基于蚁群和自适应滤波的模糊聚类图像分割

为了改进模糊C均值聚类(FCM)算法对初始聚类中心敏感、抗噪性能较差、运算量大的问题,提出一种新的基于蚁群和自适应滤波的模糊聚类图像分割方法(ACOAFCM).首先,该方法利用改进的蚁群算法确定初始聚类中心,作为FCM初始参数,克服FCM算法对初始聚类中心的敏感;其次,采用自适应中值滤波抑制图像噪声干扰,增强算法的鲁棒性;最后,用直方图特征空间优化FCM目标函数,对图像进行分割,减少运算量.实验结果表明,该方法克服了FCM算法对初始聚类中心的依赖,抗噪能力强,收敛速度快,分割精度高.     

峰值检测 FCM 算法的医学图像分割

为了更好地平衡传统FCM及其相关改进算法的分割效果与分割效率问题,提出了一种基于峰值检测的快速FCM图像分割算法。首先基于峰值检测策略对聚类中心进行初始化;然后在初始化聚类中心的基础上对医学图像进行分割。其本质是运用峰值检测技术指导聚类中心的初始化,以使初始化的聚类中心尽可能靠近最终的聚类中心,从而以提高算法的工作效率。在医学图像上进行的实验表明,算法可以有效地提高图像分割的效率,并能得到很好的分割效果。     

结合ECM和FCM聚类的遥感图像分割新方法*

模糊C均值算法(FCM)具有良好的聚类性能从而被广泛应用于图像分割领域,但其存在距离测度鲁棒性差、需预先给出初始聚类数目、未考虑图像局部相关特性等问题。本质上讲,FCM算法是一种局部搜索优化算法,如果初始值选择不当,不仅需要更多的迭代次数,而且会收敛到局部最优解。针对上述问题,结合进化聚类(ECM)和FCM算法,提出了一种遥感图像分割的新方法。利用ECM解决模糊C均值聚类算法的初始化中心选择问题,再利用FCM算法对获得的聚类中心进行优化,完成模糊聚类划分,通过去模糊化转换为确定性分类,实现聚类分割。实验结     

模糊C均值聚类与硬聚类的性能比较及改进

本文以灰度值的图像分割为基础,对模糊C均值聚类算法(Fuzzy C-means,FCM)[1]和硬聚类进行了详尽的讨论,在此基础上对两者进行了比较,包括两者的迭代速度比较和两者的分割效果比较,聚类中心的初始化对迭代速度和分割效果的影响,并以此为基础对FCM聚类算法进行了改进。实验表明,改进的FCM聚类算法在迭代速度和分割效果方面都明显优于原始的FCM聚类算法。     

基于自适应初始值的FCM聚类图像分割

FCM聚类算法对初始值敏感,不良的初始值会导致算法的收敛速度过慢和收敛到局部极值。将FEM算法用于图像分割处理时,初始值的选择是一个难点。文中提出了一种使用自适应初始值的FCM聚类图像分割算法,该方法利用图像的直方图特性建立候选聚类中心集,通过初始化准则函数检验候选集得到合适的聚类中心和聚类数目,并根据最大隶属度原则分割图像,得到了较好的分割效果。理论分析和实验表明文中方法收敛速度快,分割准确,自适应性很强。     

基于自适应初始值的FCM聚类图像分割

FCM聚类算法对初始值敏感,不良的初始值会导致算法的收敛速度过慢和收敛到局部极值。将FEM算法用于图像分割处理时,初始值的选择是一个难点。文中提出了一种使用自适应初始值的FCM聚类图像分割算法,该方法利用图像的直方图特性建立候选聚类中心集,通过初始化准则函数检验候选集得到合适的聚类中心和聚类数目,并根据最大隶属度原则分割图像,得到了较好的分割效果。理论分析和实验表明文中方法收敛速度快,分割准确,自适应性很强。     

改进的快速FCM 图像分割算法

针对模糊C 均值(FCM)聚类算法在图像分割中存在的对初始类中心敏感且迭代过程中计算量大的问题,提出了一种改进的算法。先通过精简数据集,减少算法迭代的时间;再使用样本密度法得到FCM 分割算法的初始聚类中心,以减少算法收敛所需的迭代次数。实验结果表明,改进后的分割算法较好地解决了类中心的初始化问题,提高了算法的收敛速度和运行速度。     

基于进化聚类的图像分割方法

介绍了一个与模糊C均值FCM算法等效的图像颜色分割的方法.首先利用进化聚类对图像中的像素依据其RGB的值进行进化聚类划分,对划分后的各个类的类中心用遗传算法进行优化,然后再对图像中像素进行归类划分,使其满足各类中元素具有较高的相似度,而不同类中的元素相似度差别较大的目标,并与FCM算法进行了实验对比,结果表明经人工评价该算法与模糊C均值FCM算法等效.     

