改進(jìn)的模糊C均值聚類(lèi)算法在圖像分割中的應(yīng)用.pdf

1、圖像分割就是指把圖像分解成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過(guò)程，它是圖像分析、識(shí)別和理解的基礎(chǔ)，是圖像處理的一個(gè)極其重要的環(huán)節(jié)，同時(shí)也是圖像處理技術(shù)中的難點(diǎn)。在對(duì)圖像信息進(jìn)行分析和處理的過(guò)程中，圖像分割是最基本的工作，決定著最終的圖像分析和圖像理解的質(zhì)量。人們?cè)趫D像分割方面做了許多研究，但是距解決實(shí)際問(wèn)題的需要相去甚遠(yuǎn)。由于圖像在成像過(guò)程中受到投影、混合、畸變和噪聲等因素的影響，圖像特征在一定程度上就會(huì)出現(xiàn)模糊和變形，那么，圖像

2、分割問(wèn)題本身就會(huì)具有模糊性，例如：光譜的模糊性，主要表現(xiàn)為混合像元以及端元的光譜變異性；幾何空間關(guān)系的模糊性，主要表現(xiàn)為空間數(shù)據(jù)不確定性、認(rèn)知不確定性及分析處理不確定性等。針對(duì)以上問(wèn)題，近年來(lái)一些學(xué)者將模糊理論引入到圖像處理中，應(yīng)用模糊聚類(lèi)進(jìn)行圖像分割。
　　本文主要研究的是模糊聚類(lèi)中應(yīng)用最普遍的模糊C均值(FCM)聚類(lèi)及其改進(jìn)算法在圖像分割中的應(yīng)用。模糊聚類(lèi)算法具有較強(qiáng)的實(shí)用性，但傳統(tǒng)模糊C均值聚類(lèi)算法(FCM)具有對(duì)樣本集進(jìn)行

3、等劃分趨勢(shì)的缺陷，沒(méi)有考慮不同樣本的實(shí)際分布對(duì)聚類(lèi)效果的影響，當(dāng)數(shù)據(jù)集中各樣本密集程度相差較大時(shí)，聚類(lèi)結(jié)果不是很理想。因此，采用一種基于密度函數(shù)加權(quán)的模糊C均值聚類(lèi)算法(DFCM算法)，該算法根據(jù)數(shù)據(jù)的自然分布特征(有的數(shù)據(jù)點(diǎn)周?chē)臄?shù)據(jù)點(diǎn)多，該點(diǎn)的密度大；相反，有的數(shù)據(jù)點(diǎn)周?chē)臄?shù)據(jù)點(diǎn)少，該點(diǎn)的密度小)，通過(guò)計(jì)算每個(gè)數(shù)據(jù)對(duì)象的高斯密度函數(shù)值并將其歸一化處理作為權(quán)值，加入傳統(tǒng)的模糊C均值聚類(lèi)算法中。將基于密度函數(shù)加權(quán)的模糊C均值聚類(lèi)算法(D

4、FCM算法)應(yīng)用于圖像分割，通過(guò)五組實(shí)驗(yàn)來(lái)證明其有效性。五組實(shí)驗(yàn)分別為：對(duì)灰度圖像的分割、對(duì)噪聲圖像的分割、對(duì)彩色圖像的分割、對(duì)紋理圖像的分割以及對(duì)遙感影像的分割。實(shí)驗(yàn)中分別利用模糊C均值聚類(lèi)算法(FCM)和基于密度函數(shù)加權(quán)的模糊C均值聚類(lèi)算法(DFCM算法)對(duì)不同圖像進(jìn)行分割對(duì)比試驗(yàn)，實(shí)驗(yàn)結(jié)果表明：⑴對(duì)于灰度圖像、彩色圖像、噪聲圖像、紋理圖像以及遙感影像來(lái)說(shuō)，DFCM算法的收斂性比FCM聚類(lèi)算法有明顯提高。⑵改進(jìn)后的算法(DFCM算法