直覺模糊C均值聚類的圖像分割算法研究.pdf

1、模糊C均值聚類(FCM)圖像分割法是一種典型且常用的模糊聚類圖像分割算法，該方法原理簡單，迭代過程能夠自適應，但是該方法也存在一些明顯的缺陷：對噪聲敏感且對重疊部分圖像分割不準確。鑒于此，在已有的改進FCM算法的基礎上，本文將模糊集擴展為直覺模糊集，并結合圖像的空間信息提出了一種基于直覺模糊 C均值聚類(IFCM)算法的圖像分割方法，直覺模糊集在模糊集上增加了非隸屬度函數(shù)，即用隸屬度及非隸屬度來描述集合的模糊性，這比經(jīng)典模糊集表示模糊性

2、更精確。
　　論文的具體工作及研究內容如下：
　　1、介紹了傳統(tǒng)的模糊 C均值聚類(FCM)算法并討論了其在圖像分割時存在的優(yōu)缺點。針對FCM算法只利用灰度信息導致圖像分割不準確的缺點，討論了幾種結合空間信息的改進FCM算法。
　　2、由于直覺模糊集(IFS)比模糊集(FS)更能準確地刻畫數(shù)據(jù)的不確定性，本文構造了一種直覺模糊集并將該直覺模糊集引入到模糊C均值聚類算法中，提出了一種直覺模糊C均值算法(IFCM)。通過實

3、驗驗證IFCM算法取得了較好的分割效果。
　　3、對現(xiàn)有的直覺模糊熵公式進行了分類，并分析了各類公式的優(yōu)缺點。針對熵公式在處理隸屬度與非隸屬度相等的特殊情況時存在的問題，本文提出了一種直覺模糊熵的嚴格化定義，在此基礎上給出了一種新的熵公式，驗證了新的熵對這種特殊情況的處理更為合理。
　　4、為了克服現(xiàn)有FCM算法對噪聲敏感的缺點，本文在直覺模糊C均值算法(IFCM)中引入空間信息及改進的直覺模糊熵，提出了一種基于改進的直覺模