自适应FCM算法在图像分割中的应用研究

针对目前还没有较好的方法确定模糊C均值FCM聚类中C值和各个初始聚类中心这一问题,提出一种先用进化聚类快速确定初始聚类中心和聚类个数C,后用模糊C均值FCM聚类的算法,算法时间复杂度和空间复杂度与C均值FCM基本相当。应用该算法在人物图像和遥感图像中进行了分割实验验证,算法在分割的准确性和模糊边界的分隔上取得令人满意的效果。     

FCM融合改进的GSA算法在医学图像分割中的研究

医学图像由于具有复杂性,在对其进行图像分割时存在很大的不确定性,为了提高模糊c均值聚类算法(FCM)在处理医学图像分割时的性能,提出一种新的混合方法进行图像分割。利用FCM算法将图像像素分成均匀的区域,融合引力搜索算法,将改进的引力搜索算法纳入模糊c均值聚类算法中,以找到最优聚类中心,使模糊c均值聚类的适应度函数值最小,从而提高分割效果。实验结果表明,相对于传统的聚类算法,所提算法在分割复杂的医学图像方面更具有效性。     

结合蚁群聚类算法的模糊C均值聚类

模糊C均值（FCM）聚类算法采取随机选取聚类中心的方法,这种方法使得FCM算法在局部范围内容易获得最优解,但在全局范围内效果较差,且FCM算法中聚类簇的个数一般需要人为设定。面对上述种种问题,文中将蚁群聚类算法和FCM聚类算法进行结合,获得了一种改进的FCM聚类算法。该算法在初步聚类中利用蚁群聚类产生聚类中心和簇的个数,将产生的聚类中心提供给FCM算法进行再次聚类。利用蚁群聚类的全局搜索和并行运算的优点避免了聚类易陷入局部最优解的缺陷。经过实验验证,该算法较一般FCM算法具有更好的性能。     

一种基于蚁群算法的模糊C均值聚类

针对模糊C均值(FCM)聚类算法,在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解,FCM算法自身并不能确定聚类个数需要人为设定,并在数据分类应用时具有了一定误差的问题,提出了一种基于蚁群算法的FCM聚类算法。该算法根据蚁群聚类算法确定模糊聚类个数和FCM算法的初始聚类中心：利用蚁群算法的全局搜索性、并行计算性等特点避免了聚类陷入局部最优解：仿真结果表明了该算法的有效性。     

基于改进蝙蝠算法优化的FCM聚类算法

针对传统模糊C-均值（Fuzzy C-Means, FCM）聚类算法隐含假设各个样本和各维属性对聚类结果作用相同,导致算法聚类性能降低,以及对初始中心点敏感且易陷入局部最优的问题,提出一种基于改进蝙蝠算法优化的FCM聚类算法。该算法首先采用混沌映射和速度权重来改进蝙蝠算法,然后利用改进蝙蝠算法确定FCM算法的初始聚类中心,最后根据各个样本和各维属性对聚类结果作用不同,采用样本和属性加权法对FCM算法的目标函数重新设计。实验结果表明,改进算法表现出较好的聚类效果。     

基于加权改进模糊C均值聚类的欠定混合矩阵估计

语音欠定混合矩阵估计问题中，针对模糊C均值聚类(FCM)算法对初始聚类中心敏感、易受噪声点干扰、鲁棒性差的缺陷，提出一种基于加权的进化规划与FCM相结合的改进算法(WE-FCM)。首先，利用进化规划(EP)算法强大的搜索能力优化FCM得到基于进化规划的FCM算法(EP-FCM)，以获得较佳的初始聚类中心；然后，利用局部离群点检测(LOF)算法对EP-FCM加权以降低噪声点的影响。通过仿真实验得出，所提算法在源信号数为3路和4路时归一化均方误差值与偏离角度值均远小于经典的K均值聚类(K-means)算法、K-Hough、基于遗传算法的FCM算法(GAFCM)和基于密度峰值的FCM算法(FDP-FCM)。实验结果表明，所提算法明显提高了FCM算法的鲁棒性和混合矩阵的估计精度。     

