改進(jìn)的模糊C均值聚類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)和過程，它是圖像分析、識別和理解的基礎(chǔ)，是圖像處理的一個極其重要的環(huán)節(jié)，同時也是圖像處理技術(shù)中的難點。在對圖像信息進(jìn)行分析和處理的過程中，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。人們在圖像分割方面做了許多研究，但是距解決實際問題的需要相去甚遠(yuǎn)。由于圖像在成像過程中受到投影、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出現(xiàn)模糊和變形，那么，圖像

2、分割問題本身就會具有模糊性，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。針對以上問題，近年來一些學(xué)者將模糊理論引入到圖像處理中，應(yīng)用模糊聚類進(jìn)行圖像分割。
　　本文主要研究的是模糊聚類中應(yīng)用最普遍的模糊C均值(FCM)聚類及其改進(jìn)算法在圖像分割中的應(yīng)用。模糊聚類算法具有較強(qiáng)的實用性，但傳統(tǒng)模糊C均值聚類算法(FCM)具有對樣本集進(jìn)行

3、等劃分趨勢的缺陷，沒有考慮不同樣本的實際分布對聚類效果的影響，當(dāng)數(shù)據(jù)集中各樣本密集程度相差較大時，聚類結(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)點周圍的數(shù)據(jù)點多，該點的密度大；相反，有的數(shù)據(jù)點周圍的數(shù)據(jù)點少，該點的密度小)，通過計算每個數(shù)據(jù)對象的高斯密度函數(shù)值并將其歸一化處理作為權(quán)值，加入傳統(tǒng)的模糊C均值聚類算法中。將基于密度函數(shù)加權(quán)的模糊C均值聚類算法(D

4、FCM算法)應(yīng)用于圖像分割，通過五組實驗來證明其有效性。五組實驗分別為：對灰度圖像的分割、對噪聲圖像的分割、對彩色圖像的分割、對紋理圖像的分割以及對遙感影像的分割。實驗中分別利用模糊C均值聚類算法(FCM)和基于密度函數(shù)加權(quán)的模糊C均值聚類算法(DFCM算法)對不同圖像進(jìn)行分割對比試驗，實驗結(jié)果表明：⑴對于灰度圖像、彩色圖像、噪聲圖像、紋理圖像以及遙感影像來說，DFCM算法的收斂性比FCM聚類算法有明顯提高。⑵改進(jìn)后的算法(DFCM算法