图像分割是计算机视觉领域的重要研究方向。模糊聚类方法由于其无监督的特性，在图像分割中得到了广泛的应用。然而，传统的模糊聚类方法在处理含高强度噪声和复杂形状的图像时，往往分割效果不理想。为了解决这一问题，提出了一种基于显著性检测的权重因子，用于构建加权滤波器和像素相关性模型，从而提高算法的抗噪能力。所提加权滤波器在结构相似性上比传统滤波器的最优结果高出0.1。此外，引入核度量以适应复杂图像的分割需求。在合成图像、自然图像、遥感图像和医学图像上进行了大量实验，结果表明，所提算法在视觉效果上优于传统方法，并且在分割精度上比传统方法的最优结果高出2%。

茶叶是全球最受欢迎饮品之一, 且具有丰富的营养价值, 但目前市面上的茶叶鱼龙混杂, 难以辨别。 因此, 快速准确的分类方法对茶叶进行鉴别具有重要的研究意义。 由于大多数化合物基频吸收带均出现在波长为2 500～25 000 nm的中红外区域, 茶叶的中红外光谱中含有大量关于茶叶品种的特征鉴别信息, 利用这一显著特点可以对其进行分类。 提出模糊协方差学习矢量量化(FCLVQ), 该算法在GK(Gustafson-Kessel)聚类的基础上, 引入学习向量量化(LVQ)中学习速率的概念, 用以控制模糊类中心的更新速率。 FCLVQ结合中红外光谱, 通过不断迭代计算样本模糊隶属度值和模糊聚类中心, 实现对茶叶的快速精准分类。 选取市场上的峨眉山茶叶、 优质竹叶青茶叶、 劣质竹叶青茶叶作为实验对象。 将实验对象分为3组（每个品种各1组）, 每组32个, 共计96个样本。 利用FTIR-7600型傅里叶红外光谱分析仪分别采集每组样本的中红外光谱数据, 每组样本采集三次, 取其平均值作为样本的红外光谱数据。 首先, 由于原始光谱含有噪声数据, 故使用多元散射校正(MSC)作降噪预处理; 其次, 由于光谱数据维数高达1 868维, 采用主成分分析(PCA)将光谱数据降至14维, 其14个主成分的累计贡献率为99.74%; 然后将降维后的光谱数据使用线性判别分析(LDA)进一步降至2维, 同时提取数据中的鉴别信息; 最后运行模糊C均值聚类算法(FCM), 将其运算得到的聚类中心作为FCLVQ的初始聚类中心参与迭代, 设置模糊隶属度的权重指数m=2, 最终分类准确率高达95.25%。 将FCM算法、 GK算法、 模糊Kohonen聚类网络(FKCN)算法与FCLVQ算法的运行结果进行对比, FCM, GK和FKCN的分类准确率分别为90.91%, 92.41%和90.91%。 结果表明, 与其他三个算法相比较, FCLVQ在m=2, 主成分个数为14时有着更好的分类效果, 可以用来实现对茶叶品种的准确分类。

针对输电线路电力设备红外图像热故障区域检测，提出采用一种基于相似度阈值的模糊聚类热故障区域提取方法。在该方法中，改进了传统模糊均值聚类算法的迭代求解方式，采用一种阈值化模糊聚类；其次，通过对目标区域局部邻域像素的相似度聚类分析，并结合其隶属度的计算，确保局部邻域像素在聚类上的相似性。同时，引入了最大相似度阈值准则简化均值的设置以及自高向低的迭代方式，从而提升区域提取效率。最后通过真实输电线路电气设备红外故障图像测试，验证了文中所提方法的有效性和适用性。

烧结机尾断面火焰图像能够最直接有效地反映烧结终点的状态。充分利用火焰断面图像所蕴含的有效信息对烧结终点状态进行分类具有可行性及工程实际意义。提出一种K均值结合图像颜色特征的分类算法，实现对烧结机尾断面火焰烧结状态的分类。首先，对90张火焰图像进行预处理，在烧结机采集的320 m²断面图像上按分辨率3024×1700像素对红火区域进行统一裁剪，提取烧结核心区域。对裁剪图像进行K均值分割，并对K分别为2，3，4的分割图像进行比较，结果表明K为3时的分割结果可以较准确地将火焰的红火区分割出来。其次，由于分割后的图像仍存在其他非红火区域，为了准确地提取红火区的几何特征，进一步对红火区进行颜色特征提取，得到最终的红火目标区域分割图像。最后，将提取的目标图像几何特征作为数据集，采用fuzzy C-means（FCM）算法对烧结终点状态进行分类。与传统FCM算法的分类结果对比表明，所提火焰图像分类算法改善了分类效果。

