基于廣義熵的模糊聚類(lèi)與圖像分割算法研究.pdf

1、聚類(lèi)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(lèi)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(lái)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(diǎn)研究?jī)?nèi)容之一。近年來(lái)，很多學(xué)者致力于研究模糊聚類(lèi)解決圖像分割問(wèn)題，并提出了大量算法。
　　本文的研究?jī)?nèi)容是在FCM

2、算法的基礎(chǔ)上，通過(guò)廣義熵以及空間信息的引入，實(shí)現(xiàn)了基于廣義熵的空間調(diào)整聚類(lèi)算法。將目標(biāo)函數(shù)的求解過(guò)程分為兩個(gè)階段，第一階段使用Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化中心點(diǎn)，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(lèi)算法的基礎(chǔ)上，進(jìn)一步研究了集成方法對(duì)劃分結(jié)果的影響，提出了基于廣義熵的空間調(diào)整聚類(lèi)集成算法。文中引用了三種模糊聚類(lèi)成員選擇方法對(duì)原始聚類(lèi)結(jié)果進(jìn)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(lèi)成員，最后利用 MCLA，CSPA，HGPA三個(gè)集成函數(shù)對(duì)聚類(lèi)成員進(jìn)行融合，得到最終劃分結(jié)果。同時(shí)，本文將目標(biāo)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(lèi)集成算法的有效性。
　　另外，本文還研究了基于圖像約簡(jiǎn)技術(shù)的聚類(lèi)集成算法，通過(guò)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(diǎn)劃歸為多個(gè)像素組，繼而使用聚類(lèi)集成方法處理圖像，最終將同一像素組中的像素點(diǎn)劃分到同一個(gè)聚類(lèi)中