｔｅ
一种基于C均值的模糊核聚类图像分割算法
一种基于C均值的模糊核聚类图像分割算法
彭建喜
【期刊名称】《电视技术》
【年(卷),期】2014(038)009
【摘要】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.
【总页数】4页(P28-31)
【作者】彭建喜
【作者单位】佛山职业技术学院,广东佛山528000
【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.一种基于模糊核聚类的脑部磁共振图像分割算法 [J], 相艳;贺建峰;易三莉;徐家萍;张娴文
2.一种基于均值漂移和遗传算法的图像分割算法 [J], 王建;张建伟;陈仲恒
3.一种改进的模糊核聚类红外图像分割算法 [J], 沈华峰
4.一种基于均值漂移和遗传算法的图像分割算法 [J], 王建;张建伟;陈仲恒
5.一种改进的模糊核聚类图像分割算法 [J], 欧杨梅;王毅;严欣;齐敏
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
基于模糊粗糙C均值的图像大数据CNN聚类与分类
基于模糊粗糙C均值的图像大数据CNN聚类与分类
近年来，随着图像大数据的迅猛发展，图像聚类与分类问题逐渐成为计算机视觉领域中的研究热点之一。
而传统的聚类与分类算法在处理大规模图像数据时面临着计算复杂度高、特征表示不准确等问题。
因此，本文提出了一种基于模糊粗糙C
均值的图像大数据CNN聚类与分类方法，通过融合深度学习和模糊粗糙理论，旨在提高图像处理的效果和准确性。
首先，本文介绍了模糊粗糙理论的基本原理。
模糊粗糙理论是通过两个数学工具，即模糊理论和粗糙集理论的结合，对不确定性和不完备性的信息进行处理。
在图像处理方面，模糊粗糙理论可以很好地处理图像的模糊性和噪声，同时提取出图像中的模糊粗糙特征。
接着，本文详细介绍了C均值聚类算法及其在图像处理领域的应用。
C均值聚类算法是一种常用的聚类算法，通过迭代
更新样本和质心的位置，将样本划分到不同的簇中。
然而，传统的C均值算法难以处理图像数据中的模糊性和噪声，而模糊粗糙C均值算法则是在传统C均值算法的基础上引入了模糊粗糙理论，通过考虑样本的模糊粗糙特征，更好地处理图像数据。
接下来，本文引入了卷积神经网络（CNN）的概念并详细
阐述其在图像聚类与分类中的作用。
CNN是一种专门用于图像
处理的神经网络结构，通过多个卷积层和池化层的组合，可以提取出图像数据中的特征。
通过将卷积神经网络与模糊粗糙C
均值算法相结合，可以充分利用CNN对图像进行特征提取的优势，提高图像处理的效果和准确性。
最后，本文提出了一种基于模糊粗糙C均值的图像大数据
CNN聚类与分类方法。
该方法首先使用CNN对图像数据进行特
征提取，得到图像的高级表示。
然后，将高级表示作为输入，应用模糊粗糙C均值算法对图像进行聚类与分类。
在聚类过程中，通过考虑模糊粗糙特征，可以更好地处理图像数据中的模糊性和噪声。
在分类过程中，通过利用CNN提取出的特征，可以提高分类的准确性和效果。
通过实验证明，基于模糊粗糙C均值的图像大数据CNN聚类与分类方法在处理图像数据时具有较高的聚类准确性和分类精度。
与传统的聚类与分类算法相比，该方法在处理大规模图像数据时具有更好的效果和准确性。
因此，本文的研究成果对于图像大数据的处理和应用具有重要的实际意义。
综上所述，本文提出了一种基于模糊粗糙C均值的图像大数据CNN聚类与分类方法，该方法通过融合深度学习和模糊粗糙理论，旨在提高图像处理的效果和准确性。
未来，我们将进一步优化算法，探索更多的图像处理技术，并将该方法应用于其他领域，为图像大数据的处理和应用提供更多的研究思路和方法
综合利用CNN对图像进行特征提取的优势和模糊粗糙C均值算法对图像进行聚类与分类的特点，本文提出的基于模糊粗糙C均值的图像大数据CNN聚类与分类方法在处理图像数据时表现出较高的聚类准确性和分类精度。
该方法能够更好地处理图像数据中的模糊性和噪声，并利用CNN提取的特征提高分类的准确性和效果。
通过实验证明，该方法在处理大规模图像数据时比传统的聚类与分类算法具有更好的效果和准确性。
因此，本研究成果对于图像大数据的处理和应用具有重要的实际意义。
未来的研究方向包括进一步优化算法、探索更多的图像处理技
术，并将该方法应用于其他领域，为图像大数据的处理和应用提供更多的研究思路和方法。