1 中国电子科技集团公司光电研究院, 天津
2 西安邮电大学 电子工程学院, 西安
为了增强模糊局部信息C均值聚类算法的鲁棒性和分割性能, 提出一种基于特征选取的模糊局部信息C均值聚类算法。在现有的模糊局部信息C均值聚类算法基础上, 对其目标函数的局部邻域约束项添加邻域隶属度约束, 并将特征选取的思想引入该目标函数, 并利用KL散度作为正则项因子, 获得一种新的鲁棒模糊聚类算法。对算法迭代所获得的像素隶属度进行局部中值滤波, 再采用最大隶属度准则实现像素归类得到最终分割结果。实验结果表明, 文中算法相比现有的FLICM算法具有更好的分割性能和抗噪鲁棒性。
模糊C—均值聚类 高斯混合模型 特征选取 局部模糊C均值算法 KL散度 fuzzy C-means clustering Gaussian mixed model feature selection local fuzzy C-means algorithm KL-divergence
兰州交通大学电子与信息工程学院, 甘肃 兰州 730070
针对模糊C均值(FCM)聚类算法在数据集下聚类效果差的情况,以及基于欧氏距离的相似性度量只考虑数据点之间的局部一致性问题,提出了基于Jeffery散度相似性度量加权FCM聚类算法(JW-FCM)。引入源于Jeffery散度的相似性度量,首先,对于FCM算法进行特征加权,对数据的不同特征值赋予适当的权重,再将Jeffery散度与加权FCM算法进行结合得到JW-FCM算法。将JW-FCM算法与几种相关算法在人工数据集和UCI数据集上进行对比实验,通过实验分析与比较,证明了JW-FCM算法具有更好的收敛性、鲁棒性、准确性。实验结果表明,改进算法表现出较好的聚类效果。
图像处理 聚类算法 加权模糊C均值算法 Jeffrey散度 激光与光电子学进展
2021, 58(8): 0810006
1 河北地质大学 信息工程学院, 河北 石家庄 050031
2 河北地质大学 人工智能与机器学习研究室, 河北 石家庄 050031
基于灰度级的模糊C均值算法是一种快速的图像分割算法。因为无损检测图像灰度分布不均衡, 该算法不能有效分割图像中的目标与背景, 故提出一种改进的基于灰度级的模糊C均值算法 (IFCMG)。首先, 利用灰度级像素数和隶属度构造类的总隶属度表达式并将其融入目标函数中以均衡化目标像素和灰度像素对目标函数的贡献。接着, 推导基于新目标函数的隶属度和聚类中心。然 后, 考虑到类的密度也会影响聚类结果, 设计类的紧密度表征形式并将其融入聚类进程。最后, 采用无损检测图像进行分割实验。对于每幅图像, 本文算法具有较高的F_value指标值。利用综合评 价公式对所有F_value值进行评价, 本文算法综合评价值比对比算法分别高出26.13%, 16.46%, 13.75%, 25.10%。本文算法能够有效分割具有灰度分布不均衡特征的无损检测图像, 扩展了基于灰度 级的模糊C均值聚类算法的应用范围。
模糊C均值算法 灰度分布不均衡 图像分割 无损检测 fuzzy C-means algorithm unbalanced distribution of grayscale image segmentation non-destructive testing
1 河北地质大学信息工程学院, 河北 石家庄 050031
2 河北地质大学河北省光电信息与地球探测技术重点实验室, 河北 石家庄 050031
由于图像噪声强度和边界的不确定性,图像分割算法的抗噪性和准确性是一项具有挑战性的任务,提出两种改进的模糊聚类算法用于图像分割。本文算法共分两步:第一步利用各像素邻域信息自适应地对中心像素进行噪声可能性检测,噪声与图像细节参数用以构建新的加权图像,结合新图像给出两种新颖的模糊聚类算法;第二步对分割结果中可能存在的错分点进行检测并对其进行后处理,从而提高分割准确度和视觉效果。在不同的噪声水平下,利用人工合成图像、Berkeley图像及其他图像对本文算法进行分割实验,结果表明,相比于其他模糊聚类算法,本文算法在分割准确率和ARI(Adjusted Rand Index)上具有优势,而且分割结果图像轮廓清晰,视觉效果更好。
图像处理 模糊C均值算法 噪声检测 后处理 图像分割 激光与光电子学进展
2018, 55(1): 011004
郑州轻工业学院软件学院, 河南 郑州 450002
为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取 方法的基础上,提出一种基于加权模糊C均值算法方案。该方案通过加权模糊 C均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业 内公认的原型空间提取算法相比,该方案在相对较小的数据集下,具有较为理想的稳定性,较高的分类精度, 大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。
图像处理 高光谱图像 数据分类 特征提取 加权模糊C均值算法 image processing hyperspectral image data classification feature extraction weighted fuzzy C-means
南京航空航天大学自动化学院, 江苏 南京 210016
卫星云图是研究天气系统演变规律的重要信息, 云层内容从卫星云图中提取出来可以有助于云图分析, 减少陆地和海洋信息的干扰。为此采用了模糊 C均值聚类算法( FCM)进行云图聚类, 该算法具有计算效率高, 过程简单的优点, 但对初始聚类中心敏感, 容易陷入局部最优解。针对此问题, 本文将全局性良好的粒子群优化算法(PSO)引入 FCM聚类算法, 克服了初始聚类中心对全局收敛性的影响。同时, 将阴影集理论与该混合算法结合起来, 去除聚类过程中的异常值, 提高算法的效率。通过红外云图聚类对比实验得出, 改进的 FCM算法与传统的 FCM算法相比, 聚类结果图的类间距离增大, 类内距离减小, 聚类质量有所提高。
模糊 C均值算法 阴影集 粒子群算法 卫星云图聚类 fuzzy C-means algorithm shadow sets PSO satellite cloud image clustering
1 北京师范大学地表过程与资源生态国家重点实验室, 北京100875
2 北京师范大学环境演变与自然灾害教育部重点实验室, 北京100875
3 北京师范大学数学科学学院, 北京100875
分析了基本粒子群算法(PSO)、 混合粒子群优化算法(HPSO)和模糊C-均值算法(FCM)的特点, 将模糊C-均值算法引入到混合粒子群优化算法中, 发展和改进了HPSO-FCM算法, 并在Fortran语言和MATLAB环境下开发实现HPSO-FCM程序. 以2009年6月份的环境一号卫星多光谱可见光图像和ENVISAT的ASAR微波图像为基础数据, 通过波段叠加和主成分分析, 得到前3个主成分合成图像. 利用HPSO-FCM算法和非监督学习动态聚类算法(ISODATA)分别对湖南东洞庭湖3个主成分合成图像, 进行湿地分类实验. 结果表明：(1)将模糊C-均值算法引入到混合粒子群优化算法中, 具有较好的搜索速度和收敛精度, 能有效寻找和优化最佳聚类中心. (2)HPSO-FCM算法在多光谱遥感图像湿地分类精度比较高, 是一种有效的遥感图像分类方法.
混合粒子群算法 模糊C-均值算法 湿地分类 遥感 Hybrid particle swarm optimization Fuzzy C-means Wetland classification Remote sensing 光谱学与光谱分析
2010, 30(12): 3329