高光谱遥感数据具有详细的地物光谱与空间信息。针对高光谱数据空间信息在以往分类方法中未得到充分利用而导致鲁棒性与分类精度较低的问题,提出了一种改进的超像素分割与三维卷积神经网络分类方法。该方法首先通过超像素分割与模糊聚类对高光谱遥感数据进行区域分割,再使用三维卷积神经网络对得到的区域分割结果与高光谱数据形成的空-谱联合数据进行训练与分类。通过对空间区域进行划分融合,所提方法提升空间信息在分类中的作用,减小“同物异谱”现象对分类的影响,同时引入三维卷积神经网络对空-谱联合数据进行训练与分类,提升了高光谱分类精度。所提方法在Pavia University和Salinas数据集的总体准确率为97.53%和98.48%,与各对照实验相比,具有更为良好的分类效果,验证了所提方法的有效性。

为了实现点云数据的区域划分, 提出了一种结合超体素与粒子群优化模糊C均值（PFCM）的聚类分割算法（SPFCM）。用随机采样一致性算法去除点云平面, 根据3-D点云的空间位置、曲率以及快速直方图特征, 利用八叉树体素化点云得到超体素。采用PFCM算法对超体初步划分, 并对粘连的点云再划分, 克服了PFCM算法对于堆叠物体无法分割及较大物体过分割的缺点,并在OSD-v0.2数据集上对SPFCM算法进行了性能测试。结果表明, 相较于PFCM算法, SPFCM不仅保留了其参量少、操作简单等优点, 而且指标得到了较大提升, 准确率达到86%, 查全率达到83%。该研究对3-D点云复杂场景的准确分割提供了帮助与参考。

传统模糊C均值聚类算法在遥感图像水体分割中抑制噪声的能力弱且需人为设定的参数太多。针对这一问题,提出了一种结合引力模型的模糊聚类遥感图像水体分割方法。首先将模糊C均值聚类算法得到的模糊隶属度矩阵作为本文算法的初始隶属度矩阵,然后计算像素灰度值的局部标准差与局部均值的比率,并将归一化的比率作为加权因子来反映邻域像素对中心像素的影响程度,最后,结合空间吸引模型,在局部空间和模糊隶属度关系中引入权衡加权因子,同时考虑中心像素与其相邻像素之间的空间距离和类别隶属度差异,自适应准确地估计来自相邻像素的空间约束,使权衡加权因子完全适应图像内容。实验结果表明,相较于传统的模糊C均值聚类算法以及近年来相关的代表性算法,本文算法的分割性能具有明显的优势,分割准确度均为最高且最高达到97.1%,虚警率下降约15%~30%。

生菜的新鲜程度是影响生菜品质的最重要因素之一, 其主要取决于生菜的储藏时间, 因此, 对不同储藏时间的生菜进行准确鉴别具有重要研究价值。 由于不同储藏时间生菜的近红外光谱数据具有差异性的特点, 因而使用近红外为不同储藏时间的生菜进行鉴别分类是可行的。 通过将联合模糊C均值聚类(allied fuzzy c-means, AFCM)中的欧式距离测度替换为指数距离测度从而提出了一种GG联合模糊聚类(Gath-Geva AFCM, GGAFCM)分析算法。 GGAFCM通过迭代计算得到模糊隶属度值和典型值, 再结合近红外光谱实现了对不同存储时间生菜的高效精准鉴别。 以新鲜的生菜样本作为研究对象, 使用傅里叶近红外光谱仪(Antaris Ⅱ型)每隔12 h对生菜样本采集漫反射光谱数据, 光谱的波数范围介于10 000~4 000 cm-1之间。 首先, 通过主成分分析(principal component analysis, PCA)对采集到的1 557维生菜近红外光谱数据进行数据压缩将其降至22维, 然后通过模糊线性判别分析(fuzzy linear discriminant analysis, FLDA)对降维后的近红外漫反射光谱数据的鉴别信息进行提取。 设定鉴别向量数为2, 即通过FLDA将22维的生菜近红外光谱数据转换为了2维数据。 最后将模糊C均值聚类(fuzzy c-means, FCM)的聚类中心作为GGAFCM和AFCM的初始聚类中心, 通过运行FCM, GGAFCM和AFCM完成对不同储藏时间生菜的鉴别分类, 并对三种模糊聚类算法得到的聚类准确率、 模糊隶属度、 迭代次数进行分析。 实验结果表明: 在初始化条件相同的情况下, 采用的GGAFCM算法与FCM和AFCM算法相比具有更高的鉴别准确率。 在m=2的情况下, GGAFCM的鉴别准确率达到了95.56%, 而AFCM的聚类准确率为91.11%。 GGAFCM迭代4次达到收敛, 而AFCM与FCM均需要8次迭代计算才能达到收敛。 基于近红外光谱技术, 通过GGAFCM结合PCA与FLDA算法可以高效快速且无损的完成对储存时间不同的生菜的准确鉴别分类, 为生菜储存时间的准确、 快速鉴别提供了实验依据和参考方法, 具有一定的实际应用价值。