基于廣義熵的模糊聚類與圖像分割算法研究.pdf

1、聚類是數(shù)據(jù)分析的重要工具，主要包括劃分法、層次法、密度算法、圖論方法、網(wǎng)格算法以及模型算法等方法，其中模糊C均值算法（FCM）是目前最常用的算法之一。如何提高聚類算法的正確性和適用性是學(xué)者們研究的主要方向。圖像是人們獲取信息的主要來源之一，而圖像分割是圖像分析、處理的基礎(chǔ)，所以研究高效、精確的圖像分割算法也是學(xué)者的重點研究內(nèi)容之一。近年來，很多學(xué)者致力于研究模糊聚類解決圖像分割問題，并提出了大量算法。
　　本文的研究內(nèi)容是在FCM

2、算法的基礎(chǔ)上，通過廣義熵以及空間信息的引入，實現(xiàn)了基于廣義熵的空間調(diào)整聚類算法。將目標函數(shù)的求解過程分為兩個階段，第一階段使用Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化中心點，第二階段使用復(fù)突出神經(jīng)網(wǎng)絡(luò)優(yōu)化模糊隸屬度，解決了算法在圖像分割中的應(yīng)用。
　　此外，本文在廣義熵空間調(diào)整聚類算法的基礎(chǔ)上，進一步研究了集成方法對劃分結(jié)果的影響，提出了基于廣義熵的空間調(diào)整聚類集成算法。文中引用了三種模糊聚類成員選擇方法對原始聚類結(jié)果進行初次選擇，之后使用兩

3、次選擇和一次加權(quán)的方法選擇具有典型代表性的聚類成員，最后利用 MCLA，CSPA，HGPA三個集成函數(shù)對聚類成員進行融合，得到最終劃分結(jié)果。同時，本文將目標函數(shù)中的歐式距離替換為高斯核函數(shù)，研究了核方法下的聚類集成算法的有效性。
　　另外，本文還研究了基于圖像約簡技術(shù)的聚類集成算法，通過屏蔽圖像像素中后n位，并將原始圖像中相同灰度值的像素點劃歸為多個像素組，繼而使用聚類集成方法處理圖像，最終將同一像素組中的像素點劃分到同一個聚類中