基于密度敏感距离的改进模糊C均值聚类算法

模糊C均值（FCM）聚类算法无法识别非凸数据,算法中基于欧式距离的相似性度量只考虑数据点之间的局部一致性特征而忽略了全局一致性特征。提出一种利用密度敏感距离度量创建相似度矩阵的FCM算法。通过近邻传播算法获取粗类数作为最佳聚类数的搜索范围上限,以解决FCM算法聚类数目需要人为预先设定和随机选定初始聚类中心造成聚类结果不稳定的问题。在此基础上,改进最大最小距离算法,得到具有代表性的样本点作为初始聚类中心,并结合轮廓系数自动确定最佳聚类数。基于UCI数据集和人工数据集的实验结果表明,相比经典FCM、K-means和CFSFDP算法,该算法不仅具有识别复杂非凸数据的能力,而且能够在保证聚类性能和稳定性的前提下加快收敛速度。     

一种模糊相似关系的基因表达数据聚类方法

对于时间序列的基因表达数据,传统的聚类算法都是以距离为相似性度量标准,没有考虑基因随时间变化的相似趋势。从基因变化的趋势出发,构造了一种新的模糊相似关系矩阵,提出了改进的基于模糊相似关系的聚类算法,并以该算法计算FCM的初始聚类中心。将该方法应用在酵母菌基因表达数据中,实验结果表明该算法不仅克服了FCM算法易陷入局部极小值、对初值敏感的缺点,而且能够发现一些表达模式变化趋势相似的共调控基因。     

利用空间信息的核模糊C均值聚类算法

模糊聚类,特别是模糊C均值聚类算法（FCM）广泛地运用到图像的分割中。但是传统的算法未对数据对特征进行优化,亦未考虑图像的空间信息,对噪声图像分割不理想。在FCM目标函数中引入核函数,用内核引导距离代替传统的欧式距离,同时考虑到邻近象素的影响,增加了空间约束项,提出了利用空间信息的核FCM算法。通过对模拟图和仿真脑部MR图像的分割实验证明,该算法可以有效的分割含有噪声图像。     

一种新的聚类分析算法

给出了一种新的无监督聚类算法,但这种算法并非是基于目标函数的聚类算法,而是对数据直接设计一种迭代运算,以使数据在保持类特征的情况下进行重新组合最终达到分类的目的。通过对一类数据的实验表明,该算法在无监督给出类数方面具有较好的鲁棒性;另外,该算法在数据的准确归类、无监督聚类、确定性,以及对特殊类分布的适用性等方面均优于ＨＣＭ和ＦＣＭ算法,     

基于免疫单亲遗传和模糊C均值的聚类算法

聚类算法是数据挖掘中的重要方法。为了克服FCM初始值敏感、客易陷入局部最优解以及普通遗传算法聚类时的搜索速度和聚类精度的矛盾，在分析FCM算法和基于道传聚类算法的不足基础上，提出了一种基于免疫单亲遗传和模糊C均值的混合聚类算法，先以免疫单亲遗传聚类算法初始化，找到接近全局的最优解，再用FCM算法进行求解。实验表明，它既较好地解决了局部最优问题，又可以利用FCM的优点来提高整体的收敛速度。     

融合KNN优化的密度峰值和FCM聚类算法

针对模糊C均值（Fuzzy C-Means,FCM）聚类算法对初始聚类中心和噪声敏感、对边界样本聚类不够准确且易收敛于局部极小值等问题,提出了一种K邻近（KNN）优化的密度峰值（DPC）算法和FCM相结合的融合聚类算法（KDPC-FCM）。算法利用样本的K近邻信息定义样本局部密度,快速准确搜索样本的密度峰值点样本作为初始类簇中心,改善FCM聚类算法存在的不足,从而达到优化FCM聚类算法效果的目的。在多个UCI数据集、单个人造数据集、多种基准数据集和Geolife项目中的6个较大规模数据集上的实验结果表明,改进后的新算法与传统FCM算法、DSFCM算法对比,有着更好的抗噪性、聚类效果和更快的全局收敛速度,证明了新算法的可行性和有效性。