基于核函數(shù)的模糊聚類算法研究.pdf

1、圖像分割是指將圖像劃分成一系列彼此互不交疊的勻質(zhì)區(qū)域。它是圖像處理和計(jì)算機(jī)視覺(jué)的基本問(wèn)題之一，是實(shí)現(xiàn)從圖像處理到圖像分析，進(jìn)而完成圖像理解的關(guān)鍵性步驟，并且已在諸如計(jì)算機(jī)視覺(jué)、模式識(shí)別和醫(yī)學(xué)圖像處理等實(shí)際中得到了廣泛的應(yīng)用。 在眾多圖像分割算法中，模糊C均值聚類（Fuzzy C—Means， FCM）算法的應(yīng)用十分廣泛。傳統(tǒng)的模糊C均值聚類算法是通過(guò)歐式距離來(lái)建立目標(biāo)函數(shù)，在分類效果上存在一些不足。目前，許多研究者通過(guò)定義其它距

2、離方式來(lái)建立目標(biāo)函數(shù)，以改進(jìn)傳統(tǒng)的模糊聚類算法，應(yīng)用較廣的是一種采用核函數(shù)的方法，通過(guò)核距離的方式來(lái)建立算法的目標(biāo)函數(shù)，設(shè)計(jì)了模糊核函數(shù)聚類算法。 盡管模糊核函數(shù)聚類算法提高了算法的分類能力，但是算法在處理數(shù)據(jù)樣本時(shí)，聚類中心計(jì)算的準(zhǔn)確度不高。此外，算法忽略了圖像的空間連續(xù)性信息，對(duì)于圖像中的噪聲較敏感，算法的聚類效果不好，針對(duì)上述問(wèn)題，本文在模糊核函數(shù)聚類算法的基礎(chǔ)上做了進(jìn)一步探討與研究，引入了噪聲類及Markov隨機(jī)場(chǎng)，以達(dá)

3、到增強(qiáng)算法的分割能力，其主要研究?jī)?nèi)容如下： 1．介紹了模糊C均值聚類算法相關(guān)內(nèi)容，并闡述了算法的優(yōu)缺點(diǎn)。在此基礎(chǔ)上，介紹了與核函數(shù)相關(guān)的定義、基本原理以及核函數(shù)的選擇，分析了模糊核函數(shù)聚類算法的思想，并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了該類算法對(duì)傳統(tǒng)模糊C均值聚類算法分類能力的有效提高。 2．為了提高模糊核函數(shù)聚類算法的聚類能力，本文將噪聲類的概念融入到模糊核函數(shù)聚類算法中，設(shè)計(jì)了一種含噪聲類的模糊核函數(shù)聚類算法，并通過(guò)使用IRIS數(shù)據(jù)

4、對(duì)算法進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證了算法的有效性。 3．為了進(jìn)一步提高算法的精度，本文設(shè)計(jì)了基于Markov隨機(jī)場(chǎng)和噪聲類的模糊核函數(shù)聚類算法，在算法設(shè)計(jì)過(guò)程中，結(jié)合了基于隸屬度矩陣的Markov隨機(jī)場(chǎng)先驗(yàn)?zāi)Ｐ?，同時(shí)融入噪聲類的概念，并將算法應(yīng)用于人工合成紋理圖像以及醫(yī)學(xué)圖像中，驗(yàn)證了算法的可行性和優(yōu)越性。 本文所設(shè)計(jì)的算法均在MATLAB環(huán)境中得到了實(shí)現(xiàn)，在實(shí)現(xiàn)過(guò)程中將各類實(shí)驗(yàn)結(jié)果同相關(guān)算法進(jìn)行比較，驗(yàn)證了本文所設(shè)計(jì)的算法的可行