模糊C-均值聚類算法及其在圖像分割中的應用.pdf

1、聚類分析作為一種非監(jiān)督學習方法，是機器學習領域中的一個重要的研究方向。同時聚類技術也是數(shù)據(jù)挖掘中進行數(shù)據(jù)處理的重要分析工具和方法。近年來，隨著人們對聚類技術的不斷研究，聚類分析在機器學習、數(shù)據(jù)挖掘等很多領域已經(jīng)成為人們進行數(shù)據(jù)分析和信息提取的研究熱點。 所謂聚類，就是把沒有類別標記的樣本集按某種準則劃分成若干類，使類內(nèi)樣本的相似性盡可能大，而類間樣本的相似性盡量小，是一種無監(jiān)督的學習方法。聚類分析通常是在沒有先驗知識支持的前提下

2、進行的，它所要解決的就是在這種前提下，實現(xiàn)滿足要求的類的聚合。聚類分析的研究主要集中在聚類算法上，產(chǎn)生性能好而且實用的聚類算法是其終極目的。迄今為止，人們提出了很多種不同的適用于數(shù)據(jù)挖掘的聚類算法，但這些算法僅適用于特定的問題及用戶，而且它們在理論和方法上仍不完善，甚至還有嚴重的不足之處。對聚類算法的進一步優(yōu)化研究將不僅有助于算法理論的完善，更有助于算法的推廣和應用。而引入模糊理論的模糊聚類分析為現(xiàn)實數(shù)據(jù)提供了模糊處理能力，在許多領域被

3、廣泛應用。在本文中，討論了常用的模糊聚類算法，以及這些算法的優(yōu)缺點、存在的問題以及前景展望。 模糊C-均值聚類算法是目前廣泛使用的模糊聚類算法，但它也存在一些缺點，如模糊C-均值聚類算法對初始值比較敏感，在迭代時容易陷入局部極小值等。本文對模糊聚類算法進行了改進：首先是在算法中引入模糊聚類有效性函數(shù)，對聚類數(shù)目c進行優(yōu)選。而后又將模擬退火算法和粒子群算法應用到模糊聚類中，提出了一種基于模擬退火粒子群算法的模糊聚類算法。該算法能夠

4、利用粒子群算法強大的全局尋優(yōu)能力和模擬退火算法跳出局部極值的能力，從而得到較好的聚類效果。為了證明改進的模糊C-均值聚類算法的實用性，將該算法應用于圖像分割中。 圖像分割是從輸入圖像中提取目標或感興趣區(qū)域的過程，是目標檢測和識別過程中的重要步驟。模糊聚類是模糊理論的一個重要的分支，在圖像分割中得到廣泛應用。本文對應用模糊聚類的圖像分割方法進行了探討，主要研究內(nèi)容如下： (1)給出一種將粒子群算法(PSO)與FCM聚類相結

5、合的算法，可以減少初始聚類中心和隸屬度矩陣的選取對算法收斂性的影響。依據(jù)FCM聚類算法建立目標函數(shù)，實現(xiàn)了基于PSO和FCM聚類的圖像分割算法。 (2)提出了將模擬退火粒子群算法(SA-PSO)與模糊C-均值聚類相結合的算法，并將其應用于圖像分割中，實現(xiàn)了基于SA-PSO和FCM聚類的圖像分割算法。 盡管人們在圖像分割研究方面做了許多工作，提出的算法數(shù)以千計，但至今仍無通用的分割算法，也不存在一個判斷分割是否成功的客觀標